Neuer Ansatz in der optischen Zeichenerkennung mit DeepSeek-OCR 2
Inhaltsverzeichnis
Optimieren Sie Prozesse, automatisieren Sie Workflows und fördern Sie Zusammenarbeit – alles an einem Ort.
Das Wichtigste in Kürze
- DeepSeek-OCR 2 stellt eine Weiterentwicklung im Bereich der optischen Zeichenerkennung (OCR) dar, die eine menschenähnlichere Dokumentenanalyse ermöglicht.
- Das Kernstück ist der DeepEncoder V2, der visuelle Token auf Basis semantischer Inhalte dynamisch neu anordnet, anstatt einer starren Raster-Scan-Reihenfolge zu folgen.
- Diese Methode, bekannt als "Visual Causal Flow", zielt darauf ab, das Verständnis von Dokumenten mit komplexen Layouts, wie Tabellen und Formeln, signifikant zu verbessern.
- Das Modell verwendet eine Architektur, bei der ein Sprachmodell als visueller Encoder fungiert und kausale Abfrage-Token zur sequenziellen Interpretation von Inhalten eingesetzt werden.
- DeepSeek-OCR 2 zeigt auf Benchmarks wie OmniDocBench v1.5 eine verbesserte Leistung, insbesondere bei der Genauigkeit der Lesereihenfolge, und reduziert die Wiederholungsrate in Produktionsumgebungen.
- Die Forschung deutet darauf hin, dass die Zerlegung des 2D-Bildverständnisses in kaskadierte 1D-Kausalitätsstrukturen ein vielversprechender Weg für zukünftige multimodale KI-Systeme sein könnte.
Revolution in der Dokumentenanalyse: DeepSeek-OCR 2 und der visuelle kausale Fluss
Die Fähigkeit von KI-Systemen, Dokumente zu verstehen und zu verarbeiten, ist von entscheidender Bedeutung für zahlreiche Geschäftsprozesse. Während herkömmliche OCR-Systeme oft an komplexen Layouts scheitern, präsentiert DeepSeek-AI mit DeepSeek-OCR 2 eine innovative Lösung, die das Dokumentenverständnis auf ein neues Niveau heben könnte. Im Zentrum dieser Entwicklung steht das Konzept des "Visual Causal Flow", welches eine menschenähnlichere Interpretation visueller Informationen ermöglicht.
Die Herausforderung traditioneller OCR-Systeme
Herkömmliche OCR-Systeme verarbeiten visuelle Informationen in einer festen, vordefinierten Reihenfolge, typischerweise von links oben nach rechts unten (Raster-Scan-Ordnung). Diese Methode stößt jedoch an ihre Grenzen, wenn es um Dokumente mit komplexen Layouts geht, wie beispielsweise:
- Magazine und Zeitungen mit mehreren Spalten
- Wissenschaftliche Arbeiten mit Abbildungen, Tabellen und Formeln
- Geschäftsdokumente mit variierenden Strukturen
Die starre Verarbeitung führt oft zu einer fehlerhaften Lesereihenfolge und einem Verlust des semantischen Kontexts, da die inhärente logische Struktur des Dokuments ignoriert wird. Das menschliche Auge hingegen folgt beim Lesen komplexer Dokumente einem flexiblen, semantisch kohärenten Muster, das von kausalen Zusammenhängen geleitet wird.
DeepEncoder V2: Der Kern der Innovation
DeepSeek-OCR 2 adressiert diese Einschränkung durch einen neuartigen Encoder, den DeepEncoder V2. Dieser Encoder ist in der Lage, visuelle Token dynamisch auf Basis der Bildsemantik neu anzuordnen. Inspiriert von der menschlichen visuellen Wahrnehmung, die kausal informierte sequentielle Verarbeitungsmuster aufweist, soll DeepEncoder V2 dem Encoder kausale Denkfähigkeiten verleihen. Dies ermöglicht es dem System, visuelle Token intelligent umzuordnen, bevor eine inhaltsbasierte Interpretation durch ein großes Sprachmodell (LLM) erfolgt.
Die Architektur des DeepEncoder V2 weist mehrere Schlüsselelemente auf:
- Sprachmodell als visueller Encoder: Anstelle eines traditionellen visuellen Encoders wie CLIP ViT verwendet DeepEncoder V2 ein kompaktes Sprachmodell (z.B. Qwen2-0.5B) als visuellen Encoder. Sprachmodelle sind von Natur aus für sequentielle Verarbeitung und das Verständnis von Ordnung, Logik und Kausalität konzipiert.
- Kausale Abfrage-Token: Neu eingeführte, lernbare Abfrage-Token, sogenannte "Causal Flow Tokens", sind für die Neuordnung visueller Informationen verantwortlich. Diese Token können vergangene Abfragen und alle visuellen Token berücksichtigen, aber keine zukünftigen Abfragen sehen. Dies erzeugt einen schrittweisen Leseprozess, der dem Modell beibringt, eine logische Lesesequenz abzuleiten.
- Dual-Attention-Design: Der Encoder nutzt gleichzeitig zwei Aufmerksamkeitsstile. Visuelle Token verwenden bidirektionale Aufmerksamkeit für eine vollständige Bildansicht (ViT-Stil), während kausale Fluss-Token kausale Einweg-Aufmerksamkeit (LLM-Decodierungsstil) nutzen. Nur die kausalen Token werden an den LLM-Decoder weitergegeben, was eine bereinigte, logisch geordnete Sequenz sicherstellt.
- Effizientes Token-Budget: DeepSeek-OCR 2 verwaltet die Token-Budgets effizient, indem es bis zu 1120 Token einschließlich lokaler Ausschnitte und 256 Token für eine globale Ansicht ermöglicht, was der Effizienz von DeepSeek-OCR und dem visuellen Token-Budget von Gemini-3 Pro entspricht.
Trainingsstrategie und Leistungsverbesserungen
Das Training von DeepSeek-OCR 2 erfolgt in drei Stufen:
- Encoder-Vortraining: Hierbei erwerben der visuelle Tokenizer und der LLM-ähnliche Encoder grundlegende Fähigkeiten in der Merkmalsextraktion, Token-Kompression und Token-Neuordnung.
- Abfrage-Verbesserung: In dieser Phase werden die Token-Neuordnungsfähigkeit des Encoders und die visuelle Wissenskompression weiter gestärkt.
- Decoder-Spezialisierung: Die Encoder-Parameter werden eingefroren und nur die Decoder-Parameter optimiert, um einen höheren Datendurchsatz zu erzielen und das LLM an die neu geordneten visuellen Token anzupassen.
Die Evaluierung auf dem OmniDocBench v1.5, einem Benchmark mit 1.355 Dokumentenseiten aus neun Kategorien in Chinesisch und Englisch, zeigt eine signifikante Leistungssteigerung. DeepSeek-OCR 2 erreichte eine Gesamtleistung von 91,09 %, was einer Verbesserung von 3,73 % gegenüber dem Vorgängermodell DeepSeek-OCR entspricht. Insbesondere die Edit Distance (ED) für die Lesereihenfolge (R-order) wurde von 0,085 auf 0,057 reduziert, was eine verbesserte Fähigkeit zur strukturellen Wiederherstellung des Inhalts belegt.
Auch in praktischen Anwendungen zeigt DeepSeek-OCR 2 eine verbesserte Leistungsfähigkeit. Die Wiederholungsrate in Online-Benutzerprotokollen (Bilder) wurde von 6,25 % auf 4,17 % gesenkt und bei der PDF-Datenproduktion von 3,69 % auf 2,88 %. Diese Ergebnisse unterstreichen die praktische Reife des Modells und seine Fähigkeit zur logischen visuellen Erfassung.
Ausblick: Auf dem Weg zu echtem 2D-Reasoning und nativer Multimodalität
Die Forschung hinter DeepSeek-OCR 2 deutet auf ein neues architektonisches Paradigma hin, bei dem ein LLM-ähnlicher Encoder mit einem LLM-Decoder kaskadiert wird. Diese Kaskade von zwei 1D-Kausalitäts-Reasonern könnte den Weg für echtes 2D-Reasoning ebnen. Der Encoder führt dabei eine logische Leseverarbeitung durch (kausale Neuordnung visueller Informationen mittels Abfrage-Token), während der Decoder visuelle Aufgaben über diese kausal geordneten Repräsentationen ausführt.
Diese Zerlegung des 2D-Verständnisses in zwei komplementäre 1D-Kausalitäts-Teilaufgaben könnte einen Durchbruch im 2D-Reasoning darstellen. Langfristig könnte DeepEncoder V2 zu einem vereinheitlichten omnimodalen Encoder weiterentwickelt werden, der verschiedene Modalitäten (Bilder, Audio, Text) innerhalb desselben Parameterraums verarbeitet, indem er modalitätsspezifische lernbare Abfrage-Embeddings nutzt. Dies würde die Extraktion von Merkmalen, die Token-Kompression und die Neuordnung von Inhalten über verschiedene Datenformate hinweg ermöglichen.
DeepSeek-OCR 2 stellt somit nicht nur eine Weiterentwicklung in der optischen Zeichenerkennung dar, sondern bietet auch einen Einblick in zukünftige Architekturen für multimodale KI-Systeme, die ein tieferes, menschenähnlicheres Verständnis komplexer Informationen ermöglichen.
Bibliografie
- DeepSeek-AI. (2026). DeepSeek-OCR 2: Visual Causal Flow. arXiv preprint arXiv:2601.20552. Verfügbar unter: https://arxiv.org/abs/2601.20552 - Gupta, M. (2026, 27. Januar). DeepSeek-OCR 2 here. Medium. Verfügbar unter: https://medium.com/data-science-in-your-pocket/deepseek-ocr-2-here-03d0f619584f - Hugging Face. (o.D.). deepseek-ai/DeepSeek-OCR-2. Verfügbar unter: https://huggingface.co/deepseek-ai/DeepSeek-OCR-2 - Mishra, H. (2026, 28. Januar). DeepSeek OCR 2: AI That Reads Documents Like Humans. Analytics Vidhya. Verfügbar unter: https://www.analyticsvidhya.com/blog/2026/01/deepseek-ocr-2/ - Unsloth AI. (o.D.). DeepSeek-OCR 2: How to Run & Fine-tune Guide. Verfügbar unter: https://unsloth.ai/docs/models/deepseek-ocr-2 - Wei, H., Sun, Y., & Li, Y. (2026). DeepSeek-OCR 2: Visual Causal Flow. Hugging Face Papers. Verfügbar unter: https://huggingface.co/papers/2601.20552Artikel jetzt als Podcast anhören
.svg){kind=logo}
.png){kind=logo}
