الذكاء الاصطناعي
DeepSeek-OCR 2 يجلب التدفق البصري السببي إلى فهم المستندات مفتوح المصدر
يقدم DeepSeek-OCR 2 التدفق البصري السببي للتشفير البصري الشبيه بالإنسان. متاح الآن كمصدر مفتوح على GitHub، ويدعم النموذج vLLM و Transformers، والدقة الديناميكية (حتى 1,216 رمزًا بصريًا)، وتحويل المستندات إلى Markdown.
texte
في 6 مارس 2025، أصدرت DeepSeek بهدوء أحدث إصدار من نموذج التعرف البصري على الأحرف الخاص بها، DeepSeek-OCR 2، وجعلت الشيء بأكمله متاحًا على GitHub. تشرح الورقة البحثية المصاحبة، بعنوان "DeepSeek-OCR 2: التدفق البصري السببي"، كيف تجاوز الفريق OCR القياسي من خلال بناء إطار بصري سببي يحاول، في جوهره، محاكاة الطريقة التي ينظر بها البشر بالفعل إلى المعلومات البصرية وتشفيرها.
ما هو التدفق البصري السببي؟
إليك الفكرة الأساسية: يعيد التدفق البصري السببي تصور فهم الصورة كسلسلة سببية من الأحداث. بدلاً من معالجة صورة كاملة في مسار واحد مسطح، يتعلم النموذج التركيز على المناطق بناءً على أهميتها الدلالية، تشبه إلى حد ما الطريقة التي يمسح بها الشخص صفحة مطبوعة. تبين أن هذا النهج مفيد بشكل خاص للتخطيطات المعقدة والجداول وأي شيء يخلط النصوص بالصور.
تتعامل البنية أيضًا مع الدقة الديناميكية أثناء التشغيل. بشكل افتراضي، يقطع DeepSeek-OCR 2 الصور إلى شبكات من صفر إلى ستة بلاطات بدقة 768×768 بكسل، بالإضافة إلى بلاطة مركزية واحدة بدقة 1024×1024. اعتمادًا على الصورة، ينتج عن ذلك أي شيء من 144 إلى 1,216 رمزًا بصريًا. يخصص النموذج رموزًا أكثر للمناطق الكثيفة ويقللها للأجزاء الأبسط.
التوفر كمصدر مفتوح والتركيب
نشرت DeepSeek النموذج الكامل وكود الاستدلال على GitHub بموجب ترخيص مفتوح المصدر. يأتي المستودع مع تعليمات تركيب مفصلة لكل من vLLM و Hugging Face Transformers. الحزمة الموصى بها هي CUDA 11.8 بالإضافة إلى PyTorch 2.6.0، ويوفر الفريق عجلة vLLM مبنية مسبقًا للإصدار 0.8.5 لتبسيط الأمور.
“بيئتنا هي cuda11.8+torch2.6.0،” يلاحظ المطورون في المستودع، مضيفين أنه يمكن للمستخدمين تجنب تعارضات الإصدار بالالتزام ببيئة conda المرفقة.
أوضاع المطالبات والاستدلال
يأتي DeepSeek-OCR 2 مع وضعين رئيسيين للمطالبات. لمعالجة المستندات، المطالبة الافتراضية، “<image>\n<|grounding|>Convert the document to markdown.”، تُخرج ترميز Markdown منظم يحترم التخطيط الأصلي. وضع أبسط، يتم تشغيله بواسطة “<image>\nFree OCR.”، يتعامل مع استخراج النص العادي دون القلق بشأن التنسيق.
على جانب vLLM، يتضمن الفريق نصوصًا نصية للاستدلال على صورة واحدة بشكل متدفق، والمعالجة المتزامنة لملفات PDF (مطابقة لسرعة DeepSeek-OCR الأصلي)، والتقييم الدفعي على معايير مثل OmniDocBench v1.5. تكامل Transformers واضح بنفس القدر، مع مقتطف Python بسيط في المستودع.
جاهز للمعايير ومعياري
تم اختبار النموذج على مجموعة معايير OmniDocBench v1.5، وهو معيار معروف لفهم المستندات. يوجد سكريبت تقييم دفعي في المستودع، مما يسمح للباحثين بإعادة إنتاج تلك النتائج. يشيد الفريق بالعمل السابق، DeepSeek-OCR، Vary، GOT-OCR2.0، MinerU، و PaddleOCR، وينسب الفضل إلى مجموعة بيانات OmniDocBench.
الاستشهاد والمراجع
يدعم البحث ورقتان بحثيتان: DeepSeek-OCR الأصلية (arXiv:2510.18234, 2025) و DeepSeek-OCR 2 الجديدة (arXiv:2601.20552, 2026). يظهر المؤلفون Haoran Wei و Yaofeng Sun و Yukun Li في كلتيهما. الاستشهاد للنموذج الحالي هو:
Wei, H., Sun, Y., & Li, Y. (2026). DeepSeek-OCR 2: Visual Causal Flow. arXiv preprint arXiv:2601.20552.