解读 DeepSeek 最新多模态技术报告，要用视觉基本单元思考，看这一篇就够了

📌 一句话摘要

本文详细解读了 DeepSeek 最新多模态技术报告，核心思想是在视觉思维链中引入空间标记（bounding box 与 point）作为语言与图像之间的精确指针，以解决视觉推理中的指代鸿沟问题。

📝 详细摘要

文章对 DeepSeek 最新发布的多模态技术报告进行了深度解读。核心创新在于提出了一个全新的推理框架，将空间标记（bounding box 与 point）内嵌进思维链中，作为语言与图像之间的精确指针，让模型在推理过程中能够「一边指点一边推理」，从而解决复杂的视觉推理中常见的 Reference Gap（指代鸿沟）问题。文章详细介绍了模型架构（DeepSeek-ViT + DeepSeek-V4-Flash）、数据构建方法（预训练数据过滤、SFT 数据设计）、后训练策略（专家模型训练、统一强化微调、策略蒸馏）以及实验结果。作者在肯定该思路价值的同时，也基于自身实测提出了对模型实际空间逻辑推理能力的质疑。

💡 主要观点

- DeepSeek 提出在视觉思维链中嵌入空间标记（box/point）来解决指代鸿沟问题。 通过在推理过程中使用 bounding box 和 point 坐标作为精确的空间指针，模型可以明确知道每一步推理所指代的具体视觉对象，避免在复杂场景中出现目标混淆、遗漏或重复计数。

模型采用经典的三段式架构，视觉编码器通过 CSA 机制实现 7056× 的视觉 token 压缩率。 架构由 DeepSeek-ViT 视觉编码器、视觉-语言连接器和 DeepSeek-V4-Flash 大语言模型组成。视觉 token 经过 4 倍压缩，结合其他优化实现极高的压缩率，降低计算开销。

后训练采用「先训练专家、再合并」的策略，通过强化学习和知识蒸馏统一模型能力。 先分别训练 thinking with grounding 和 thinking with pointing 两个专家模型，再通过 GRPO 强化学习和 full-vocabulary logit distillation 将两者能力合并到单一模型中，兼顾两种空间推理范式。

作者基于实测对模型的实际空间推理能力提出质疑。 尽管论文思路和实验结果表现优异，但作者在个人测试中发现，模型在复杂的空间逻辑推理任务上表现不佳，与论文宣称的效果存在差距，并指出论文和代码已从 GitHub 删除。

💬 文章金句

- 把空间标记（bounding box 与 point）内嵌进思维链，作为语言与图像之间的精确指针，让模型做到一边指点一边推理。

• 思路很正，就像人在走迷宫，或者清点密集物体时，会自然地用手指比划来降低认知负荷、保持逻辑上的一致性。
• 解决视觉推理过程目标混淆、丢失，让模型从看的更多，走到看的更准上。
• 但不知道为啥，跟我昨天的实测，空间能力和逻辑推理能力差的比较多。

📊 文章信息

AI 初评：82

来源：大模型智能

作者：大模型智能

分类：人工智能

语言：中文

阅读时间：14 分钟

字数：3301

标签： DeepSeek, 多模态, 视觉推理, 思维链, 空间标记

阅读完整文章