DeepSeek-OCR-2架构深度解析：Visual Causal Flow背后的LM as Vision Encoder-云帆数科

DeepSeek-OCR-2架构深度解析Visual Causal Flow背后的LM as Vision Encoder【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2DeepSeek-OCR-2 是新一代文档 OCR 大模型其核心创新Visual Causal Flow视觉因果流用语言模型LM as Vision Encoder替代传统 CLIP 视觉编码器实现更接近人类阅读方式的视觉编码。本文将用通俗语言带你完整拆解它的架构设计、关键模块与快速上手方法。一图看懂整体架构先看官方架构图对比第一代 DeepEncoder 与新版本的差异左边的 DeepEncoder一代用CLIP ViT300M做非因果双向注意力编码右边的DeepEncoder V2则换成了LM as Vision EncoderQwen2 500M图像 patch 部分仍走非因果注意力而后面拼接的可学习 querylearnable query走因果注意力形成一条视觉因果流最终只保留 query 的输出作为图像表征。这就是标题中Visual Causal Flow的由来。三大核心模块Tokenizer、LM编码器、投影器模型主干由三部分串联完成视觉编码在 deepseek_ocr2.py 中一目了然模块实现作用① 视觉 Tokenizer80MSAM ViT-B16× 下采样把图像切成 16×16 的 patch压成低维特征② LM as Vision Encoder500M24 层 Qwen2 Decoder用非因果因果混合注意力聚合图像信息③ 线性投影器Linear 896→1280把视觉特征对齐到 LLM 的词嵌入维度之后特征送入基于 DeepSeek V2/V3 架构的语言模型支持 MLA生成 Markdown 文本。其中投影器就是一个简单的线性层见 build_linear.py。核心创新为什么用语言模型当视觉编码器传统做法是CLIP 提特征 → 拼接给 LLM视觉与语言之间存在语义鸿沟。DeepSeek-OCR-2 的思路是让视觉编码阶段就使用语言模型的结构从源头抹平这个鸿沟。关键实现在 qwen2_d2e.py核心机制有三点混合注意力掩码图像 patch token 之间用非因果双向注意力互相可见query token 用因果注意力逐个读完前面的图像信息。可学习 query 做信息压缩按分辨率注入 144 个或 256 个可学习 query见 qwen2_d2e.py#L247-L248最终只输出 query 部分作为整张图像的表征——相当于让模型按阅读顺序读完文档只留下摘要。新阅读顺序query 排列顺序即new reading order模拟人类从左到右、从上到下的阅读习惯这正是Visual Causal Flow的含义——信息沿因果链从图像流转到输出。这种解码器当编码器用Decoder as Encoder的设计让 OCR 结果天然更符合文档阅读顺序。动态分辨率全局局部双视图为了同时看清文档全貌和细小文字DeepSeek-OCR-2 采用双视图策略参数在 config.py 中配置全局视图整页图像 padding 到 1024×1024编码为 256 个 token把握版面结构局部视图大图自动按长宽比切分为最多 6 块 768×768 的裁剪块MAX_CROPS6每块编码为 144 个 token保证细节清晰视图分隔符用可学习的view_seperatortoken 区分局部与全局特征见 deepseek_ocr2.py#L442。分块逻辑在 image_process.py 的 count_tiles 中完成根据原图宽高比从候选比例里挑最接近的一个兼顾变形最小与 token 预算。快速上手两种推理方式方式一vLLM 推理推荐支持并发与流式输出python run_dpsk_ocr2_image.py # 单图流式输出 python run_dpsk_ocr2_pdf.py # PDF并发处理需先在 config.py 中修改INPUT_PATH/OUTPUT_PATH。方式二Transformers 推理python run_dpsk_ocr2.py完整示例见 run_dpsk_ocr2.py核心调用仅一行model.infer(...)并内置NoRepeatNGram解码策略ngram_norepeat.py抑制重复输出。两条常用 Prompt# 文档转 Markdown带版面理解 prompt image\n|grounding|Convert the document to markdown. # 纯自由 OCR无版面约束 prompt image\nFree OCR. 总结DeepSeek-OCR-2 用三个设计亮点重新定义了 OCR 大模型LM as Vision Encoder——语言模型直接编码图像消除视-文语义鸿沟Visual Causal Flow——非因果因果混合注意力让图像信息沿阅读顺序流动并被 query 压缩动态分辨率双视图——全局看版面、局部看细节token 数量可控。配套论文 DeepSeek_OCR2_paper.pdf 提供了完整的实验数据感兴趣的读者可以深入阅读。【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业数字化 ERP 产品动态

相关推荐

eSIM芯片选型指南：厂商格局、关键维度与ODM避坑实战

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views … · 2026/9/27 1:24:02

开源项目避坑指南：从选型到使用的实战经验

1. 引言：为什么开源项目也需要避坑开源项目为开发者带来了便利，但使用过程中也难免遇到各种让人头疼的问题。本文以实用视角，盘点开源项目中的常见坑点，帮助读者在选型和使用时少走弯路。 2. 文档篇：文档不全&#… · 2026/9/27 1:24:02

Altium Designer异形焊盘制作全攻略：自定义形状与封装库管理

5G互操作MML命令实战：参数配置与避坑指南

随机森林分类实战：从决策树原理到sklearn调参避坑指南

百度搜索不到任何网站免费工具推荐

网站被黑挂马搜不到?3个免费工具教你自查修复你的网站昨晚还好好的，今早打开百度一搜，首页直接消失，或者点击进去是一片空白，甚至弹出奇怪的赌博广告链接。这种网站被黑挂马不知道怎么办… · 2026/9/27 2:11:32

高通Thermal Engine温控配置实战：从发热降频到精准调优

#第 2 天｜电脑知道网站的 IP，为什么还要找路由器的 MAC 地址？

上一篇里，我们跟着浏览器走到了这一步：DNS 查出了网站的 IP 地址，电脑准备发送请求。问题来了。假设网站服务器的 IP 地址是 203.0.113.10，你的电脑知道这个地址，就能直接把数据发过去吗？ 不能。服务器可… · 2026/9/27 2:11:26

OpenCV+Python瓶口缺陷检测实战：从方案选型到参数调优

MATLAB雷达信号脉冲压缩仿真：LFM线性调频、匹配滤波与距离分辨率实现

简介：这套Matlab仿真工具完整呈现雷达信号脉冲压缩过程，从线性调频（LFM）信号生成、目标回波仿真到匹配滤波压缩处理均有可运行代码支撑，面向电子信息工程、计算机、数学等专业学生，适用于课程设计、期末大作… · 2026/9/27 0:00:01

汕头网站建设制作厂家避坑指南：5大注意事项救急

汕头网站建设制作厂家避坑指南：5大注意事项救急改个需求建站公司拖一周，这种憋屈事我见得太多了。很多汕头老板找本地建站团队，签合同前看着方案挺美，一上线就变脸。今天不聊虚的，直接拆解找汕头网站建设制作厂家时的5个核心注意事项… · 2026/9/27 0:00:01

多模态虚假新闻检测实战：BERT+ResNet双塔与对比学习

简介：基于PyTorch的多模态虚假新闻检测项目完整代码包，面向自然语言处理与计算机视觉交叉方向的开发者、科研人员及毕业设计选题者，解决社交媒体中文本与图像联合识别虚假新闻的问题。系统以BERT预训练模型提取文本语义特征，以Res… · 2026/9/27 0:00:01

MATLAB雷达信号脉冲压缩仿真：LFM线性调频、匹配滤波与距离分辨率实现

汕头网站建设制作厂家避坑指南：5大注意事项救急

多模态虚假新闻检测实战：BERT+ResNet双塔与对比学习

DeepSeek-OCR-2架构深度解析：Visual Causal Flow背后的LM as Vision Encoder

相关推荐

了解更多？预约专属演示