深度求索开源新模型 DeepSeek-OCR 2，提出“Visual Causal Flow”-低调大师

深度求索开源新模型 DeepSeek-OCR 2，提出“Visual Causal Flow”

2026-01-27 2

深度求索刚刚发布最新开源模型： DeepSeek-OCR 2，引入了全新的 DeepEncoder V2 视觉编码器。该编码器的架构打破了传统模型按固定顺序（从左上到右下）扫描图像的限制，转而模仿人类视觉的「因果流（Causal Flow）」逻辑。

项目地址：https://github.com/deepseek-ai/DeepSeek-OCR-2
模型下载：https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
论文地址：https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf

据介绍，DeepEncoder V2 让 AI 基于图像含义动态重新排列图像片段，而非传统的从左到右刚性扫描。这种方法模仿了人类追随场景逻辑流的方式。

传统的 VLMs 通常按固定的光栅扫描顺序（从左上到右下）处理图像，这种僵化的方式不符合我们的视觉感知，人类是基于内容的灵活扫描，而且在处理复杂布局，如表格、公式、多栏文本时会引入错误的信息。

而 OCR 2，就是利用新型编码器 DeepEncoder V2，给了模型「视觉因果流 Visual Causal Flow」的能力，让模型能够根据图像内容，动态地重新排序视觉 Token。

该架构采用了一种定制化的注意力掩码（Attention Mask）策略：

视觉 Token 部分：保留双向注意力机制，确保模型能够像CLIP一样拥有全局感受野，捕捉图像的整体特征。

因果流 Token 部分：采用因果注意力机制（类似 Decoder-only LLM），每个查询 Token 只能关注之前的 Token。

通过这种设计，视觉 Token 保持了信息的全局交互，而因果流 Token 则获得了重排序视觉信息的能力。DeepSeek-OCR 2 采用了多裁剪策略（Multi-crop strategy），根据图像分辨率不同，最终输入 LLM 的重排序视觉 Token 总数在 256 到 1120 之间。

DeepSeek 团队认为，这为迈向统一的全模态编码器提供了一条有希望的路径。未来，单一编码器可能通过配置特定模态的可学习查询，在同一参数空间内实现对图像、音频和文本的特征提取与压缩。DeepSeek-OCR 2所展示的“两个级联的 1D 因果推理器”模式，通过将 2D 理解分解为“阅读逻辑推理”和“视觉任务推理”两个互补子任务，或许代表了实现真正 2D 推理的一种突破性架构方法。

相关阅读

DeepSeek 团队发布最新开源模型 DeepSeek-OCR
由 DeepSeek-OCR 启发的新思路：所有输入给 LLM 的内容都只应该是图像

微信关注我们

原文链接：https://www.oschina.net/news/399867

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

“自由软件之父” RMS 抨击 AI、联网汽车和智能手机

自由软件之父 RMS （理查德·斯托曼）上周在亚特兰大佐治亚理工学院发表演讲，继续他对自由软件的长期倡议，同时也谈及了当今的新兴技术。谈到人工智能时，RMS 警告称：“如今，人们常常用‘人工智能’这个词来指代一些根本不智能的东西……”。他坚持将大语言模型称为“生成器”，因为“它们生成文本，但并不真正理解这些文本的含义”，而且它们还会“面不改色地犯错，所以你不能相信它们生成的任何东西”。 RMS 表示：“每当大家称它们为人工智能，你就是在认可它们具有智能的说法，而它们并非如此。所以我干脆拒绝这么叫。“ 因此，RMS提出了‘伪智能’（Pretend Intelligence）这个词，可以简称它为 PI。 RMS 说道：“如果我们更频繁地使用 PI 这个词，或许就能帮助打破这种营销炒作——这场炒作想让人们信任这些系统，把自己的生活和一切活动都交给这些系统，以及背后开发和控制它们的大公司。顺便说一句，据我所知，它们都不是自由软件。” 谈到如今的汽车，RMS 表示它们包含“恶意功能……汽车不应该联网，也不应该上传任何内容。”他还补充道：“我希望能找到一位技术娴熟的技师，与我合作开展一个项目，制...

2026-01-27

3

《21世纪经济报道》独家获悉，在近期的内部战略会上，百度智能云高管定调，2026 年 AI 相关收入目标增速从 100% 上调至 200%，全员力拼高增长，在 AI 云市场全力抢第一。《2025 年大模型相关招投标》数据显示，2025 年中国主流云厂商大模型相关中标项目累计达 341 个，中标金额约 27 亿元。其中，百度智能云以 109 个中标项目，合计 9 亿元中标金额，连续两年成为中标项目数和中标金额最多的云厂商。根据 IDC 最新报告，到 2030 年，全球 AI 云市场规模预计将突破 4000 亿美元。从国内到国外，云厂商们为了更好地提供 Agent 服务都在尽力补齐短板：谷歌、亚马逊、微软开始力推自研芯片和模型，阿里、华为也都基于自研芯片争抢客户。百度智能云也在百度世界 2025 大会上正式对外升级 AI Infra + Agent Infra 的新一代全栈 AI 基础设施，构建起芯片 - AI 云 - 模型 - 智能体开发落地的一体化解决方案。

2026-01-27

2

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。