DeepSeek-OCR 2: что DeepSeek считает шагом вперед в распознавании документов

Фактчекинг: официальный артефакт есть, свежий релиз не подтвержден

В новостном мониторинге 24 июля появился официальный артефакт DeepSeek-OCR 2: репозиторий deepseek-ai/DeepSeek-OCR-2 с кодом, техническим отчетом и указанием на веса модели. Это повод разобрать технологию, но не основание утверждать, что DeepSeek именно сейчас выпустила новую OCR-модель.

Первичный репозиторий показывает публичный проект без опубликованных GitHub releases. В нем есть код, README, лицензия Apache-2.0, PDF технического отчета и папки проекта. История коммитов указывает на initial commit 27 января 2026 года, обновление README 30 января и последнее обновление 3 февраля. Корректная формулировка: официальный проект DeepSeek-OCR 2 снова попал в мониторинг, но это не доказывает новый релиз 24 июля.

Хронологию подтверждает arXiv. Работа DeepSeek-OCR 2: Visual Causal Flow опубликована как v1 28 января 2026 года; авторами указаны Haoran Wei, Yaofeng Sun и Yukun Li. Это первичный исследовательский источник. При разборе архитектуры и метрик лучше опираться на него, а не на пересказы агрегаторов.

По открытым материалам можно утверждать, что DeepSeek опубликовала исследовательский open-weight артефакт с кодом и описанием модели. Open-weight означает, что веса модели доступны для использования и экспериментов. Более сильные заявления, например о готовом промышленном OCR-сервисе для бизнеса или новом июльском product launch, выбранные источники не подтверждают.

Поэтому главный вопрос не в громкости июльского инфоповода, а в том, что DeepSeek считает развитием OCR-направления. OCR-2 интересен как попытка перейти от извлечения текста из изображения к восстановлению порядка чтения и структуры документа: колонок, таблиц, формул, подписей и связей между блоками. Для документов это критично. Ошибка часто возникает не в отдельной букве, а в том, что модель неверно собирает страницу в связный текст.

Цитата в переводе

«Исследовать более человекоподобное визуальное кодирование.»

Что считается шагом вперед: прочитать и упорядочить

OCR для документов давно не сводится к распознаванию символов. OCR, или optical character recognition, это технология извлечения текста из изображения. В скане договора, научной статьи или инструкции модель должна не только увидеть буквы, но и понять, в каком порядке читать страницу.

Две колонки могут ошибочно склеиться в одну строку, таблица может распасться на набор несвязанных ячеек, формула потерять подпись, а сноска попасть в середину абзаца. Для человека порядок чтения задан макетом и смыслом. Для модели страница обычно сначала превращается в набор визуальных фрагментов, или patch tokens.

Первая версия DeepSeek-OCR была построена вокруг optical 2D mapping и vision-text compression. Документ рассматривался как изображение, которое нужно сжать в ограниченное число визуальных токенов, а затем восстановить текст декодером.

По отчету о DeepSeek-OCR, архитектура включала DeepEncoder примерно на 380 млн параметров и декодер DeepSeek3B-MoE-A570M: 3B MoE-декодер, у которого активируется около 570 млн параметров на проход. MoE, mixture of experts, это архитектура, где для конкретного запроса используется часть специализированных блоков модели. Для входа 1024×1024 DeepEncoder сначала получал 4096 patch tokens, после чего компрессор снижал их число до 256.

DeepSeek-OCR 2 сохраняет ставку на сжатие, но меняет логику обработки. Компания вводит DeepEncoder V2 и концепцию Visual Causal Flow. В упрощенном виде модель должна не передавать визуальные фрагменты дальше в фиксированном растровом порядке, а организовывать их в последовательность causal flow tokens. Эти токены с учетом уже собранного контекста выбирают и упорядочивают визуальную информацию для LLM-декодера. LLM, large language model, это большая языковая модель, которая генерирует или преобразует текст на основе контекста.

Именно здесь DeepSeek видит шаг вперед. Визуальные токены получают bidirectional attention, то есть могут учитывать соседние фрагменты в обе стороны. Learnable query и causal flow tokens работают с causal attention, где следующий шаг зависит от предыдущего. В языковой декодер поступают именно causal flow tokens. Практический смысл этой идеи: лучше восстанавливать структуру документа при ограниченном бюджете визуальных токенов.

Цитата в переводе

«Код и веса модели находятся в публичном доступе.»

Чем OCR-2 отличается от первой версии

Разница между версиями не сводится к обновлению весов. Первая DeepSeek-OCR показывала, что текстовую информацию можно агрессивно упаковать в малое число визуальных токенов. DeepSeek-OCR 2 пытается доказать: сжатия изображения недостаточно, визуальный поток нужно правильно организовать. Документ трактуется не как плоская сетка, а как структура, где блоки должны складываться в осмысленную последовательность.

В отчете OCR-2 указано, что visual tokens, подаваемые в LLM, ограничены диапазоном 256–1120. Нижняя граница соответствует токенизации 1024×1024 в DeepSeek-OCR первой версии. Верхняя используется для более богатых входов и экспериментальных сопоставлений. Для практики это развилка: меньше визуальных токенов потенциально означает более дешевый inference, то есть выполнение модели на новых данных, но слишком жесткое сжатие может вредить мелкому тексту, плотным таблицам и сложной верстке.

Показателен и формат результата. В README DeepSeek-OCR-2 базовый сценарий описан как преобразование документа в markdown, а альтернативный режим как Free OCR. Это позиционирует модель не только как инструмент распознавания строк, но и как компонент document parsing: превращения страницы в структурированный текст, пригодный для поиска, RAG, загрузки в базу знаний или последующей разметки. RAG, retrieval-augmented generation, это подход, при котором языковая модель отвечает с опорой на найденные документы.

Открытый репозиторий все же не равен готовому корпоративному продукту. Код и веса позволяют разработчикам экспериментировать локально, сравнивать модель на своих PDF и сканах, строить прототипы. Они не подтверждают наличие managed-сервиса с SLA, стабильной стоимостью, юридическими гарантиями и готовым контуром обработки чувствительных документов. Managed-сервис это управляемый поставщиком сервис; SLA это соглашение об уровне обслуживания. По доступным источникам корректнее говорить об исследовательском open-weight проекте.

Заявленные метрики: где DeepSeek показывает улучшение

Главный числовой аргумент DeepSeek: результаты на OmniDocBench v1.5. В отчете OCR-2 новая модель получает Overall Edit Distance 0.100 против 0.129 у DeepSeek-OCR первой версии. В этих метриках ниже значит лучше: edit distance отражает отличие результата от эталона.

Улучшения заявлены и по отдельным категориям: Text Edit 0.048 против 0.073, Formula Edit 0.198 против 0.236, Table Edit 0.096 против 0.123, Reading order Edit 0.057 против 0.085. Для обычного читателя это не просто набор дробей. В OCR документов важно не только распознать символы, но и не перепутать, что к чему относится на странице.

Самый содержательный сигнал связан с reading order, то есть порядком чтения. Снижение R-order Edit с 0.085 до 0.057 соответствует архитектурной заявке DeepSeek: Visual Causal Flow должен лучше собирать страницу в правильной последовательности. Для многостолбцовых PDF, научных статей, презентаций и учебников это может быть важнее, чем прибавка в распознавании обычного абзаца.

Если порядок блоков нарушен, downstream-модель или поисковый индекс получают текст, который формально распознан, но смыслово испорчен. Downstream-модель это модель, использующая результат предыдущего этапа как вход. В RAG-системе такая ошибка может пройти дальше по цепочке: плохой порядок чтения превращается в плохой контекст, а плохой контекст в уверенный, но неверный ответ.

При этом отчет DeepSeek не показывает полного доминирования OCR-2 во всех сценариях. В сравнении по девяти типам документов reading order у новой версии лучше прежней во всех перечисленных типах. Но в текстовом распознавании есть слабое место: newspapers. Там DeepSeek-OCR 2 показывает 0.139 ED против 0.131 ED у первой версии. Компания объясняет это ограничением visual tokens для text-super-rich newspapers и недостатком газетных данных: в training data указано 250k relevant samples.

Для production-сценариев DeepSeek отдельно приводит repetition rate, долю повторяющихся фрагментов. По отчету, для online-user-log images повторения снижаются с 6.25% до 4.17%, а для PDF pretrain-data pipeline с 3.69% до 2.88%. Это полезный операционный показатель: повторяющиеся фрагменты действительно портят корпуса и downstream-задачи. Но repetition rate не равен OCR-точности. Он не гарантирует правильность каждой цифры, структуры таблицы или критического поля.

Цитата в переводе

«Визуальное достоинство или языковой костыль: что движет производительностью DeepSeek-OCR?»

Методологический риск: модель может достраивать текст по языку

Серьезная оговорка связана не с OCR-2 напрямую, а с независимой критикой первой версии. Работа Visual Merit or Linguistic Crutch? A Close Look at DeepSeek-OCR задает вопрос, насколько результат модели обеспечен реальным визуальным распознаванием, а насколько языковыми priors, то есть ожиданиями о том, какие слова и последовательности обычно встречаются в тексте.

Авторы стресс-теста сообщают, что при разрушении языковой поддержки производительность DeepSeek-OCR падает примерно с 90% до 20%. На zero-prior random text, где нельзя опереться на смысл и частотные языковые шаблоны, DeepSeek-OCR Tiny показывает 19.84% precision, Small 42.12%, Base 61.70%. Для сравнения, в той же постановке PaddleOCR-v5 указан с 89.53% precision.

Это не обычный benchmark реальных документов, а специально жесткая проверка. Она хорошо показывает уязвимость end-to-end OCR/VLM: модель может не читать, а правдоподобно угадывать. VLM, vision-language model, это модель, которая совместно обрабатывает изображения и текст.

Для деловых документов такой риск особенно чувствителен. Номера договоров, артикулы, VIN, ИНН, серийные коды, даты, суммы, редкие фамилии и короткие табличные значения часто не имеют богатого языкового контекста. Если модель опирается на языковую догадку, она может выдать аккуратный markdown с неверной цифрой. В интерфейсе результат выглядит убедительно, а в бизнес-процессе превращается в ошибку сверки, платежа или идентификации.

Автоматически переносить вывод критики на DeepSeek-OCR 2 нельзя: проверялась первая версия. Но игнорировать его тоже нельзя, потому что OCR-2 продолжает линию end-to-end визуально-языкового распознавания и visual-text compression. Осторожный вывод такой: DeepSeek заявляет улучшение структуры и порядка чтения, но до независимых тестов OCR-2 на бессмысленных строках, кодах, русскоязычных формах и плохих сканах риск языковых галлюцинаций остается открытым.

Практическая ценность: где OCR-2 может пригодиться

Наиболее убедительный сценарий для DeepSeek-OCR 2: сложные документы, которые нужно превратить в markdown или другой структурированный текст. Это научные статьи, инструкции, отчеты, учебники, презентации, страницы с таблицами и формулами. Если заявленное улучшение reading order подтвердится на сторонних наборах, OCR-2 может быть полезен не как универсальная замена всем OCR, а как компонент layout-aware parsing: извлечения текста с учетом макета.

Второй сценарий: подготовка данных для LLM и VLM. DeepSeek в отчете описывает production use case, связанный с online OCR service для DeepSeek-LLMs и batch PDF processing для pretraining data pipeline. В первой версии компания заявляла масштаб 200k+ pages/day на single A100-40G и 33 million pages/day на 20 nodes × 8 A100-40G. Эти числа относятся к заявлению DeepSeek и требуют проверки на сторонней инфраструктуре, но они объясняют мотивацию: OCR для современных LLM это еще и фабрика данных.

Третий сценарий: локальные эксперименты команд, которым нужны открытые веса и контроль над пайплайном. Наличие официального GitHub-репозитория, лицензии Apache-2.0 и модельной коллекции на Hugging Face делает OCR-2 удобным объектом для прототипирования. Перед production придется отдельно измерять задержку, потребление GPU-памяти, стабильность на больших PDF, качество на сканах разного уровня, устойчивость к поворотам, печатям, шумам и смешанным языкам.

Четвертый сценарий: RAG-системы. В них качество ответа зависит от качества извлеченного документа. Если OCR перепутал порядок колонок или сломал таблицу, языковая модель получит плохой контекст и будет уверенно отвечать на основе искаженного текста. Поэтому улучшение reading order и table edit может иметь больший практический эффект, чем кажется по общей метрике edit distance.

Российский контекст и ограничения для внедрения

Для российских команд практическая ценность OCR-2 упирается не только в качество распознавания. Во многих сценариях документы содержат персональные данные, коммерческую тайну, финансовые реквизиты и юридически значимые поля. Если модель используется как open-weight компонент, команда получает больше контроля над контуром обработки, но вместе с этим берет на себя инфраструктуру, безопасность, мониторинг и проверку качества.

По выбранным источникам нельзя утверждать, что DeepSeek-OCR 2 уже адаптирован к российским формам или превосходит специализированные IDP-системы на русскоязычных документах. IDP, intelligent document processing, это класс систем для извлечения и проверки данных из документов.

Особая осторожность нужна в задачах с высокой ценой ошибки: финансовых документах, кадровых материалах, договорах, актах, накладных, банковских выписках и юридических шаблонах. В них общий аккуратный markdown менее важен, чем точное совпадение конкретных полей. Даже если модель хорошо восстанавливает порядок чтения, это не отменяет проверки номеров, сумм, дат, кодов и табличных значений.

Контраргумент в пользу OCR-2 понятен: классические OCR-пайплайны часто плохо справляются со сложным макетом, а ручная настройка правил для каждой формы дорога. Подход DeepSeek может быть полезен там, где документов много, верстка неоднородна, а результат нужен в структурированном текстовом виде. Но этот аргумент работает только после теста на собственных данных. Заявленные метрики автора модели не заменяют регрессионный набор компании и ручную проверку критических ошибок.

Как тестировать DeepSeek-OCR 2 перед внедрением

Тестировать OCR-2 лучше не вопросом «лучше ли DeepSeek вообще», а вопросом «лучше ли он на наших документах и наших ошибках». Минимальная схема: собрать репрезентативный набор PDF и сканов, вручную разметить эталон, отдельно оценить обычный текст, таблицы, формулы, порядок чтения, подписи, колонтитулы и критические поля.

Для разных задач нужны разные метрики: CER и WER для текста, edit distance для markdown, exact match для номеров и кодов, отдельная оценка структуры таблиц. CER и WER это доля ошибок на уровне символов и слов; exact match это точное совпадение с эталоном.

Сравнение должно включать не только первую DeepSeek-OCR, но и текущий рабочий пайплайн: классический OCR, специализированный IDP, VLM-модель или гибридную схему. В набор стоит добавить негативные кейсы: случайные строки, артикулы, серийные номера, плотные таблицы, мелкий шрифт, низкое качество скана, перекос страницы, смешение русского и английского, печати и рукописные пометки. Именно там языковые priors перестают помогать и начинают вредить.

Наконец, нужен эксплуатационный тест. Открытая модель с хорошей метрикой может оказаться слишком дорогой по GPU, нестабильной на длинных PDF или неудобной для массовой очереди задач. README и репозиторий показывают путь к запуску и экспериментам, но production требует отдельного слоя: повторяемых сборок, логирования входов и выходов, мониторинга drift, хранения версий, безопасной обработки документов и процедуры отката. Drift это изменение распределения данных или качества модели со временем.

Чек-лист проверки OCR-2 на своих документах

Этот блок стоит вынести в отдельный файл downloads/deepseek-ocr-2-checklist.pdf, чтобы команда могла использовать его при пилоте или внутреннем сравнении OCR-пайплайнов.

Соберите тестовый корпус

В тестовом наборе должны быть не только красивые PDF, но и реальные документы, на которых обычно ломается OCR: плохие сканы, перекосы, плотные таблицы, мелкий шрифт, смешанные языки и нестандартная верстка.

• Добавьте PDF и сканы из реальных рабочих процессов.
• Разделите документы по типам: договоры, счета, акты, инструкции, научные статьи, таблицы, формы.
• Отдельно включите документы с русским и английским текстом.
• Добавьте негативные кейсы: случайные строки, артикулы, серийные номера и короткие коды.
• Не используйте только документы, на которых модель уже выглядит хорошо.

Разметьте эталон

Без ручного эталона сравнение быстро превращается в субъективный просмотр красивых markdown-файлов. Для внедрения важна не презентационная убедительность, а проверяемые ошибки.

• Подготовьте эталонный текст для обычных абзацев.
• Отдельно разметьте таблицы, формулы, подписи и порядок чтения.
• Для номеров, кодов, сумм и дат используйте exact match.
• Сохраняйте эталон и результаты в версионируемом наборе.
• Фиксируйте, какие ошибки считаются блокирующими для бизнеса.

Сравните с текущим пайплайном

DeepSeek-OCR 2 нужно оценивать не в вакууме, а рядом с тем, что уже используется в компании. Иногда новая модель лучше собирает макет, но хуже справляется с критическими полями.

• Сравните OCR-2 с текущим OCR, IDP или гибридной схемой.
• Отдельно оцените первую DeepSeek-OCR, если она есть в тестовой матрице.
• Проверьте CER, WER, edit distance и exact match.
• Замерьте качество reading order для многостолбцовых страниц.
• Проверьте устойчивость к поворотам, шуму, печатям и рукописным пометкам.

Проверьте эксплуатацию

Даже удачная исследовательская модель может оказаться неудобной в production. Для документов важны стоимость, повторяемость, контроль версий, безопасность и понятная процедура отката.

• Замерьте задержку и потребление GPU-памяти.
• Проверьте стабильность на длинных PDF и массовой очереди задач.
• Настройте логирование входов, выходов и ошибок.
• Определите правила обработки персональных данных и коммерческой тайны.
• Подготовьте мониторинг качества и план отката на прежний пайплайн.

Что это означает на практике

Если убрать шум вокруг даты, DeepSeek-OCR 2 выглядит как логичное продолжение исследовательской линии DeepSeek в OCR: меньше внимания к простой демонстрации распознавания текста, больше внимания к тому, как документ превращается в последовательность, пригодную для LLM и дальнейшей обработки.

Для редакционного и технического чтения важны несколько выводов.

• Не формулировать новость как «DeepSeek выпустила OCR-2 24 июля»: первичные метаданные указывают на январский исследовательский артефакт и отсутствие GitHub releases. Корректный повод: повторное появление официального проекта в мониторинге.
• Главная техническая идея OCR-2: Visual Causal Flow. Модель пытается упорядочивать визуальную информацию по смыслу документа, а не только читать сетку патчей в фиксированном порядке.
• Самые релевантные заявленные улучшения касаются порядка чтения, таблиц и формул: на OmniDocBench v1.5 DeepSeek сообщает Overall Edit Distance 0.100 против 0.129 у первой версии и R-order Edit 0.057 против 0.085.
• OCR-2 стоит рассматривать как open-weight исследовательский компонент для экспериментов с markdown-парсингом документов, а не как готовый промышленный OCR-сервис.
• Для документов с кодами, номерами, артикулами и короткими полями обязательны дополнительные проверки: независимая критика первой версии показала сильную зависимость DeepSeek-OCR от языковых priors в стресс-тестах.
• Перед внедрением нужны собственные benchmark-наборы: русскоязычные документы, плохие сканы, таблицы, юридические и финансовые формы, точные поля и негативные кейсы без языкового контекста.

Вывод

DeepSeek-OCR 2 интересен не тем, что DeepSeek «снова выпустила OCR», а тем, как компания формулирует следующий шаг: от распознавания текста на изображении к управлению визуальным потоком документа. Если первая версия была про агрессивное сжатие визуального представления, вторая делает ставку на порядок, чтобы модель читала сложный макет ближе к человеческой логике.

Заявленные результаты выглядят содержательно, особенно по reading order, таблицам и формулам. Но они остаются результатами автора модели, а не независимым стандартом для всех документов. Сохраняется и методологический риск, который показала критика первой версии: end-to-end OCR/VLM может красиво достраивать текст там, где нужно строго видеть символы.

Практический вывод сдержанный: DeepSeek-OCR 2 стоит тестировать, если у команды есть сложные PDF, потребность в markdown-парсинге и возможность развернуть модель локально. Но в финансовых, юридических, кадровых и других high-stakes сценариях ее нельзя принимать на веру. OCR для документов это система контроля ошибок, метрик, валидации и ответственности за каждую важную цифру, а не демо на удачной странице.

Источники

• DeepSeek-OCR 2 на GitHub
• DeepSeek-OCR 2: Visual Causal Flow на arXiv
• Visual Merit or Linguistic Crutch? A Close Look at DeepSeek-OCR на arXiv
• DeepSeek-OCR 2 - GitHub в новостном мониторинге
• Коллекция DeepSeek-OCR на Hugging Face
• DeepSeek-OCR на arXiv

Частые вопросы

DeepSeek действительно выпустила DeepSeek-OCR 2 в июле 2026 года?

По доступным источникам это не подтверждено. Новостный мониторинг 24 июля снова показал официальный проект, но GitHub-репозиторий не содержит releases, а технический отчет на arXiv датирован 28 января 2026 года.

Что такое Visual Causal Flow в DeepSeek-OCR 2?

Это заявленная DeepSeek схема организации визуальных токенов документа в последовательность causal flow tokens. Идея в том, чтобы лучше передавать языковому декодеру порядок чтения и структуру страницы, а не только набор визуальных фрагментов.

Чем DeepSeek-OCR 2 отличается от первой DeepSeek-OCR?

Первая версия делала акцент на агрессивном сжатии визуального представления документа. OCR-2 сохраняет сжатие, но добавляет логику Visual Causal Flow, чтобы улучшить восстановление порядка чтения, таблиц, формул и связей между блоками.

Можно ли использовать DeepSeek-OCR 2 как готовый промышленный OCR-сервис?

Выбранные источники подтверждают исследовательский open-weight проект с кодом и описанием модели, но не подтверждают наличие готового managed-сервиса с SLA, юридическими гарантиями и промышленным контуром обработки документов.

Где DeepSeek заявляет улучшение OCR-2?

В отчете указаны результаты на OmniDocBench v1.5: Overall Edit Distance 0.100 против 0.129 у первой версии, а Reading order Edit 0.057 против 0.085. Ниже в этих метриках значит лучше.

Какие риски остаются у DeepSeek-OCR 2?

Главный риск для внедрения: модель может уверенно достраивать текст по языковым шаблонам там, где нужно строго распознать символы. Независимая критика проверяла первую версию, поэтому вывод нельзя автоматически переносить на OCR-2, но его нужно учитывать в тестах.

Практический чек-лист

Чек-лист проверки DeepSeek-OCR 2 перед внедрением

PDF для downloads/deepseek-ocr-2-checklist.pdf. Его можно дать команде, которая сравнивает DeepSeek-OCR 2 с текущим OCR, IDP или VLM-пайплайном на собственных документах.

1. Соберите тестовый корпус

• Добавьте PDF и сканы из реальных рабочих процессов.
• Разделите документы по типам: договоры, счета, акты, инструкции, научные статьи, таблицы и формы.
• Отдельно включите документы с русским и английским текстом.
• Добавьте негативные кейсы: случайные строки, артикулы, серийные номера и короткие коды.
• Не используйте только документы, на которых модель уже выглядит хорошо.

2. Разметьте эталон

• Подготовьте эталонный текст для обычных абзацев.
• Отдельно разметьте таблицы, формулы, подписи и порядок чтения.
• Для номеров, кодов, сумм и дат используйте exact match.
• Сохраняйте эталон и результаты в версионируемом наборе.
• Фиксируйте, какие ошибки считаются блокирующими для бизнеса.

3. Сравните с текущим пайплайном

• Сравните OCR-2 с текущим OCR, IDP или гибридной схемой.
• Отдельно оцените первую DeepSeek-OCR, если она есть в тестовой матрице.
• Проверьте CER, WER, edit distance и exact match.
• Замерьте качество reading order для многостолбцовых страниц.
• Проверьте устойчивость к поворотам, шуму, печатям и рукописным пометкам.

4. Проверьте эксплуатацию

• Замерьте задержку и потребление GPU-памяти.
• Проверьте стабильность на длинных PDF и массовой очереди задач.
• Настройте логирование входов, выходов и ошибок.
• Определите правила обработки персональных данных и коммерческой тайны.
• Подготовьте мониторинг качества и план отката на прежний пайплайн.