DeepSeek-OCR 2 trae el Flujo Causal Visual a la comprensión de documentos de código abierto

El 6 de marzo de 2025, DeepSeek lanzó discretamente la última versión de su modelo de reconocimiento óptico de caracteres, DeepSeek-OCR 2, y puso todo el código a disposición en GitHub. El documento adjunto, titulado “DeepSeek-OCR 2: Visual Causal Flow”, explica cómo el equipo fue más allá del OCR estándar al incorporar un marco causal visual que, en esencia, intenta imitar la forma en que los humanos realmente miran y codifican la información visual.

¿Qué es el Flujo Causal Visual?

Esta es la esencia: el Flujo Causal Visual replantea la comprensión de imágenes como una cadena causal de eventos. En lugar de procesar una imagen completa en una sola pasada plana, el modelo aprende a centrarse en regiones según su importancia semántica, de manera similar a como una persona escanea una página impresa. Este enfoque resulta ser especialmente útil para diseños complejos, tablas y cualquier cosa que mezcle texto con imágenes.

La arquitectura también maneja la resolución dinámica sobre la marcha. De forma predeterminada, DeepSeek-OCR 2 divide las imágenes en cuadrículas de cero a seis mosaicos de 768×768 píxeles, más un mosaico central de 1024×1024. Dependiendo de la imagen, esto produce entre 144 y 1,216 tokens visuales. El modelo asigna más tokens a las áreas densas y menos a las partes más simples.

Disponibilidad de Código Abierto e Instalación

DeepSeek ha publicado el modelo completo y el código de inferencia en GitHub bajo una licencia de código abierto. El repositorio incluye instrucciones detalladas de instalación tanto para vLLM como para Hugging Face Transformers. La pila recomendada es CUDA 11.8 junto con PyTorch 2.6.0, y el equipo proporciona un wheel de vLLM precompilado para la versión 0.8.5 para simplificar el proceso.

“Nuestro entorno es cuda11.8+torch2.6.0”, señalan los desarrolladores en el repositorio, añadiendo que los usuarios pueden evitar conflictos de versión siguiendo el entorno conda proporcionado.

Modos de Prompt e Inferencia

DeepSeek-OCR 2 viene con dos modos principales de prompt. Para el procesamiento de documentos, el prompt predeterminado, “<image>\n<|grounding|>Convert the document to markdown.”, genera Markdown estructurado que respeta el diseño original. Un modo más simple, activado por “<image>\nFree OCR.”, maneja la extracción de texto plano sin preocuparse por el formato.

En el lado de vLLM, el equipo incluye scripts para inferencia de imágenes individuales en streaming, procesamiento concurrente de PDF (igualando la velocidad del DeepSeek-OCR original) y evaluación por lotes en benchmarks como OmniDocBench v1.5. La integración con Transformers es igual de sencilla, con un fragmento de código Python minimalista en el repositorio.

Preparado para Benchmarks y Modular

El modelo fue sometido a pruebas en el conjunto OmniDocBench v1.5, un conocido benchmark para la comprensión de documentos. En el repositorio se incluye un script de evaluación por lotes que permite a los investigadores reproducir esos resultados. El equipo reconoce trabajos anteriores, como DeepSeek-OCR, Vary, GOT-OCR2.0, MinerU y PaddleOCR, y acredita el conjunto de datos OmniDocBench.

Cita y Referencias

La investigación está respaldada por dos artículos: el DeepSeek-OCR original (arXiv:2510.18234, 2025) y el nuevo DeepSeek-OCR 2 (arXiv:2601.20552, 2026). Los autores Haoran Wei, Yaofeng Sun y Yukun Li aparecen en ambos. La cita para el modelo actual es:

Wei, H., Sun, Y., & Li, Y. (2026). DeepSeek-OCR 2: Visual Causal Flow. arXiv preprint arXiv:2601.20552.