Intelligence Artificielle
DeepSeek-OCR 2 : Le Flux Causal Visuel s'ouvre à la compréhension open-source des documents
DeepSeek-OCR 2 introduit le flux causal visuel pour un encodage visuel de type humain. Désormais open source sur GitHub, le modèle prend en charge vLLM et Transformers, une résolution dynamique (jusqu'à 1 216 tokens visuels) et la conversion document-vers-markdown.
texte
Le 6 mars 2025, DeepSeek a discrètement publié la dernière version de son modèle de reconnaissance optique de caractères, DeepSeek-OCR 2, et a rendu l'ensemble disponible sur GitHub. L'article qui l'accompagne, intitulé « DeepSeek-OCR 2 : Visual Causal Flow », explique comment l'équipe est allée au-delà de l'OCR standard en intégrant un cadre causal visuel qui, en substance, tente d'imiter la façon dont les humains regardent et encodent réellement les informations visuelles.
Qu'est-ce que le flux causal visuel ?
Voici l'essentiel : le flux causal visuel réinvente la compréhension des images comme une chaîne causale d'événements. Au lieu de parcourir une image entière en un seul passage plat, le modèle apprend à se concentrer sur les régions en fonction de leur importance sémantique, un peu comme une personne parcourt une page imprimée. Cette approche s'avère particulièrement utile pour les mises en page complexes, les tableaux et tout ce qui mélange texte et images.
L'architecture gère également la résolution dynamique à la volée. Par défaut, DeepSeek-OCR 2 découpe les images en grilles de zéro à six tuiles de 768×768 pixels, plus une tuile centrale de 1024×1024. Selon l'image, cela produit de 144 à 1 216 tokens visuels. Le modèle attribue plus de tokens aux zones denses et en économise sur les parties plus simples.
Disponibilité open source et installation
DeepSeek a publié le modèle complet et le code d'inférence sur GitHub sous une licence open source. Le dépôt contient des instructions d'installation détaillées pour vLLM et Hugging Face Transformers. La pile recommandée est CUDA 11.8 plus PyTorch 2.6.0, et l'équipe fournit une roue vLLM préconstruite pour la version 0.8.5 afin de simplifier les choses.
« Notre environnement est cuda11.8+torch2.6.0 », notent les développeurs dans le dépôt, ajoutant que les utilisateurs peuvent éviter les conflits de versions en s'en tenant à l'environnement conda fourni.
Modes de prompt et inférence
DeepSeek-OCR 2 propose deux modes de prompt principaux. Pour le traitement de documents, le prompt par défaut, « <image>\n<|grounding|>Convert the document to markdown. », génère un markdown structuré qui respecte la mise en page originale. Un mode plus simple, déclenché par « <image>\nFree OCR. », gère l'extraction de texte brut sans se soucier du formatage.
Du côté de vLLM, l'équipe inclut des scripts pour l'inférence en streaming sur une seule image, le traitement concurrent de PDF (correspondant à la vitesse du DeepSeek-OCR original) et l'évaluation par lots sur des benchmarks comme OmniDocBench v1.5. L'intégration Transformers est tout aussi simple, avec un extrait Python minimaliste dans le dépôt.
Prêt pour les benchmarks et modulaire
Le modèle a été testé sur la suite OmniDocBench v1.5, un benchmark bien connu pour la compréhension de documents. Un script d'évaluation par lots se trouve dans le dépôt, permettant aux chercheurs de reproduire ces résultats. L'équipe rend hommage aux travaux antérieurs : DeepSeek-OCR, Vary, GOT-OCR2.0, MinerU et PaddleOCR, et crédite le jeu de données OmniDocBench.
Citation et références
La recherche s'appuie sur deux articles : le DeepSeek-OCR original (arXiv:2510.18234, 2025) et le nouveau DeepSeek-OCR 2 (arXiv:2601.20552, 2026). Les auteurs Haoran Wei, Yaofeng Sun et Yukun Li apparaissent dans les deux. La citation pour le modèle actuel est :
Wei, H., Sun, Y., & Li, Y. (2026). DeepSeek-OCR 2: Visual Causal Flow. arXiv preprint arXiv:2601.20552.