新闻详情

新闻详情

首页 / 资讯中心 / 详情

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

发布时间:2026/11/17 3:24:07来源:尧图网络
DeepSeek-OCR-2架构深度解析:Visual Causal Flow背后的LM as Vision Encoder
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
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉