核心看点
• DeepSeek 发布最新技术报告《Thinking with Visual Primitives》（2026.04.30）
• 提出”参考鸿沟”问题：纯语言太模糊，无法精确定位空间布局，导致逻辑崩坏和幻觉
• 创新方案：让模型学会”边推理边指路”，用空间标记（点、边界框）作为最小思维单元
• 在 DeepSeek-V4-Flash 架构上压缩视觉Token，每4个Token合并为1个，效率惊人
• 在计数和空间推理基准上对标 GPT-5.4、Claude-Sonnet-4.6、Gemini-3-Flash
DeepSeek 今天又放了个大招——发布了一份新的技术报告《Thinking with Visual Primitives》（用视觉基元思考）。
这报告解决的是什么问题？
现在的多模态大模型看图能力已经很强了，但有一个隐藏的瓶颈：当它需要做复杂的空间推理——比如数清楚图里有多少个物体、判断物体之间的位置关系——语言就变得不够用了。
打个比方：你让一个人描述一个迷宫怎么走，用文字说很容易绕晕，但如果你拿手指在迷宫上画一条线，就一目了然。这中间的差距，就是 DeepSeek 提出的”参考鸿沟”（Reference Gap）。
DeepSeek 的解决方案很有意思：不是让模型”看得更清楚”，而是让它”边推理边指给你看”。模型在推理过程中，会直接在图像上标注点、画边界框——这些空间标记成为模型思考的最小单元，就像你用手指指着地图说话一样。
技术实现上，DeepSeek 在 V4-Flash 架构基础上做了优化：每4个视觉Token压缩为1个KV缓存条目，大幅减少了图像Token消耗，但保持了推理深度。
结果呢？尽管模型规模更小、图像Token预算更低，但在计数和空间推理基准测试上，直接对标了 GPT-5.4、Claude-Sonnet-4.6 和 Gemini-3-Flash 这些顶级模型。
DeepSeek 表示未来会逐步开源内部基准数据、冷启动数据子集，以及模型权重。
这份报告对 AI 行业的意义在于：多模态模型的竞争正在从”谁看得更清”转向”谁会推理”。光是能识别图片里的内容已经不够了，能理解空间关系、能结构化推理，才是下一个赛道的入场券。
📄 报告原文：https://github.com/deepseek-ai/Thinking-with-Visual-Primitives
📂 栏目地址：https://www.163264.com/category/baogao
本文地址：https://www.163264.com/11361
