产品中心
电话：400-123-4657
传真：+86-123-4567
邮箱：admin@youweb.com
地址：广东省广州市天河区号
DeepSeek开源OCR-2模型，梁文锋带队探索新架构_视觉_Token_顺序
添加时间：2026-01-28 18:40:02 点击量：273
“内容为王”这句话在哪个时代都不会过时。随着消费升级，日益庞大的中国高端群体对高品质的生活方式与旅行体验的需求为高端出境旅游市场带来巨大市场机遇。现今的旅游产品也更向个性化、定制化、品质化靠拢，对内容创新提出更高的要求。内地的旅游内容市场仍有5-10倍的增长空间。最近36氪接触了一家做移动端旅游社区电商的团队——河马旅居指南。
河马旅居定位中等收入人群18-34岁的年轻群体，想通过碎片化的PGC或UGC内容培养用户粘性，由内容社区模式切入出境游市场。传统的旅游内容多是以长图文的游记形式呈现，河马旅居并不刻意强调旅游路线或整个游历过程的感受，在内容呈现上更加碎片化、个性化、移动化以及品质化，以小众或特色地点作为维度输出内容，建立内容社区，类似于旅游界的“小红书”或“什么值得买”。
河马旅居在部分海外旅游城市有一个4到5人的自媒体小团队定期生产PGC内容，每月更新一次内容，以优质的内容导流。目前河马的获客成本低至2-3元/人。
优质的内容利于培养高粘性度的用户，当累计到一定数量的优质内容生产者，达到一定的用户规模时，将由PGC内容带动UGC内容的自发产出，进而开始搭建旅游内容社区，最后完成向旅游社区电商的转型，形成交易闭环。
目前河马旅居的流量较为分散，微信公众号累计粉丝3万，MONO 5万，豆瓣 1万，C端获客主要来自微博、豆瓣，上周刚上线微信小程序。后期需考虑转化用户集中流量，现阶段团队正尝试跟移动WiFi租赁和签证业务团队资源置换，互相增加入口。
商业模式上，河马旅居打算分两步走，第一阶段，先帮助用户解决去哪里玩的问题。河马打算与当地的旅游局或航空公司合作，帮助他们做中国市场的整体营销，宣传当地旅游资源。第二阶段，解决用户怎么玩的问题。平台可通过用户的行为数据分析社区调性从而推荐相应的特色化旅游产品，例如在京都的寺院坐禅、学习茶道、参观日本酒的蒸馏厂等等。
此外，河马旅居也在尝试开拓知识付费的营收渠道。从体验、艺术、咖啡、酒吧、餐厅、酒店等六个维度切入，做成各旅游城市的PDF版官方性质PGC攻略。3月份售出800多本，每本单价15元。
河马旅居创始人余晓盼表示，河马旅居的核心竞争力还是个性化的内容表达。“传统旅游社区把内容做的太死气沉沉了。人美、景美但流水账似的内容很无趣。好的内容本身就是门槛。原创的有趣的才有生命力。”
内容+电商并不是一个新概念，如今传统OTA、头部电商平台以及媒体型电商都在加码内容，但要持续产出有价值的内容并非易事，需要足够规模的内容生产团队长时间的内容积累，而具有极强传播力的爆款内容更是可遇而不可求，营造内容社区所花费的精力也许正是其门槛所在。
河马旅居目前的管理团队为4人，内容产出团队20人。创始人余晓盼任河马主编兼运营，曾任职于私募、资管、律师事务所，为《美食侦探系列》旅行畅销书作者。团队目前正在寻求天使轮融资。
出品｜搜狐科技
作者｜常博硕
编辑｜杨锦
临近春节，DeepSeek的更新也越来越频繁了。
刚刚，DeepSeek团队发布了论文《DeepSeek-OCR 2：Visual Causal Flow》，并正式开源了DeepSeek-OCR 2模型。论文三位作者分别是魏浩然、孙耀峰和李宇琨。
要读懂这篇文章，首先要知道的一个问题就是：啥是OCR？
其实，OCR是光学字符识别（Optical Character Recognition）的缩写，基本思路就是让计算机能看懂图像中的文字。比如我们把手机拍摄的***、合同扫描件、书籍照片等转换成计算机可以编辑和搜索的文字内容，这就是OCR。
传统OCR模型通常遵循扫描式的思路，首先检测图像中的文字区域，再一个字一个字或一行一行地识别，这种固定扫描顺序就容易忽略文档的整体结构。但人不是这样的，我们在阅读复杂文档时，通常会先浏览标题然后看看段落表格，会有优先级排序，而不是机械地从左上到右下扫过页面。
现在的问题是，当文档结构复杂到一定程度时，AI就不知道先看哪儿了。像学术论文一般是多栏排版，文章中还有公式与正文交错出现，技术报告中的表格与注释，报纸版面等等这些都对模型提出了超出传统OCR的要求。
所以，DeepSeek新开源的DeepSeek-OCR 2模型其实就是为了让机器阅读更像人而设计的。
提出视觉因果流
DeepSeek-OCR 2作为新一代视觉语言OCR模型，核心创新在于提出了视觉因果流（Visual Causal Flow）的编码器架构。
DeepSeek-OCR 2的整体架构延续了DeepSeek-OCR的“编码器—解码器”设计，其中解码器仍然***用约3B参数的MoE语言模型，编码器部分则升级为DeepEncoder V2。
从论文中看，DeepEncoder V2编码器通过引入语义驱动的顺序重排，使AI能够根据图片内容的逻辑顺序来处理信息，而不再只是按照固定的栅格顺序。
上图示意了DeepSeek-OCR 2的核心架构。左边为传统DeepEncoder，使用CLIP视觉模型，右图为DeepEncoder V2。新的架构使用了语言模型作为视觉编码器（LM as Vision Encoder），并在视觉Token序列后附加了因果查询（learnable query），用于新的阅读顺序排列。
一个关键的点在于，DeepSeek-OCR 2使用了语言模型架构作为视觉编码器。
在DeepEncoder V2中，DeepSeek用一个轻量级语言模型（Qwen2-500M）取代了传统的CLIP ViT。这样做就可以让模型在视觉编码阶段本身就具备序列建模和因果推理能力，使得其与后续的语言解码阶段在建模范式上保持一致。
从架构上看，DeepSeek-OCR 2并未增加视觉token的数量，也没有引入额外的多模态复杂结构，而是通过注意力掩码的重新设计，让“顺序”成为可学习的对象。这使得模型在处理表格、公式、多栏排版等场景时，能够更自然地恢复文档的逻辑结构。
注意力掩码的设计其实十分有意思。在编码器中，视觉token与一组新增的因果流查询token被拼接成一个统一序列，但两者在注意力机制上其实是非对称的。
视觉token之间***用双向注意力，保持与ViT类似的全局建模能力。而查询token之间***用严格的因果注意力，每个query（查询）只能关注其之前的query，同时，每个查询token都可以访问所有视觉token。
在这种注意力掩码的作用下，查询token被迫以序列化方式逐步聚合视觉信息，其内部顺序不再由空间坐标决定，而是在训练过程中，在语义建模目标的驱动下逐步形成更接近人类阅读逻辑的视觉表示序列。
这种设计就和人类阅读文档的方式高度相似，首先获取全局结构，随后在语义理解的引导下，决定接下来该看哪里。
部分表现优于Gemini
在OmniDocBench v1.5基准测试中，DeepSeek-OCR 2在整体准确率上达到91.09%，在使用最少视觉token的情况下，较上一代DeepSeek-OCR提升了3.73%。
在衡量阅读顺序（R-order）的指标编辑距离（Edit Distance）上，DeepSeek-OCR 2从前代的0.085降低到了0.057，证明了新模型不仅识别得更准，结构理解能力也发生了实质变化。
在和Gemini-3 Pro等闭源强模型的对比中，在均使用约1120个视觉Token的情况下，DeepSeek-OCR2的文档解析编辑距离（0.100）也优于Gemini-3 Pro（0.115）。
根据DeepSeek披露的数据，在真实用户日志与PDF批量处理场景中，DeepSeek-OCR 2的重复输出率也有了明显下降。
相比前代模型，DeepSeek-OCR 2在在线用户日志图像中，重复率从6.25%降至4.17%。在PDF数据生产场景中，重复率从3.69%降至2.88%。重复输出往往源于模型对文档结构理解不充分，导致内容会被多次误读，从结果来看，视觉因果流的引入也有效缓解了这一问题。
如果放在更宏观一点的角度，其实DeepSeek-OCR 2还提供了一种新的框架思路，那就是二维视觉理解，是否可以拆解为两层一维因果推理。在这一框架下，编码器负责怎么读内容，解码器负责如何回答，两者共同完成对复杂视觉内容的理解。
这也是DeepSeek在论文最后提出的一个长期方向——原生多模态（Native Multimodality）。如果同一套因果查询机制可以用于视觉、文本甚至音频，那么OCR可能只是这一架构的起点，而不是终点。
正如论文最后所说，虽然光学文本识别，特别是文档解析，是大语言模型时代最实用的视觉任务之一，但它仅占视觉理解领域的一小部分。
展望未来，DeepSeek将向着更通用的多模态智能继续“深度求索”。返回搜狐，查看更多
下一篇:鸿蒙 HarmonyOS 本地模拟器上线，你怎么看？
返回