在线教程｜DeepSeek-OCR 2公式/表格解析同步改善，以低视觉token成本实现近4%的性能跃迁
💡
原文中文，约1900字，阅读约需5分钟。
📝
内容提要
DeepSeek-AI推出的DeepSeek-OCR 2通过新架构DeepEncoder V2，解决了文档OCR中的布局解析和语义对齐问题，显著提升了文档理解准确率，尤其在公式和表格解析方面表现突出。
🎯
关键要点
- DeepSeek-OCR 2通过新架构DeepEncoder V2解决文档OCR中的布局解析和语义对齐问题。
- 传统模型采用固定的栅格扫描顺序，导致解析误差，尤其在处理复杂公式和表格时。
- DeepEncoder V2引入了LLM风格的视觉编码范式，采用双向注意力与因果注意力的融合。
- DeepEncoder V2的创新包括使用Qwen2-0.5B LLM替代CLIP，赋予视觉编码因果推理能力。
- 引入因果流查询，保持视觉token的全局感知并允许基于语义重组视觉顺序。
- 支持256–1,120个视觉token的多裁剪策略，兼顾效率与主流大模型的token预算。
- DeepSeek-OCR 2在OmniDocBench v1.5基准测试中实现91.09%的整体准确率，较前代提升3.73%。
- 公式解析准确率提升6.17%，表格理解性能提升2.5%-3.05%，文本编辑距离减少0.025。
- 在保持16倍视觉token压缩率的前提下，在线服务的重复率显著降低。
- DeepSeek-OCR 2以更低的视觉token成本，提供高精度文档OCR的性价比方案。
- DeepSeek-OCR 2已上线至HyperAI超神经官网的教程板块，用户可体验一键部署教程。
❓
延伸问答
DeepSeek-OCR 2的主要创新是什么？
DeepSeek-OCR 2的主要创新是采用了DeepEncoder V2架构，结合了双向注意力与因果注意力，提升了视觉token的语义驱动式重排能力。
DeepSeek-OCR 2在公式和表格解析方面的表现如何？
DeepSeek-OCR 2在公式解析准确率上提升了6.17%，表格理解性能提升了2.5%-3.05%。
DeepSeek-OCR 2如何解决传统OCR模型的布局解析问题？
DeepSeek-OCR 2通过引入因果流查询和语义重组视觉顺序，消除了传统模型的空间顺序偏见，使模型能够依据语义关系动态组织文本。
DeepSeek-OCR 2的准确率在基准测试中表现如何？
在OmniDocBench v1.5基准测试中，DeepSeek-OCR 2实现了91.09%的整体准确率，较前代提升了3.73%。
DeepSeek-OCR 2的视觉token成本如何？
DeepSeek-OCR 2以更低的视觉token成本，提供了高精度文档OCR的性价比方案，适合资源受限的场景。
如何使用DeepSeek-OCR 2的在线教程？
用户可以访问HyperAI超神经官网的教程板块，选择DeepSeek-OCR 2进行一键部署，按照步骤进行操作即可。
➡️
