企业官网建设流程全解析

DeepSeek-OCR-2动态分辨率揭秘：(0-6)×768切块+1024全局视图如何平衡精度与视觉Token成本

【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2

DeepSeek-OCR-2是 DeepSeek 开源的文档 OCR 模型，它最聪明的成本控制手段就是动态分辨率：把任意尺寸的图片自适应地拆成 0~6 块 768×768 局部切块，再加 1 张 1024×1024 全局视图，把视觉 Token 稳稳压在256~1120之间。这篇文章带你彻底看懂这套机制如何"既读得清小字，又不烧 Token"。

🤔 为什么文档 OCR 需要动态分辨率？

用大模型做 OCR 时，图片要先变成视觉 Token再进模型，而 Token 是按"字"计费算成本的。固定分辨率有两大硬伤：

• 整图缩小到 1024 硬塞：一页 A4 文档塞进 1024×1024，细字直接糊成马赛克，识别率暴跌；
• 整图切满全分辨率小块：Token 数量随页面尺寸无上限膨胀，8K 长图轻松吃掉上万个 Token，显存和延迟双杀。

动态分辨率的目标很明确：小图少花 Token，大图锁死 Token 上限，同时保住文字细节。

⚙️ (0-6)×768 + 1024 的三步拆解流程

这套机制的核心实现在 image_process.py 的dynamic_preprocess函数中，由 config.py 里的几个常数驱动：

BASE_SIZE = 1024 # 全局视图尺寸 IMAGE_SIZE = 768 # 局部切块尺寸 MIN_CROPS = 2 # 最小切块数 MAX_CROPS = 6 # 最大切块数（硬上限）

第 1 步｜比例感知：选最接近原图的 i×j 网格

程序先算出原图宽高比，然后在所有满足2 ≤ i×j ≤ 6的网格组合中，挑选与原始比例差距最小的那个。也就是说：横长的图就切 3×2，竖长的图就切 2×3，绝不变形拉伸。

第 2 步｜局部视图：最多 6 块 768×768 高清切片

选定网格后，原图被等比缩放到i×768 × j×768，再均匀切成 768×768 的正方形切片，交给视觉编码器精细"逐字认读"。如果原图本身就很小（宽、高均 ≤ 768），则直接跳过切块——这就是标题里"(0-6)"中0的由来：小图一分钱切块成本都不花。

第 3 步｜全局视图：一张 1024×1024 的"版面地图"

与此同时，整页图片会被整体缩放填充成一张1024×1024的全局视图。它分辨率不高，但保留了完整的版面信息：标题在哪、段落顺序如何、有没有表格和图片。局部切片负责"看清每个字"，全局视图负责"看懂整页结构"，两者各司其职。

上图即官方论文中的 DeepEncoder V2 架构：左侧 80M 的 SAM 分词器做非因果特征提取，右侧用 500M 的 Qwen2 语言模型以因果方式充当视觉编码器，这正是模型名"Visual Causal Flow"的由来，完整推导可阅读 DeepSeek_OCR2_paper.pdf。

🧮 视觉 Token 成本账：从 256 到 1120

Token 数量由 deepseek_ocr2.py 中的get_num_image_tokens精确计算，规则非常干净：

• 视觉特征以16×16 像素为 patch，再经4 倍下采样；
• 1024 全局视图 → (1024/16)/4 = 16，即 16×16 =256 个 Token；
• 每块 768 切片 → (768/16)/4 = 12，即 12×12 =144 个 Token。

（模型还会追加 1 个视图分隔 Token，用于区分局部与全局特征。）

关键在最后一行：无论页面多大，Token 上限被MAX_CROPS = 6死死锁在 1120。不做上限的朴素切块方案，处理 8K 长页面可能需要 60+ 块、近万 Token；而这里的成本从第一天起就可预测、可预算。

⚖️ 为什么这个组合恰好是平衡点？

1. 全局低清 + 局部高清，精度不妥协：文字识别靠 768 高清切片，版面理解靠 1024 全局图，"字"和"结构"两条信息链路都不缺；
2. 小图极致省钱：768 以内的小图只消耗 256 个视觉 Token，比正文 Token 还便宜，适合批量处理截图、票据；
3. 上限封顶，成本可控：切块数 2~6 由MIN_CROPS/MAX_CROPS约束，批量推理时显存占用稳定，config.py 中还提供了MAX_CONCURRENCY等并发旋钮；
4. 比例自适应，杜绝拉伸伪影：网格始终贴合原始宽高比，避免文字被压扁变形导致识别错误。

🚀 快速上手：三条命令跑通

环境要求：CUDA 11.8 + PyTorch 2.6.0 + vLLM 0.8.5。

git clone https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2 conda create -n deepseek-ocr2 python=3.12.9 -y pip install -r requirements.txt

方式一：vLLM 推理（推荐，支持流式输出）

cd DeepSeek-OCR2-master/DeepSeek-OCR2-vllm python run_dpsk_ocr2_image.py # 图片识别 python run_dpsk_ocr2_pdf.py # PDF 并发处理

方式二：HuggingFace Transformers 推理

动态分辨率的三个核心参数在 run_dpsk_ocr2.py 中一目了然：

res = model.infer(tokenizer, prompt=prompt, image_file=image_file, base_size=1024, image_size=768, crop_mode=True)

两种常用 Prompt（见 config.py）：

• 文档转 Markdown：<image>\n<|grounding|>Convert the document to markdown.
• 自由 OCR（保留原始顺序）：<image>\nFree OCR.

📂 机制在源码里的位置一览

写在最后

DeepSeek-OCR-2 的动态分辨率本质上是一次Token 经济学的设计：用"1 张 1024 全局图 + 最多 6 块 768 高清图"的组合拳，让视觉 Token 花费从"随图片大小无限膨胀"变成"256 起步、1120 封顶"的固定区间。对于要批量处理文档、又在意推理成本的团队来说，这套机制值得直接抄进自己的多模态管线里。

【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2