2026开年未满一个月，DeepSeek就发布了两篇首创东谈主梁文锋签字的论文——元旦抛出mHC架构论文破解模子巩固性可贵，月中又靠Engram论文忽视 “静态学问存为可检索驰念表”的新想路。

1月27日，DeepSeek开源模子DeepSeek-OCR 2（其中枢定位为处理静态图像）并同步发布论文《DeepSeek-OCR 2: Visual Causal Flow（直译为“视觉因果流”）》。新京报贝壳财经记者浏览论文发现，视觉因果流机制可使模子不再像扫描仪相同按像素规矩“扫图”，而是好像像东谈主类阅读相同，依据语义和逻辑干系知道图像本色，从而显赫陶冶其在表格、文档和公式等复杂结构场景中的识别与知道效劳。

DeepSeek最新论文在github平台上的截图

不是模子不够强，而是看图的规矩不合

长期以来，主流视觉话语模子在处理图像时，多量接管固定的像素扫描规矩。将图像切分为多少视觉单位后，按照从左到右、从上到下的模样输入模子。这种模样在天然图片中尚能证据作用，但在表格、多栏文档、技能良友和数学公式等结构化本色中，却暴泄露彰着局限。

在这些场景下，信息之间往往存在了了的语义层级和逻辑依赖，举例标题与正文、行名与数值、主公式与珍贵等。然而，固定的空间规矩无法反应这些干系，导致模子天然好像识别局部翰墨，却难以规复全体结构，从而影响后续知道与推理效劳。

跟着模子范围握住扩大，这一问题并未取得根柢处理。征询者冉冉意志到，性能瓶颈并子虚足源于参数数目或算力不及，而在于视觉信息被组织和输入模子的模样自己。换言之，模子“看得见”，但“奈何看”才是枢纽。DeepSeek-OCR 2 恰是在这一布景下忽视，它尝试从根柢上转变模子对图像的知阶梯径，而不是延续依赖更大的模子范围来弥补结构知道的不及。

先理清干系，再让模子去“知道”

在此布景下，DeepSeek-OCR 2的中枢改动在于忽视“视觉因果流”机制，使模子不再机械地按像素规矩处理图像，而是字据语义和逻辑干系动态组织视觉信息。在具体完毕上，模子在视觉编码阶段引入语义与因果感知能力，通过更正的视觉编码器，对不同视觉单位之间的依赖干系进行建模，判断哪些信息在知道上具有先行性，哪些本色是对前者的补充或延展。

基于这种判断，模子会对视觉token进行径态重排，并连合可重组的位置编码，将结构愈加了了的序列输入话语模子。这么，话语模子在生成和推理阶段摄取到的，不再是参差无序的像素序列，而是一条更接近东谈主类阅读习尚的“知阶梯径”。征询团队将这如故由综合为“视觉因果流”，即图像中隐含的语义知道规矩。

履行罢休标明，该机制在表格知道、多栏文档知道和公式识别等任务中发达卓绝，相较于前代 DeepSeek-OCR，全体性能陶冶 3.73%，阅读规矩（R-order）的剪辑距离（ED）也显赫缩小（从0.085降至0.057），这标明新的DeepEncoder V2好像字据图像信息有用地采纳和枚举运转视觉璀璨。

论文终末示意，尽管光学字符识别，尤其是文档知道，是大模子时间最具实用价值的视觉任务之一，但它仅仅更平时视觉知道邦畿中的一部分。改日，有关架构还将抓续优化并拓展至更多复杂场景，进一步探索多模态智能在更深档次视觉知道中的后劲。

新京报贝壳财经记者 罗亦丹 实习生 郭雯华

剪辑 王进雨

校对 薛京宁手机赌钱