AI 日報: DeepSeek OCR 2 重磅開源，Google AI Plus 全面鋪開：視覺模型與訂閱制的新戰局

本週 AI 領域的動態可以用「目不暇給」來形容。這不僅僅是模型參數的軍備競賽，更是一場關於「AI 如何像人類一樣觀看世界」的技術革新。

DeepSeek 再次展現了開源精神，釋出了引入「視覺因果流」的 OCR 2 模型，試圖打破傳統視覺掃描的僵局；與此同時，Google 也不甘示弱，一方面推出了更親民的 AI Plus 訂閱方案，另一方面則在 Gemini 3 Flash 中展示了能「主動調查」圖片的 Agentic Vision。當然，還有通義實驗室帶來的 Z-Image 基礎模型，為圖像生成領域注入了新的活力。

讓我們仔細看看這些技術更新背後的細節與影響。

視覺邏輯的進化：DeepSeek-OCR 2 的「因果流」變革

如果有在關注文件處理技術，肯定知道傳統 OCR（光學字元辨識）的痛點：它們通常死板地從左上掃描到右下。但人類不是這樣閱讀的。當我們看一張複雜的報表或雜誌時，視線會根據語意邏輯跳躍。

這正是 DeepSeek-OCR 2 試圖解決的核心問題。DeepSeek 團隊不僅僅是提升了辨識率，他們引入了一個非常像人類的架構概念：視覺因果流 (Visual Causal Flow)。

為什麼「因果流」很重要？

想像一下，模型不再是被動地接收像素，而是主動地根據上下文「決定」下一個要看的視覺區塊在哪裡。DeepSeek-OCR 2 透過引入「因果流查詢」(Causal flow query)，讓視覺編碼器具備了推理能力。這意味著模型在解讀複雜排版、公式或表格時，能更準確地重組視覺資訊，而不是產出一堆亂碼。

技術細節上，這款模型也是誠意滿滿：

• 強大的架構： 採用了 Vision Tokenizer (基於 SAM-base) 配合一個類似 LLM 的視覺編碼器 (Qwen2 0.5B)。
• 高效能： 支援高達 1024x1024 的解析度輸入，並且能將視覺 Token 壓縮到 256 到 1120 個之間。這剛好對標了 Gemini 3 Pro 的視覺處理預算，但在 OmniDocBench 基準測試上卻取得了優異的成績。
• 開源精神： 目前代碼與權重已經在 GitHub 和 HuggingFace 上公開。

對於需要處理大量複雜文檔的開發者來說，這無疑是一個強力的工具，它證明了即使是小參數模型，只要架構設計得當，也能展現驚人的「閱讀理解」能力。

Google 的雙面策略：親民訂閱與主動視覺

鏡頭轉到 Google，這家科技巨頭正在玩一場精妙的平衡遊戲。一方面透過新的訂閱層級來擴大市佔率，另一方面則透過更強的技術展示肌肉。

Google AI Plus：填補中間地帶

長久以來，用戶在免費版和昂貴的 Pro 版之間缺乏一個折衷的選擇。Google 終於聽到了這個呼聲，推出了 Google AI Plus。

這個新方案定價為每月 7.99 美元（新用戶前兩個月甚至有半價優惠），它的定位非常精準：

• 權限升級： 能夠使用 Gemini 3 Pro 和 Nano Banana Pro 等更強的模型。
• 創意工具： 包含了 Flow 的 AI 電影製作工具權限，以及 NotebookLM 的進階功能。
• 家庭共享： 擁有 200GB 的存儲空間，且能與最多五位家庭成員共享。

這項服務已經在包括美國在內的 35 個新國家/地區 全面上線。對於那些覺得 Pro 版太貴，但又對免費版功能感到受限的用戶來說，這是一個極具吸引力的入場券。

Gemini 3 Flash 引入 Agentic Vision

如果說 AI Plus 是商業上的佈局，那麼 Agentic Vision 就是技術上的炫技。

目前的 AI 模型看圖通常是「靜態」的——看一眼，然後猜測細節。如果圖片裡的序號太小看不清怎麼辦？傳統模型只能瞎猜。但 Google 在 Gemini 3 Flash 中引入的 Agentic Vision 改變了這一點。

這個功能讓模型具備了「探員」般的行動力。它遵循一個「思考 (Think) -> 行動 (Act) -> 觀察 (Observe)」的循環。

1. 思考： 模型分析用戶需求。
2. 行動： 模型會自己編寫並執行 Python 程式碼來操作圖片（例如裁切、旋轉、放大特定區域）。
3. 觀察： 檢查處理後的圖片以獲得更精確的資訊。

舉個例子，如果你問它「計算圖中手指的數量」，它不是憑感覺數，而是會寫程式在每個手指上畫框框標記，確保計數準確。這種「主動調查」的能力，讓視覺理解從被動轉為主動。

開發者注意：免費午餐的縮水

不過，在這些好消息背後，也有一個讓開發者稍感頭痛的變化。Google 的開發者關係負責人 Logan Kilpatrick 證實，Google AI Studio 中免費層級的 UI 使用限制（Limits）已經調降，並且預期未來還會持續下調。

官方建議很明確：如果你想繼續高強度使用，請切換到 API Key 模式，或者考慮升級到付費計畫。好消息是，AI Studio 中的 “Vibe Coding” 體驗暫時不受影響。這反映了一個現實——AI 算力成本高昂，完全免費的遊樂場時代可能正在慢慢落幕。

通義 Z-Image：回歸純粹的圖像生成

在圖像生成領域，很多模型都是經過高度蒸餾或特定調整的，這雖然方便，但也限制了二次開發的空間。通義實驗室發布的 Z-Image 走了一條不同的路。

Z-Image 標榜自己是一個「未經蒸餾的基礎模型」。這聽起來很技術，但對創作者和開發者來說意義重大。這意味著它保留了完整的訓練訊號，支持完整的無分類器引導（CFG），這對於需要精細控制提示詞（Prompt Engineering）的專業工作流程來說至關重要。

根據其 GitHub 頁面 的描述，Z-Image 的優勢在於：

• 極致的多樣性： 無論是超寫實攝影還是動漫風格，它都能駕馭，並且在隨機生成的構圖和光影上表現出色。
• 微調友善： 因為保留了原始特性，它非常適合作為 LoRA 或 ControlNet 的訓練底座。
• 負面提示控制： 它對負面提示詞（Negative Prompt）的反應非常靈敏，能有效抑制畫面崩壞。

相比於它的 Turbo 版本（追求速度但犧牲了一些可控性），標準版的 Z-Image 雖然步數較多（28-50步），但換來的是更高的視覺品質和編輯彈性。

常見問題解答 (FAQ)

Q: DeepSeek-OCR 2 與傳統 OCR 軟體有什麼本質區別？ A: 傳統 OCR 通常按固定順序（如左上到右下）掃描，容易打亂複雜排版。DeepSeek-OCR 2 模仿人類視覺邏輯，具備「視覺因果流」，能根據內容語意主動判斷閱讀順序，特別適合處理複雜的雜誌、表單或學術論文。

Q: 我已經有 Google One 2TB 方案，需要額外購買 AI Plus 嗎？ A: 不需要。Google 表示，現有的 Google One Premium 2TB 訂閱用戶將在未來幾天內自動獲得 AI Plus 的所有權益。

Q: Agentic Vision 是如何讓 Gemini 看得更清楚的？ A: 它不是單純地「看」，而是會「動手」。Agentic Vision 允許模型編寫 Python 程式碼來對圖片進行縮放、裁切或標註。這就像人類看不清東西時會湊近看或用手指指著數一樣，透過互動來獲取精確資訊。

Q: Z-Image 和 Z-Image-Turbo 我該選哪一個？ A: 如果你是開發者，想要訓練自己的風格模型（LoRA）或需要極高的畫面控制力，請選擇標準版 Z-Image。如果你只是需要快速生成高品質圖片，且不需要太複雜的負面提示控制，Turbo 版本會更有效率。

Q: Google AI Studio 的免費限制調降後，開發者該怎麼辦？ A: 建議開發者開始習慣使用 API Key 進行調用，因為 UI 介面（Playground）的限制會越來越嚴格。如果是高頻使用者，可能需要評估是否升級到付費的 AI Pro 或 Ultra 計劃。