DeepSeek最新论文《DeepSeek-OCR 2: Visual Causal Flow》颠覆了OCR领域十年的CLIP统治，提出了一种全新的视觉因果流处理机制。该技术不仅将阅读顺序准确率提升了33%，更揭示了通向原生多模态的未来路径——让AI学会像人类一样‘跳读’文档。

我们读文档的时候，眼睛根本不是从左上扫到右下的。

我个人阅读文档的时候，先是快速扫了一下标题和作者，知道这是篇什么主题的论文。然后看摘要，抓主要结论。发现有张图表，就直接跳到图表看关键数据。最后才回到正文，按自己的逻辑顺序补充细节。

这个过程，大概花了 30 秒。但 AI 呢？它可能还在从第一个字慢慢往后扫。

人类有”阅读逻辑”，AI 之前没有。

被CLIP统治的十年

DeepSeek 今天发布了新论文《DeepSeek-OCR 2: Visual Causal Flow》，直指一个根本性问题。

论文链接：

Hugging Face：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2

这篇论文的核心，其实是在质疑一个统治了 OCR 领域十年的”默认真理”——CLIP 架构。

2015 年 CLIP 问世，到现在已经十年了。这十年里，几乎所有视觉语言模型（VLM）都在用同一个假设：图像按从左上到右下的固定顺序处理。简单场景（比如单张照片、清晰扫描件）没问题，这个假设够用。

但复杂文档就崩了。

为什么崩了

为什么崩了？我来举个例子。

看一个带表格的文档。人类怎么读？先看表头，知道每列是什么。然后横向看第一行数据，读完回到表头，确认列名，再看第二行。如果有多列交叉，可能会先看完所有行的某一列，再跳到下一列。

但 CLIP 怎么处理？它假设顺序是固定的——从表格的第一个格子（通常是左上角）扫到最后一个格子（右下角）。这意味着什么？意味着它可能会读到第一行的第 5 列，然后突然跳到第二行的第 1 列，因为它们在物理位置上是相邻的。

语义顺序完全乱了。

表格还只是简单场景。公式呢？多栏布局的报纸呢？学术论文里的图表引用呢？这些都需要”按语义跳跃”，而不是”按位置扫描”。

CLIP 的固定顺序在干一件低效事——用线性序列去表达二维逻辑。

DeepSeek 的解法：弃用 CLIP，换上 LLM 式编码器

DeepSeek 直接把用了十年的 CLIP 编码器弃用了，换成了一个轻量级的 LLM——Qwen2-0.5B。

为什么要用 LLM？因为 LLM 天生支持”因果注意力”（Causal Attention），也就是从左到右的自回归生成。而 CLIP 用的是”双向注意力”，它能看到所有 token，但没有”顺序”的概念。

但 DeepSeek 没有完全放弃双向注意力，而是设计了一个”双流注意力”机制：

视觉 token 部分：保留双向注意力，用来全局感知图像内容（这是什么东西）

因果流 token 部分：使用因果注意力，用来决定”应该按什么顺序读”（怎么读）

（deepencoder架构图）

具体怎么工作呢？

首先，图像经过 SAM-base 和压缩器，变成一组视觉 token。这些 token 通过双向注意力进行全局感知——就像你拿到一张文档，先”扫一眼”知道大概内容。

然后，DeepSeek 引入了一组”因果流查询”（Causal Flow Queries），这些查询 token 可以关注所有视觉 token，但只能关注之前的查询 token。每个查询 token 会根据自己的理解，”挑选”它认为应该下一个读取的视觉 token。

这就像你在读文档时的内心活动——”刚刚读了标题，现在应该去看摘要”、”看完摘要了，图表好像更有用，先看图表”。

最终，只有因果流 token 的输出会被送入解码器，生成最终的文本。这相当于编码器先帮你”排好阅读顺序”，解码器只需要按顺序执行就行了。

DeepSeek 把这个过程称为”两级级联因果推理”：

第一级：编码器内部通过因果查询对视觉 token 进行语义重排

第二级：LLM 解码器在有序序列上执行自回归推理

效果验证：91.09% 得分，阅读顺序提升 33%

DeepSeek 在 OmniDocBench v1.5 基准上做了测试。这个基准包含 1355 页文档，覆盖中英文的 9 大类别（杂志、学术论文、研究报告等），是当前最严格的文档理解评测之一。

结果：

整体得分：91.09%

相比 DeepSeek-OCR 提升：3.73%

这个提升看着还行，但真正让我意外的是”阅读顺序”（Reading Order）指标——编辑距离从 0.085 降到了 0.057。

编辑距离是什么？就是”把 AI 读出来的顺序调整到正确顺序，需要多少次操作”。从 0.085 降到 0.057，意味着 AI 的阅读顺序更接近人类了，改善了约 33%。

更妙的是，DeepSeek-OCR 2 在保持高精度的同时，视觉 token 数量控制在 256 到 1120 之间，和 Google 的 Gemini-3 Pro 相当，但远低于 MinerU2.0（6000 token）。这意味着什么？意味着用更少的资源，实现了更好的性能。

生产环境表现

DeepSeek 还披露了生产环境的表现。这个挺关键的，因为很多模型在基准上表现很好，但一到实战就崩了。

他们主要看两个指标：在线用户日志图像的重复率、PDF 批处理数据的重复率。

结果：

在线用户日志图像：重复率从 6.25% 降到 4.17%

PDF 批处理数据：重复率从 3.69% 降到 2.88%

重复率是什么？就是 AI 输出重复内容的比例。重复率高，说明 AI 在”瞎猜”——它不知道该读哪里，就在那儿瞎编。重复率下降，说明 AI 的阅读逻辑更准确了，瞎猜变少了。

最后

写到这里，我觉得这篇论文的意义不只是改进了 OCR，而是指向了一个更大的方向——统一全模态编码器。

DeepSeek 在论文里说，DeepEncoder V2 的架构可以扩展到其他模态。未来，同一个编码器可能处理图像、音频、文本，都通过”观察全局 → 决定顺序 → 因果推理”的逻辑。

为什么这么说？因为 DeepEncoder V2 的核心不是”视觉特征提取”，而是”因果推理能力”。图像需要按语义顺序读，音频需要按时间顺序理解，文本本身就需要因果注意力。

如果这些模态都通过同一个编码器处理，它们就能共享”因果推理”的能力，而不是每个模态单独设计一套架构。

这可能是通向原生多模态的一条路。

参考资料：

本文由 @卡萨丁AI 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议