告别CLIP！DeepSeek-OCR-2开源：首创视觉因果流，用LLM重构视觉编码

背景：在多模态大模型领域，传统视觉编码器（如ViT或CLIP）在处理复杂文档时，因采用光栅扫描方式将二维图像展平为一维序列，常导致语义与阅读顺序错配。研究目的：DeepSeek团队开源DeepSeek-OCR-2模型，旨在通过创新的“视觉因果流”范式，使用纯LLM架构重构视觉编码，以解决文档解析中的顺序混乱问题，并验证原生多模态编码的可行性。结论：该模型摒弃了CLIP视觉分支，引入DeepEncoder V2架构，通过可学习查询和因果注意力机制，将视觉信息按语义逻辑动态重排为1D序列。实验表明，它在显著降低Token开销的同时，提升了阅读顺序准确性和生成稳定性，证明了逻辑流在文档理解中的重要性，但也指出其信息有损压缩策略可能不适用于需要像素级精度的任务。