发布时间：2026-05-01 已有： 位 网友关注
币界网消息，DeepSeek发布了多模态推理技术报告「thinking with visual primitives」，提出了一种新推理范式：模型在思考时像人用手指点东西一样，把坐标直接穿插在思维链里，锁定每一个涉及的视觉对象。该项目在GitHub上开源，采用MIT许可。当前多模态模型的一个核心瓶颈是「指代鸿沟」，模型能看清图片，但推理时只能用自然语言描述视觉对象，场景复杂时定位困难。DeepSeek通过将边界框和点坐标变成推理的最小单元，解决了这一问题。模型基于v4-flash架构，视觉token压缩极端，测试结果显示在多个基准测试中表现优异，尤其在拓扑推理和迷宫导航任务上大幅领先其他模型。
