DeepSeek又出手，开源OCR-2

背景：传统OCR技术主要关注将图像中的文字准确提取出来，但往往忽略了文档的结构化信息，如标题、表格、引用等元素的阅读顺序，导致提取的文本需要人工重新整理。研究目的：DeepSeek团队开源了OCR-2模型，旨在解决传统OCR的“机械顺序”问题，通过引入“因果流查询”机制，让模型能够像人眼一样有选择、有顺序地理解图像内容，从而将图像直接转换为可直接使用的结构化内容。结论：OCR-2采用语言模型架构替代传统视觉模型进行视觉理解，通过动态token压缩技术将视觉token数量大幅减少，并在OmniDocBench基准测试中表现出色，整体准确率提升3.73%，阅读顺序识别误差率下降33%，实现了从“把图变成字”到“把图变成内容”的升级。