万年历 购物 网址 日历 小说 | 三峰软件 天天财富 小游戏 视频推荐 小游戏
TxT小说阅读器
↓小说语音阅读,小说下载↓ 		一键清除系统垃圾
↓轻轻一点,清除系统垃圾↓ 		图片批量下载器
↓批量下载图片,美女图库↓ 		图片自动播放器
↓图片自动播放,产品展示↓
首页  日历2025  日历2026  日历2027  日历知识  | 每日头条  视频推荐  数码知识 两性话题 情感天地 心理咨询 旅游天地 | 明星娱乐 电视剧  职场天地  体育  娱乐 
日历软件  煮酒论史  历史 中国历史 世界历史 春秋战国 三国 唐朝 宋朝 明朝 清朝 哲学 厚黑学 心理学 | 文库大全  文库分类 
电影票房 娱乐圈 娱乐 弱智 火研 中华城市 仙家 六爻 佛门 风水 钓鱼 双色球 戒色 航空母舰 网球 乒乓球 足球 nba 象棋 体操
商业财经知识 科技 汽车知识 工程技术知识 时尚与穿搭 家居与生活 设计艺术知识
    
  知识库 -> 科技 -> 如何评价DeepSeek于4月29日发布的识图模式与30日发布的视觉模型技术报告？ -> 正文阅读

[科技]如何评价DeepSeek于4月29日发布的识图模式与30日发布的视觉模型技术报告？

[收藏本文] 【下载本文】
29日下午14点30左右开始灰度 [图片] 30日下午发布的技术报告（4.30 23时左右显示已删除） Thinking-with-Visual-Pr…
DeepSeek官网已开启识图模式灰度测试，目前仅有部分账户获得了灰度资格
GitHub已发布技术报告，晚23时被发现已删除
Thinking-with-Visual-Primitives（已删除）github.com/deepseek-ai/Thinking-with-Visual-Primitives
以下是备份

Thinking_with_Visual_Primitives.pdf4.52MB
2026.04.30: We have released the technical report detailing our approach. In the near future, we plan to make the in-house benchmarks and a subset of our cold-start data publicly available. The model weights will be integrated into our foundation model and released in the future.
2026.04.30：我们已发布详细阐述我们方法的技术报告。近期，我们计划将内部基准测试和部分冷启动数据公之于众。模型权重将被整合到我们的基础模型中，并在未来发布。
GPT总结：
技术报告的核心问题是 Reference Gap：MLLM 不只是“看不清”，而是在复杂空间结构里很难用自然语言精确指代对象，因此推理链会出现对象漂移、逻辑坍塌和幻觉。 DeepSeek 的方法是让模型在推理过程中插入 visual primitives，也就是点和框，把“语言思考”锚定到具体图像坐标上，形成类似“边想边指”的视觉 CoT。 工程上它基于 DeepSeek-V4-Flash，并将每 4 个 visual tokens 的 KV cache 压缩成 1 个 entry，以较低图像 token 成本在计数、空间推理等专项 benchmark 上接近前沿闭源多模态模型；但仓库也强调这些分数只代表论文相关维度，不代表整体模型能力。














还能怎么说，我直接：
\??/\??/\??/ 人民的AI！
更新一浪接一浪，感觉在画k线。
很快就会有：
梁圣慢一点吧，等等你的ai同行，一枝独秀不是春
之类的发言了。


不过ds会有过度思考的bug，而且世界知识也不行。


另外，梁圣又延长了Pro的打折时间到2026年5月31日了，望周知。


终于放假了。
DeepSeek 识图模式的灰度没等到，等来了技术报告。


说真的，我看见这论文标题的时候，第一反应是想笑。
《Thinking with Visual Primitives》，视觉基元思考。
听起来像是某个 PPT 大师，在汇报会上憋出来的玄学概念。
配上一张螺旋上升的箭头图，老板看了直点头，员工听完一头雾水。
但当我把全文啃完之后，我大脑宕机了三秒。
并非因为它多复杂，是因为它简单到离谱，简单到让我怀疑过去这些年大家都在干什么。
DeepSeek 这篇新论文，说白了就是教 AI 学会一件事。
想问题的时候，能不能用手指着想？
就这么简单。
但就是这么个事儿，让一个基于 DeepSeek-V4-Flash 开发，总参数 284B，激活只有 13B 的小模型。
在迷宫导航这种任务上，把 GPT-5.4，Claude-Sonnet-4.6，Gemini-3-Flash 全部按在地上摩擦。
所以，即使刚放假，也要先来跟大家第一时间分享。
1
你有没有这种经历。
晚上跟女朋友窝在沙发上，她翻出一张小学毕业照给你看，让你猜猜哪个是她。
你凑近屏幕，五排小孩儿，乌泱泱四五十个人。
你说，第二排中间哪个？
她说，中间哪个？
你说，笑得最甜的。
她说，我那时候不爱笑，你还是指给我看吧。
你手指头一戳，双方对齐了。
但是吧，AI 没有手，思考的时候全靠自己在脑子里默念。
用语言描述“这个”，“那个”，“另外那个”的时候，很快就在自己的推理链里崩溃了。
DeepSeek 的论文给这个现象起了一个名字，叫 Reference Gap，指认鸿沟。
之前的多模态大模型卷的是更高的分辨率，更细的图像切片。
把图像切成几百块，让模型把每根毛都看清楚。
但卷到最后，大家发现一个诡异的现象，模型明明看清楚了每根毛，回答问题还是错。
为啥呢？
因为看见并不等于推理，中间隔着的就是指认鸿沟。
模型不是没看见。
是看见了不会说，说了也说不准，说准了也接不上下一句。
2
之前也有人尝试让 AI 一边看图一边画框，但都是当作事后检查用。
AI 先把答案在脑子里想好，最后再随手画个框。
DeepSeek 这次不一样，它让 AI 在思考答案的时候，就当场推理。
一边想，一边画框，一边打点。
画框本身，就是思考的一部分。
具体来说，你如果问 AI，这张图里有几只狗？
之前的 AI 内心戏是这样的。

我看到一只狗。然后那边还有一只。再过去那边好像也有……等等左边那只我数过没？算了再数一遍……前面好像数错了……

DeepSeek 新模型内心戏是这样的。

找狗 → [box: 120, 340, 200, 420] → 找下一只 → [box: 450, 200, 530, 290] → 还有吗？→ [box: 700, 400, 810, 500] → 1+1+1=3。

每一步思考，都带上了坐标。
语言负责想什么，坐标负责指哪个。
两种基元交织在一起，构成一段推理。
这就是论文最核心的概念，把视觉基元提升成思考的最小单位。
说人话，就是 AI 推理的最小单位除了词元，还可以是坐标。
抽掉坐标，指代就丢了。
DeepSeek 这次，是真的把坐标搬进了推理链里。
3
光说理论还是抽象，我们来看几个论文里实测的案例。
第一个，数球队合影。


一张足球队的合影，二十几个人挤在一起，让模型数有几个人。
DeepSeek 新模型扫描了整张图片，一口气画出了 25 个框，每个框框住一个人。
然后认真的做汇报。
前排地上坐着 4 个，中间一排坐着 9 个，后排站着 8 个，左边教练 2 个，右边教练 2 个，一共 25 个人。
论文里另一张黑白老照片，模型也直接框除了 29 个人，一个不漏。


还有这个把各种动漫手办放在一块，要求数出神奇宝贝数量的，一共 6 个。


甚至还有把吉娃娃和蓝莓松饼放在一块，让模型数有几只吉娃娃。
两者长得离谱的像，别说 AI 了，人不仔细看都容易搞混了。


更狠的是这个，迷宫导航。
给模型一张蜂窝迷宫的图，让它从入口走到出口。


GPT-5.4，Claude-Sonnet-4.6，Gemini-3-Flash，所有顶级模型在这种任务上都卡在了 50% 上下，集体翻车。
为什么？
因为用纯语言的思维链，描述这种不规则的空间路径是反人类的。
DeepSeek 新模型在每个分叉点都标记了坐标，永远不会指代不清。
最后跑出了 66.9% 的准确率，比竞品模型高出 16 个百分点以上。
这说明，不是模型不够大，思考方式错了，再大的模型也救不了。
类似的例子，还有下面这种路径追踪的任务。


更有意思的，是下面这个中文案例。
给它一张咖啡机的照片，问我应该如何制作一杯美味的拿铁？


它一边思考，一边在图片上分别框出咖啡机，蒸汽棒，不锈钢牛奶壶，咖啡豆包装袋，拿铁按钮，陶瓷咖啡杯。
然后一步步告诉你，该如何正确操作。
视觉指认和世界知识，融合的非常自然。
4
关键数据还是要过一下。
下图的 Ours-284B-A13B 就是 DeepSeek 的新模型。
放在今天这堆万亿参数的庞然大物里，它是个小个子。
但它读图片的时候，要比所有大块头都省。


你给它一张正常分辨率的图片，它脑子里要存的草稿纸，大约不到同行的十分之一。
这种效率差距太离谱了，我是同行我看了都要流汗。
更离谱的是，效率省成这样，性能还是基本反超的。
平均下来，DeepSeek 新模型拿到 77.2%，全场最高。
再来看下面这张详情表。


Ours 拿下了 8 项第一，3 项第二。
Gemini-3-Flash 在某几个特别考验看清细节的测试上，稍微略胜一点点。
但在那些考“看清之后能不能想明白”的任务上，比如最下方拓扑推理的两个任务中，DeepSeek 新模型 Ours 直接断层式的遥遥领先。
5
说完爽点，来说说论文中自己提到的几个短板。
第一个，图太挤的时候，它还是会画歪。
因为看不清楚，这个问题要跟现有的，能看得更清楚的技术结合起来解决。
第二个，你得明确叫它指，它才会指。
它现在还不会自己判断，这个问题需不需要边想边画。
理想状态就是让它自己分得清，适合的任务要主动调用指认的能力。
第三个，拓扑推理的任务还是有很大挑战。
在迷宫任务里虽然取得了亮眼的成绩，但还缺乏泛化能力，还不够通用。
后面，还有大把的工作要做。
好戏才刚刚开场。
尾声
写到这里，我突然想起一句话。
维特根斯坦说，我语言的边界，就是我世界的边界。
这句话被引用了无数次，但很少有人提及它的反面。
当你扩展了语言之外的表达手段，你就扩展了你的世界。
DeepSeek 论文里最后一句话是这样说的。
通向系统 2 多模态智能的路，不在于看到更多像素，而在于在语言和视觉之间，搭起一座精确而无歧义的指代桥梁。
我的直觉告诉我，这个方向是对的。
因为，它符合人类认知的过程。
当你穿越复杂迷宫或者要数清密集的物体时，你就是会自然的用手指指向它们。
这样不光能节省大脑的消耗，也会保持逻辑连贯性，防止出错。
婴儿在咿呀学语之前，不也是会伸出小小的指头来指的么？
DeepSeek 的新论文，让 AI 第一次伸出了那根手指。
后来的人们发现，通往 AGI 的那把钥匙。
可能一直就藏在我们的手指头上。
D老师终于知道自己的logo是蓝色小虎鲸了，感动落泪。


今天刚考完离散数学，天天对着豆包跟千问头都大了
你告诉我。 。 。deepseek出了个识图模式???
[收藏本文] 【下载本文】
   科技 最新文章
DeepSeek 2026年4 月30 日发布几小时后删除
为什么数据治理这么重要？
如何评价睡前消息第1048期“老朋友合订本 勿
如何评价 DeepSeek-V4 的价格？
如何评价DeepSeek于4月29日发布的识图模式与
当年任由马云做那个蚂蚁金服的话，后果有多
为什么 LLM 仅预测下一词，就能「涌现」出高
为什么国内的黄色网站不被查封？是难发现吗
如何看待王坚院士关于我国电网和美国电网的
荷兰抢走中国企业安世半导体最后怎么收场？
上一篇文章      下一篇文章      查看所有文章
加:2026-05-02 15:24:30  更:2026-05-02 15:27:29 
 
娱乐生活: 电影票房 娱乐圈 娱乐 弱智 火研 中华城市 印度 仙家 六爻 佛门 风水 古钱币交流专用 钓鱼 双色球 航空母舰 网球 乒乓球 中国女排 足球 nba 中超 跑步 象棋 体操 戒色 上海男科 80后
足球: 曼城 利物浦队 托特纳姆热刺 皇家马德里 尤文图斯 罗马 拉齐奥 米兰 里昂 巴黎圣日尔曼 曼联
  网站联系: qq:121756557 email:121756557@qq.com  知识库