DeepSeek-OCR 2
多模态大模型DeepSeek-OCR 2
模型参数（Parameters）
3.5
最高上下文长度（Context Length）
32K
是否支持中文
支持
推理能力（Reasoning）
模型基本信息
是否支持推理过程
不支持
最高上下文输入长度
32K tokens
最长输出结果
8192 tokens
模型类型
多模态大模型
发布时间
2026-01-28
模型预文件大小
7GB
推理模式
常规模式（Non-Thinking Mode）
开源和体验地址
官方介绍与博客
API接口信息
接口速度（满分5分）
接口价格
暂无公开的 API 定价信息。
DeepSeek-OCR 2模型在各大评测榜单的评分
当前尚无可展示的评测数据。
发布机构
DeepSeek-AI
查看发布机构详情
DeepSeek-OCR 2模型解读
#### 1. DeepSeek-OCR 2 简介和核心特点
DeepSeek-OCR 2 是由 DeepSeek-AI 于 2026 年 1 月发布的开源多模态 OCR 模型。作为 DeepSeek-OCR 系列的升级版本，该模型的核心突破在于引入了“视觉因果流”（Visual Causal Flow）机制。旨在解决传统视觉语言模型（VLMs）在处理图像时仅能按照固定的光栅扫描顺序（Raster-Scan，即从左到右、从上到下）处理视觉 Token 的局限性。
其核心目标是赋予模型类似人类的“因果推理”能力，使其能够根据图像的语义内容动态地重新排列视觉 Token 的处理顺序，从而更准确地理解复杂排版的文档、图表和密集文本。
#### 2. 架构与技术规格
- **模型架构**: 采用了全新的 DeepEncoder V2 架构。该架构包含两个级联的 1D 因果推理结构，替代了传统的 CLIP 或 SigLIP 编码器，采用 LLM 风格的架构设计。
- **视觉 Tokenizer**: 继承自前代模型，使用基于 80M 参数的 SAM（Segment Anything Model）主干网络，辅以卷积层。
- **分辨率与 Token 预算**: 采用全局和局部多裁剪策略（Multi-crop Strategy）。全局视图为 1024x1024，局部裁剪为 768x768。每页的视觉 Token 数量动态控制在 256 到 1120 个之间，实现了高效的计算预算。
- **解码器**: 后端连接了 DeepSeek-3B-A500M 语言模型作为解码器。
#### 3. 核心能力与支持模态
- **模态支持**: 支持图像输入（特别是文档、扫描件、图表）和纯文本输出。
- **能力详述**: 模型具备强大的版面分析与文字识别能力。得益于因果注意力机制，DeepSeek-OCR 2 能够理解复杂的文档逻辑结构（如多栏排版、嵌套表格），并按照语义逻辑而非单纯的空间位置输出文本。
#### 4. 性能与基准评测
- **基准测试**: 在 OmniDocBench 基准测试中，DeepSeek-OCR 2 取得了 91.09 的总分，相比前代 DeepSeek-OCR（87.36分）有显著提升，且视觉 Token 预算更低。
- **对比优势**: 在处理密集文本和复杂布局时，其表现优于传统的固定扫描顺序模型，且在计算效率上保持了 DeepSeek 系列一贯的高效特性。
#### 5. 访问方式与许可
- **开源情况**: 模型代码及权重已在 GitHub 和 Hugging Face 平台完全开源。
- **许可协议**: 遵循 DeepSeek License Agreement。
DeepSeek-OCR 2 是由 DeepSeek-AI 于 2026 年 1 月发布的开源多模态 OCR 模型。作为 DeepSeek-OCR 系列的升级版本，该模型的核心突破在于引入了“视觉因果流”（Visual Causal Flow）机制。旨在解决传统视觉语言模型（VLMs）在处理图像时仅能按照固定的光栅扫描顺序（Raster-Scan，即从左到右、从上到下）处理视觉 Token 的局限性。
其核心目标是赋予模型类似人类的“因果推理”能力，使其能够根据图像的语义内容动态地重新排列视觉 Token 的处理顺序，从而更准确地理解复杂排版的文档、图表和密集文本。
#### 2. 架构与技术规格
- **模型架构**: 采用了全新的 DeepEncoder V2 架构。该架构包含两个级联的 1D 因果推理结构，替代了传统的 CLIP 或 SigLIP 编码器，采用 LLM 风格的架构设计。
- **视觉 Tokenizer**: 继承自前代模型，使用基于 80M 参数的 SAM（Segment Anything Model）主干网络，辅以卷积层。
- **分辨率与 Token 预算**: 采用全局和局部多裁剪策略（Multi-crop Strategy）。全局视图为 1024x1024，局部裁剪为 768x768。每页的视觉 Token 数量动态控制在 256 到 1120 个之间，实现了高效的计算预算。
- **解码器**: 后端连接了 DeepSeek-3B-A500M 语言模型作为解码器。
#### 3. 核心能力与支持模态
- **模态支持**: 支持图像输入（特别是文档、扫描件、图表）和纯文本输出。
- **能力详述**: 模型具备强大的版面分析与文字识别能力。得益于因果注意力机制，DeepSeek-OCR 2 能够理解复杂的文档逻辑结构（如多栏排版、嵌套表格），并按照语义逻辑而非单纯的空间位置输出文本。
#### 4. 性能与基准评测
- **基准测试**: 在 OmniDocBench 基准测试中，DeepSeek-OCR 2 取得了 91.09 的总分，相比前代 DeepSeek-OCR（87.36分）有显著提升，且视觉 Token 预算更低。
- **对比优势**: 在处理密集文本和复杂布局时，其表现优于传统的固定扫描顺序模型，且在计算效率上保持了 DeepSeek 系列一贯的高效特性。
#### 5. 访问方式与许可
- **开源情况**: 模型代码及权重已在 GitHub 和 Hugging Face 平台完全开源。
- **许可协议**: 遵循 DeepSeek License Agreement。
关注DataLearnerAI公众号
关注DataLearnerAI微信公众号，接受最新大模型资讯
