AI导读：

DeepSeek最新开源的DeepSeek-OCR-2采用视觉因果流范式解决多模态大模型问题。通过引入因果流查询和摒弃位置编码，实现性能显著提升。实验数据显示，该模型在保持高压缩率的同时，能有效解决复杂表格和非线性文本的问题。

据悉，DeepSeek最新开源的DeepSeek-OCR-2，通过架构适配DeepEncoder V2，摒弃了经典的CLIP视觉分支，采用LLM作为视觉编码器，并提出视觉因果流（Visual Causal Flow）范式，以解决多模态大模型在面对复杂表格或非线性文本时，往往会出现的语义与序列错配问题。具体来看，传统的视觉语言模型（VLM）存在固有的归纳偏置：光栅扫描，并施加固定的绝对位置编码（从左到右，从上到下）。这与人类“基于语义逻辑跳跃扫描”的视觉认知机制背道而驰——人类在阅读文档时，目光是随着逻辑流动，遇到表格会按列或按行扫视，遇到分栏会自动跳跃。DeepSeek-OCR-2并未依赖位置编码来规定视觉token的语义顺序，而是引入因果流查询（causal queries），通过内容感知方式对视觉标记进行重排序与蒸馏。这种顺序不是由空间展开规则决定，而是由模型在观察全局视觉上下文后逐步生成，从而避免了对固定一维顺序的强依赖。实验数据显示，DeepSeek-OCR-2在保持极高压缩率的同时，性能显著提升。