DeepSeek最新王炸模型：VLM架构重磅突破，AI像人一样读图

主要观点总结

DeepSeek公司开源了其面向OCR场景的专用模型DeepSeek-OCR 2，该模型采用新型解码器，能更好地理解复杂布局、公式和表格。在OmniDocBench v1.5基准测试中得分91.09%，较之前模型有所提升。DeepSeek-OCR 2兼具研究型探索和实用工具价值。其关键在于改进了编码器，采用LLM风格的编码器，实现了视觉token的高效压缩和重排序。此外，DeepSeek-OCR 2在文档解析方面的编辑距离低于Gemini-3 Pro，证明了其优越性能。不过，该模型在文本密度超高的报纸上的识别效果有待提高。

关键观点总结

关键观点1: DeepSeek-OCR 2模型的特点

采用新型解码器，理解结构并按结构读；在OmniDocBench v1.5上得分91.09%；兼具研究型探索和实用工具价值；关注编码器改进，采用LLM风格的编码器；实现了视觉token的高效压缩和重排序。

关键观点2: DeepSeek-OCR 2的性能表现

较DeepSeek-OCR提升了3.73%；与其他端到端的OCR模型相比，表现优异，但略逊于百度的PaddleOCR-VL；在文档解析方面的编辑距离低于Gemini-3 Pro。

关键观点3: DeepSeek-OCR 2的应用价值

可作为新型VLM架构进行探索性研究，也能作为生成高质量预训练数据的实用工具，服务于大语言模型的训练过程。