刚刚，DeepSeek 最新成果，节前发布！

📌 一句话摘要

DeepSeek 联合北大清华开源论文《Thinking with Visual Primitives》，提出在思维链中嵌入坐标 token 作为视觉原语，以解决多模态模型在拓扑推理任务上的引用差距问题。

📝 详细摘要

本文报道了 DeepSeek 在五一节前联合北大、清华发布的最新多模态研究成果。文章指出，当前多模态模型在复杂视觉任务（如密集计数、迷宫导航）上的瓶颈并非感知能力不足，而是引用差距——自然语言无法精确锚定视觉实体。DeepSeek 的解决方案是在模型的思维链中插入 bounding box 和 point 坐标 token，让模型一边推理一边「指」出视觉位置。模型基于 V4-Flash 架构（284B 总参、13B 激活），通过极致 token 压缩（端到端 7056 倍）将视觉 KV cache 占用降至极低水平。训练采用五段式流水线：cold-start 分别训练 box 和 point 专家、GRPO 强化学习、数据混合统一训练、On-Policy Distillation。在 11 个 benchmark 横评中，模型在迷宫导航（66.9 vs GPT-5.4 50.6）和路径追踪（56.7 vs 46.5）上大幅领先，验证了视觉原语在拓扑推理任务上的有效性。

💡 主要观点

- 多模态模型的瓶颈是引用差距而非感知差距。 即使模型能看清所有像素，自然语言在连续视觉空间中也无法精确锚定物体，导致密集计数、多步空间推断等任务逻辑崩塌。

视觉原语将坐标 token 嵌入思维链，实现边推理边定位。 模型在推理过程中插入 bounding box 锚定物体、point 描绘轨迹，使 CoT 具备空间精确性，这是纯语言 CoT 无法做到的。

极致 token 压缩是 DeepSeek 多模态路线的核心工程策略。 通过 ViT 通道压缩、CSA 注意力等多级压缩，端到端压缩比达 7056 倍，将视觉 KV cache 占用降至竞品一个数量级以下。

在拓扑推理任务上大幅领先 GPT-5.4 等前沿模型。 迷宫导航 66.9 vs 50.6、路径追踪 56.7 vs 46.5，验证了视觉原语在需要连续空间推理的任务上的独特优势。

💬 文章金句

- 多模态模型在复杂任务上崩，常常不是「看不见」，是「指不准」。

自然语言天然是模糊的指代工具。
别人卷「看更多像素」，DeepSeek 这次卷的是「看更少像素，但思考时手指点得更准」。
先把「省 token」做到极致，再把省下来的预算塞进更贵的能力。

📊 文章信息

AI 初评：88

来源：Datawhale

作者：Datawhale

分类：人工智能

语言：中文

阅读时间：11 分钟

字数：2665

标签： DeepSeek, 多模态, 视觉原语, 思维链, V4-Flash

阅读完整文章

刚刚，DeepSeek 最新成果，节前发布！

🤖 問 AI