DeepSeek-OCR 2 引入视觉因果流，开源文档理解再升级

2025 年 3 月 6 日，DeepSeek 悄然发布了其光学字符识别模型的最新版本 DeepSeek-OCR 2，并将全部代码开源至 GitHub。随附论文《DeepSeek-OCR 2: Visual Causal Flow》解释了团队如何超越标准 OCR，构建了一个视觉因果框架，试图模仿人类实际观察和编码视觉信息的方式。

什么是视觉因果流？

简单来说：视觉因果流将图像理解重新想象为一个因果事件链。模型不是一次性扁平地处理整张图片，而是学会根据语义重要性聚焦于特定区域，这有点像人眼扫描印刷页面。这种方法对于复杂的版面、表格以及任何图文混合的内容尤为有效。

该架构还支持动态分辨率调整。开箱即用，DeepSeek-OCR 2 将图像切割成 768×768 像素的零到六个图块网格，外加一个 1024×1024 像素的中心图块。根据图像不同，可生成 144 到 1,216 个视觉标记。模型会在密集区域投入更多标记，而在简单部分则减少标记。

开源可用性与安装

DeepSeek 已在 GitHub 上以开源许可证发布了完整模型和推理代码。仓库中包含了针对 vLLM 和 Hugging Face Transformers 的详细安装说明。推荐的软件栈是 CUDA 11.8 加 PyTorch 2.6.0，团队还提供了针对 vLLM 版本 0.8.5 的预编译 wheel，以简化操作。

“我们的环境是 cuda11.8+torch2.6.0，”开发者在仓库中注明，“用户只需使用提供的 conda 环境即可避免版本冲突。”

提示模式与推理

DeepSeek-OCR 2 提供两种主要提示模式。对于文档处理，默认提示“<image>\n<|grounding|>Convert the document to markdown.”会输出尊重原始版面的结构化 Markdown。另一种更简单的模式由“<image>\nFree OCR.”触发，专注于纯文本提取，不关心格式。

在 vLLM 方面，团队包含了用于流式单图推理、并发 PDF 处理（速度与原始 DeepSeek-OCR 相当）以及在 OmniDocBench v1.5 等基准上进行批量评估的脚本。Transformers 集成同样简单直接，仓库中提供了一个简洁的 Python 代码片段。

基准就绪且模块化

该模型已在著名的文档理解基准套件 OmniDocBench v1.5 上进行了测试。仓库中包含了批量评估脚本，方便研究人员复现结果。团队对先前工作 DeepSeek-OCR、Vary、GOT-OCR2.0、MinerU 和 PaddleOCR 表示感谢，并致谢 OmniDocBench 数据集。

引用与参考文献

该研究有两篇论文支撑：原始 DeepSeek-OCR（arXiv:2510.18234, 2025）和新的 DeepSeek-OCR 2（arXiv:2601.20552, 2026）。作者 Haoran Wei、Yaofeng Sun 和 Yukun Li 在两篇论文中均有出现。当前模型的引用格式为：

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