DeepSeek又過節發論文:7056倍視覺壓縮,解決多模態模型"找不準"痼疾

剛剛開放“識圖”功能灰度測試的 DeepSeek ，在昨天同步發了篇多模態的論文。

論文題目為“Thinking with Visual Primitives”（以視覺原語思考），提出了一種新的推理范式“視覺原語”。

論文指出，當前主流的多模態大模型普遍存在“感知鴻溝”（Perception Gap）的問題。

模型能看清圖片，但推理時只能用自然語言描述“左邊那個大的”、“靠近中央的紅色物體”等。普遍存在細粒度理解失效、指代混淆、空間關系判錯、密集小目標無法區分等核心問題。

在面對密集場景時，這種模糊的語言描述，必然導致注意力的“漂移”與推理的崩塌。

此前，業界主流解法是，提高分辨率讓模型看更清，即堆參數量、加大編碼器、擴充訓練數據。

但這種只用網格Patch特征做圖文對齊的方式，表征無顯式坐標、無獨立尋址能力、不可拆解推理，只能做全局模糊語義匹配，成了高精度視覺推理長期遇瓶頸的本質原因。

DeepSeek 換了思路，它認為，問題不在看，“在指”。

論文提出的解決方案是，把關鍵點、坐標點、包圍框、語義掩碼、空間線段作為模型原生推理原子。

模型每提到一個視覺對象，同步輸出坐標，像錨點一樣把邏輯鏈釘在圖片的物理位置上。邊界框用于需要定位和尺寸的對象，點坐標用于迷宮軌跡和曲線追蹤。

這套架構有效性的另一大支柱在于，極致的效率。

模型基于DeepSeek V4-Flash（一個284B總參數、推理時激活13B的MoE模型）構建。一張756×756的圖片經ViT處理后會產生2916個圖像塊token，再通過3×3空間壓縮和其自研的壓縮稀疏注意力機制（CSA）進行深度壓縮，最終只需81個視覺KV條目即可支持復雜的空間推理。

作為對比，同等條件下，Claude Sonnet 4.6大約需要870個token，而Gemini-3-Flash則約需1100個。

這意味著，思考過程的每一步都前所未有地“輕量”，模型無需在記憶的汪洋中反復檢索被稀釋的視覺信息，實現了7056倍的視覺壓縮。

模型的訓練和表現也驗證了這一框架的威力。

團隊從近10萬個數據源中篩選出約3.17萬個高質量目標檢測數據集，生成了超過4000萬條訓練樣本，覆蓋計數、空間推理、迷宮導航和路徑追蹤四類核心任務。

在后訓練階段，他們采用了頗具匠心的“先專家化、后統一”策略：先分別訓練擅長邊界框和點坐標的兩個專家模型，再通過在線策略蒸餾將二者合并。

結果令人振奮：在計數任務上，模型以89.2%的精確匹配得分超越Gemini-3-Flash的88.2%，并大幅領先GPT-5.4的76.6%。

在最能體現“邏輯+空間”能力的拓撲推理上，模型的優勢更是斷層式的：迷宮導航得分66.9%，相比GPT-5.4的50.6%和Claude Sonnet 4.6的48.9%，提升高達約17個百分點。

最后，論文也坦誠地指出了仍存在的局限。

比如，該“思考”能力仍需顯式觸發詞激活，還無法實現完全的自主判斷；在極細粒度場景下坐標精度偶有不足；以及跨場景泛化能力仍有待加強。

但這并不妨礙其開創性意義。它有力地證明了，在多模態模型中，“看見”與“想清楚”是兩回事。

而彌合二者之間鴻溝的關鍵，也許就是向人類演化數萬年的本能借鑒——用最基本的視覺原語來思考。這讓模型在思考時，可以像人用手指點東西一樣，把坐標直接穿插在思維鏈里，鎖定每一個涉及的視覺對象。

項目在 GitHub 開源，但目前顯示鏈接 404。