下载新浪财经APP，了解全球实时汇率
在节假日前一天发布重磅论文 ，“这很DeepSeek ”。
DeepSeek终于能“看见 ”了 。前两天 ，DeepSeek偷偷开启了多模态能力的灰度测试，部分用户打开DeepSeek首页会发现，界面多了一个“识图模式”的入口 。上传图片后 ，DeepSeek能像人一样理解画面了。
DeepSeek多模态团队负责人陈小康在4月29日发文称 ，“现在，我们能看见你了。”这是DeepSeek的聊天产品第一次接入多模态 。
就在4月30日 ，DeepSeek又发布了一篇关于多模态技术报告《Thinking with Visaul Primitives》（《用视觉原语思考》） ，阐释了这次上新的多模态技术背后的细节 。
在五一节假日前一天发布重磅论文，“这很DeepSeek ”。但很快大家发现 ，官方连夜删除了多模态仓库和论文原文 ，5月1日打开Github界面已经是“404 ”状态 。
关于删除原因官方并没有特别说明，不过有猜测不是内容问题 ，而是信息透露太多 。
这次的论文说了些啥？从行业反馈来看 ，论文符合DeepSeek扎实且务实的风格，同样在通过工程能力降低成本 ，采用了新的范式 ，也意味着，DeepSeek开始在视觉模型上发力了。
具体来看，DeepSeek的论文指出 ，目前的多模态模型在复杂任务上崩溃 ，不是因为看不见（感知鸿沟），而在于“指不准”（引用鸿沟） 。
自然语言天然具有模糊性 。当用户要求模型处理复杂的空间布局时 ，仅靠文字描述很容易产生歧义。就像数一堆散落的硬币 ，如果不用手指逐个按着确认，人类也很容易数错或数重 。
DeepSeek的解法是给模型配上一只“手指 ” 。通过引入“视觉原语 ”（Visual Primitives）框架 ，模型将点、边界框等空间标记提升为最小思维单元。这意味着模型在推理时 ，能够一边“想”一边“指 ”，将抽象的语言逻辑指向到具体空间坐标 。
这一灵感借鉴了人类的认知 。论文提及 ，人类走迷宫或数密集物体时 ，会用手指这类指示性指向来降低认知负荷 、维持逻辑一致性。通过将视觉原语嵌入思考，模型可以模拟人类这种“指向-推理 ”的协同。
这一模型基于DeepSeek-V4-Flash（总参数2840亿）构建 。DeepSeek的大量实验表明 ，该方法在推理精度上实现显著突破 ，在空间推理 、视觉问答等挑战性任务上，性能持平或超越 GPT、Claude、Gemini 最新版本 。
DeepSeek的研究证明：多模态智能的未来，不只是 “看见更多像素” ，而是构建语言与视觉之间精准 、无歧义的指代桥梁。
值得一提的是 ，DeepSeek在4月24日发布了V4系列旗舰模型，这次发布并没有涉及传言已久的多模态 。官方当时对V4的定义是：支持百万字超长上下文 ，在 Agent（智能体）能力 、世界知识和推理性能上均实现国内与开源领域的领先 。
多模态已经成为当前大模型更新的一个重要方向 ，而DeepSeek在这一方面却迟迟未跟上，这也被认为是DeepSeek能力上的一大短板。也有传言称 ，DeepSeek暂缓多模态生成的训练策略 ，主要源于算力和现金的掣肘，在融资后 ，或许这一方向的训练会更加顺利 。
海量资讯、精准解读 ，尽在新浪财经APP责任编辑：郭建
推理VIP课程推荐
加载中...APP专享直播
上一页下一页 1/10热门推荐
收起 新浪财经公众号24小时滚动播报最新的财经资讯和视频，更多粉丝福利扫描二维码关注（sinafinance）
相关新闻
