凤凰网科技讯 1月27日宝贷配资，DeepSeek团队发布《DeepSeek-OCR 2: Visual Causal Flow》论文，并开源DeepSeek-OCR 2模型。
该模型采用创新的DeepEncoder V2新型编码器结构，它能够根据图像语义动态调整视觉信息的处理顺序，使模型在进行文字识别前先对视觉内容进行智能排序。这项技术突破源于对传统视觉语言模型处理方式的重新思考宝贷配资，旨在让机器更贴近人类的视觉阅读逻辑。
宝贷配资
在传统的视觉语言模型中，图像通常会被切分为若干视觉token，并按照从左上到右下的固定栅格顺序送入模型处理。这种方式虽然实现简单，但与人类在阅读文档、表格或公式时基于语义和逻辑关系进行跳跃式浏览的方式并不一致。
DeepSeek论文指出，尤其在版式复杂的文档场景中，视觉元素之间往往存在明确的逻辑先后关系，仅依赖空间顺序可能限制模型对内容结构的理解能力。
为验证模型性能，研究团队在OmniDocBench v1.5基准上进行了全面评估。该基准涵盖多种类型的中英文文档，包括学术论文、杂志、报告等，重点考察文本识别、公式解析、表格结构还原以及阅读顺序等指标。
测试结果显示，在视觉token上限更低的情况下，DeepSeek-OCR 2的整体得分达到91.09%，相较DeepSeek-OCR提升了3.73%。特别是在阅读顺序准确度方面宝贷配资，编辑距离从0.085降至0.057，表明新模型能够更合理地理解文档内容结构。
广瑞网配资提示：文章来自网络，不代表本站观点。
