Продуктивность 01.02.2026 чтения обновлено 04.05.2026

Deepseek OCR 2: революционный подход к распознаванию документов

Китайская компания Deepseek представила новую технологию обработки изображений, которая анализирует документы подобно человеческому зрению и превосходит Gemini 3 Pro

Андрей Сарапулов редактор

Deepseek OCR 2: революционный подход к распознаванию документов

Китайская компания Deepseek представила инновационный визуальный энкодер, который обрабатывает информацию в изображениях совершенно новым способом. В отличие от традиционных моделей, которые анализируют изображение строго по частям сверху вниз и слева направо, новая система работает более естественно - как человеческий глаз.

Традиционные системы компьютерного зрения разбивают изображения на маленькие фрагменты и обрабатывают их в фиксированном порядке. Однако люди воспринимают информацию иначе - наш взгляд следует за содержанием. Например, глядя на спираль, мы не сканируем ее построчно, а следуем за формой.

Новый DeepEncoder V2 сначала обрабатывает визуальные элементы на основе их содержания, перегруппировывая их по контексту, прежде чем языковая модель начнет интерпретацию. В основе системы - компактная языковая модель на базе Alibaba Qwen2 0.5B вместо традиционного компонента CLIP.

Важное преимущество новой технологии - эффективность. Deepseek OCR 2 использует всего от 256 до 1120 визуальных токенов для обработки изображения, в то время как аналогичным моделям требуется более 6000-7000 токенов. При этом точность распознавания достигает 91.09% на тестовом наборе OmniDocBench v1.5, что на 3.73% лучше предыдущей версии.

Система также показывает улучшенные результаты в плане повторений - важного показателя качества распознавания текста. При использовании в качестве OCR-движка для языковых моделей Deepseek частота повторений снизилась с 6.25% до 4.17%.

Однако есть и ограничения - модель хуже справляется с газетными страницами из-за меньшего количества токенов и недостаточного объема тренировочных данных в этой категории.

Разработчики видят в DeepEncoder V2 шаг к универсальной обработке различных типов данных. В будущем эта архитектура может эволюционировать для работы с текстом, речью и изображениями в рамках единого подхода. Код и веса модели находятся в открытом доступе на GitHub и Hugging Face.