deepseekocr2跟V4区别

deepseek 今天甩出的 o c 二二，直接颠覆传统图文识别逻辑。 openai 联合创始人看完都直呼要改写历史 传统 o c 二啥套路？扣字成 txt 再识别又慢又机械。但 deepseek o c 二二直接反着来，它让 ai 像人一样按逻辑顺序看图，不是死板从左到右扫，而是跟着图像含义动态重排内容。更炸裂的是效率和精度。 别人要六千个视觉 token 干完的活，他一百个 token 直接拿下，效率狂飙十倍，识别准确率干到百分之九十七。理解准确度和复制粘贴文字没差，单张 a 一 百一天狂处理二十万页， mit 协议直接开源，现在 ai 都学会用看代替读了， 这进化速度谁顶得住啊？未来所有大模型备料都可能直接扔图像，传统玩法真要被扔进历史垃圾桶了。

大家好啊，就在昨天， diffic 又发模型了，而且古代的一个很详细的论文啊，它发布了新一代的这个大语言视觉模型啊，叫做 diffic ocr 二啊，你记得几个月之前，他发过一个 ocr， 那 么这个是 ocr 二， 它是在升级版啊，而且呢，它发了同步的论文，这不仅是 ocr 技术的迭代，更是视觉编码从固定格式扫描向与因果推理的一次跃迁啊。而 且在相关的基本测试中，它以百分之九十一点零九的综合准确率刷新了相关的榜单，叫前代呢，提升了百分之三点七三，已经大幅领先 欧美其他的这些 ocr 的 模型啊，更重要，它用了一个让 ai 具备人类的阅读逻辑，而非简单的文字扫描。这个事咱们先解决什么叫 ocr， 你 们记得那个扫描仪吗？ 扫描仪把那个纸放进去，或者把图片放进去，把它夸夸夸，把里面东西转成文字啊，这个东西的过程就叫 ocr， 就 把图片上的东西转成文字啊。所以他发的这个模型呢，不是 v 四，他发的模型依然是一个图形的解决模型，但这个模型的话呢，唯一的点就是说他让 ai 做了阅读逻辑，而不是以前的竹行的去扫描啊，以前的那个模型的话呢，长期依赖的这个编码器就是 c l i p 啊，这种编码器， 它就是光山扫描的顺序处理图像就是咵，扫出来发现这个东西一次是文字把它提炼出来啊，就从左上到右下，竹行呢，来 一行一行的来切分图像为固定的这样的一个一个行，然后强行将二维图像降为一维区域，忙扫，并不是这个里面有什么栏目布局，就直接把文字提炼出来，有什么样的标序什么的都不用管，段落也不管啊，甚至表格也不管啊，乱序的只要文字都提炼出来。是这样的一个东西， 这个 o c r， 它这个模型精妙在哪呢？它用了一个叫做 devin connor 这样的 v 二这样一个架构，然后这个架构用 l l m t 在 c l a p， 它实际上就让大模型自己去理解，它不用那个编码器了，用大模型就去开源相关的大模型作为这个编码的骨 啊，用重编码器而轻解码器的这个方式，将语言模型的因果推理能力注入视觉处理流程，这是一个。另外一个，他又做了一个因果查询机制，他那里面引入因果查询，通过独立的注意力机制演码策略实现两级的推理。一个全感知层，就是 把整个的东西呢感知做一遍啊，就把整个这张图上的所有东西他都理解一遍。另外一个是因果逻辑，他要推理每个部分之间是什么样一个关系啊，每个查询只能关注前面的，不能关注 其他的，他把这个因果逻辑弄明白，那这样打磨星就知道了啊。这张图上到底谁跟谁是什么关系？我是不是要给你做个表格啊？我是不是要这样留出段落，我是不是要这空格啊？他这样的最终产生的是一个非常类似于原本这样文字这样一个 o c r 结果啊， 淘汰结果，而且他在做动态的语气排语序排列，他根据大模型对这事理解，最后还是要去叫，对啊，而且呢，更关键的是什么？他在保持高精度的同时控制着计算成本？ 他视觉 token 的 数量控制在多少呢？二百五十六到一千一百二十之间，也就是最多他就一千个左右的 token。 然后呢，跟那个 jimmy 三 pro 相当，但是它的规模参数呢？只是三 b 啊， jimmy 三 pro 是 多么庞大一个概念，而且它通过混合专家模式来实现的，所以在实际的生产测试环境中啊， 它在处理现行日制和 pdf 的 预训练的时候，识别的重复率分别下降了百分之二点零八和百分之零点八一， 极强的稳定性，而且得益于相关的压缩器的使用啊，它的模型支持动态分辨率是一零二四乘一零二四和一百加的语言，就是各种各样的语言的 ocr 移动端也可以实现文档处理。所以这个东西想什么啊，只要你要去识别图片中的文字，这个场景它都是可以使用的。更关键它是开源的啊，免费，它把什么都打在屏上了，而且它的成本极低，对吧？像那个拆 g p t 五点二啊，用这个事儿，它要大概要多少 token 呢？要用一万八千多个 token， 它有多少 token 呢？它最多用幺幺二零的 token， 所以 它的整个的算力的覆盖率和整体的成本的下降，那是限性的啊，而且它的开源，它的代码，它的论文全部都开出来了，所有人都可以在上面继续去 补刀，是吧？这个事就特别有意思了，而且昨天台元社区已经对这个事做了一个深度的解读，并且好多人就开始去尝试在自己的业务中接入这样的一个模型，而且我相信它逐渐的把这个事做了一个很多特性，大家都能看见了， 是吧？好吧，有朋友昨天晚上直播的人问我，老张，到哪去看你的会员视频，你会员视频好像很精致。这周的会员视频咱们着重在讲大芯片以及大芯片。为什么叫大芯片啊？为什么要用大芯片是吧？大芯片辅助有什么样的一些新的机会啊？这个东西呢？请大家关注小程序奥特斗斗与瑞克老张科普课。 关注这个啊，上面有那金卡，那是会员卡，点击那就可以了啊，咱们现在的会员幺三九九是平台给补贴的啊，一年一百八十个视频，三十二场以上的直播，是吧？所有专栏免费看，你说我不想加会员，没关系，我们有免费的专栏啊，那专栏是我们各个平台的内容精选，你就一网打尽了啊，就可以在这 进购，以后看，对吧？比如说我不知道我们会员讲的是啥，我们有会员的直播的回放，我们是特价九块九啊，可以买一个，可以先看一下，看一下对你有没有帮助，好不好啊？而且我们上面有客服的，可以加他啊，跟他好好聊。好吧，今天就到这，我是瑞克老张，关注我，带大家看中国科技的高度和温度，我们下期见，拜拜。

ai 圈的技术浮笔，往往藏在看似小升级里， deepsea 悄悄上线了 deepsea co c r， 距离上一代模型发布仅隔三个月，既不是刷新扳指 mark 的 sota 王者，也不是颠覆式架构重构。这款看似缝补式升级的模型，却让不少技术人嗅到了不简单的信号。 deepsea 频频死磕 oc 二，难道是在为传闻中的威斯模型铺路？比起前代，这次的核心改动全集中在眼睛上，也就是视觉编码器 deeppencodevr， 最关键的调整是把原本基于 clipp 的 视觉编码模块换成了 quincy 五百米大圆模型 l l m。 别觉得这只是简单替换，背后藏着对 ai 阅读逻辑的颠覆。传统视觉语言模型处理文档时就像个死板的打字员，不管是复杂表格、嵌套公式，还是多栏排版，都只会按左上到右下的固定顺序扫描，把二 d 图像强行拉平成先行序列位给模型，哪怕内容逻辑是跳跃的，也得逼着 l l m 自己去悟真实阅读顺序， 效率和准确率自然受限。而 deep c code c r 出了个新花样，给编码器加了因果查询能力。简单说就是让模型现在视觉测学会怎么看，不再机械扫频， 而是像人一样根据语义逻辑调整阅读顺序，看表格，先读表头，再看内容，看公式，先抓主干，再理分支，真正实现了语义驱动的灵活阅读。如果只看 ocr 任务本身，这次升级顶多算优化体验， 但 dpc 可在论文里的一句话，直接暴露了真实意图。 ocr 二的核心价值，是验证了 llm 作为视觉编码器的可行性， 这可不是小突破，而是通往原生多模态的关键一步。所谓原生多模态，核心是打破文本、图像、音频等数据的模态壁垒，让同一个编码器只要切换不同的模态，查询、嵌入，就能统一处理各类数据，真正实现万物皆可投垦，万物皆可因果推理。而 ocr 二正是这个宏大蓝图的技术试验田。用 llm 做视觉编码， 本质是在探索跨模态统一处理的底层逻辑。更巧的是，近期 get up 代码泄露的线索也让这一猜测更有说服力。开发者在 deep sec 的 推理优化库中发现了与 v 三点二平行的 model 一 架构标识被普遍解读为 v 四模型的前兆，且代码细节暗示即将适配新一代硬件。聚焦多模态与推理架构突破， 结合 ocr 的 技术验证，不难猜测，微四大概率会是一款以原生多模态为核心的旗舰模型。从 ocr 到通用智能， deepsea 再走一条笨路。比起直接堆参数冲榜单， deepsea 选择从 ocr 这个使用场景切入多模态，看似绕远路，实则暗藏巧思。 ocr 是 llm 时代最落地的视觉任务之一，文档中的表格公式多栏排版本身就是多模态理解的微缩场景。 现在这个场景里，验证 l l m 视觉编码因果推理的可能性，既能快速落地产生价值，又能为通用多模态模型积累实战数据。 毕竟，真正的通用智能从来不是靠实验室数据堆出来的，而是要在真实场景中打磨逻辑。正如 tipsix 在 论文中所说， o c r 只是视觉理解宏大图景的一小部分，从 clip 到 l l m 的 编码器替换，从固定扫描到因果推理的逻辑升级，每一步都在为打破模态边界铺路。 结合现有线索，传文中二月发布的 deepsea v 四大概率会搭载 mhc 新架构与多模态融合能力，而 oc 二二验证的 llm 视觉编码技术或许会成为其核心模块之一。 若能实现文本、图像、音频的统一，因果推理无疑会在国产大模型中撕开一道差异化口子。毕竟 ai 的 终极目标从不是更准的识别文字，而是像人一样看懂、读懂、想懂万物。 deepsea 的 这波操作，到底是技术铺垫，还是另有布局？咱们静待 v 四揭晓答案。

前两天呢，预热了很久的这个 deepsea 微四没有来，然后等来了 deepsea 开源了一个新的 ocr 模型 ocr 二。 然后大家可能会纳闷，就说一个搞这个大模型呢，为什么愣死磕这个 ocr 模型呢？嗯，其实这个， 嗯大模型训练的话，它需要很多的数据吗？嗯，这些数据大部分要么说来自于网上，要么说来自于书上， 然后你像这些数据很少有那种特别标准的结构化的，嗯，比如马克当啊， word 啊， t s t 啊这种这种格式的数据有很多都是论文，论文都是以什么形式呢？都是 pdf 的。 然后这些数据如果说让大模型去训练的话，总不能让人去把它抄下来吧？肯定是需要去把它快速的解析成这个 markdown 的 文档啊，或者说是嗯，训练所需要的这种这种格式文档。 这个我们很自然的就会想到用 ocr， 就 此刻这个自己的 ocr， 然后他有了自己的第一个版本，说实话就已经像比较传统的 ocr 来说有了一个很大的一个飞跃了，然后他现在又发布了自己的第二代的 ocr 模型。 以前呢，我们的 ocr 模型，嗯，更像是扫描仪在扫描，就是他是从左到右，然后就是从左上角到右下角，猪行的去扫描，然后去读取这个文本。但是你像报纸，像那种有分页有分栏的， 嗯，这些的话，它是有一些特殊格式和结构的，像这些的话，我们，嗯人一眼肯定一眼就能看出来，我们比如说先看左半边，再看右半边， 但是你传统的 ocr 它是不具备这个能力的，嗯，像现在它，嗯，新发布的这个 ocr 二模型呢， 就能够像人眼睛一样，就像说白了就是模拟人的这种习惯，然后他能够按着这个文本的意思去不对，去一边识别，然后一边理解，然后呢一边去读取后边的这个 文本，这样的话识别的准确率，还有据说他这个视觉透彻也能省很多。 这个应该是属于是在为训练更好的大模型来准备工具箱， 应该也不算是弹药。弹药的话就是数据吗？因为他这是前期准备数据的一个手段，我觉得他更更像是一个训练前的一个工具箱。其实我很不理解，就是 deepsea 他的母公司，嗯，换方量化呢，是做这种量化基金的，然后他说白说不好听点就是专门收购我们这些散户的嘛。但是他为什么在这个开元这条路上， 能够在中国这样的一个环境里边把开元这条路走这么深，而且走这么好，把这么多好的东西，好的技术都开源出来，让大家去免费的去使用。 嗯，我是说实话，我有点想不明白啊，我，我对本身对这个开元的这个模式我也没有看的特别透彻，包括像他的这个我就更没看太明白了，他是，难道说他是为了用这个 开元的贡献来去掩盖他量化嗯，镰刀的锋利吗？大家去来分析评价一下。