近期，DeepSeek正式发布了其备受期待的多模态大模型，并在其聊天机器人产品中开启了“识图模式”的灰度测试，标志着这头以文本和代码能力著称的“鲸鱼”终于“睁开了眼睛”，补齐了视觉能力的短板。
当前许多多模态模型虽然能够“看见”图像，但常常在复杂的推理任务中表现不佳，例如精确计数、在复杂场景中定位物体等。DeepSeek将此问题命名为“指代鸿沟”（Reference Gap），即模型能感知图像内容，却无法在思考过程中精确指代具体对象。就像人类在数数时会用手指逐个确认，自然语言中的“左边那个”、“中间的物体”等描述在密集或复杂的场景中往往不够精确，导致模型的推理逻辑在多步之后出现混乱或“漂移”。
为此，DeepSeek联合清华、北大的研究团队在发布的技术报告《Thinking with Visual Primitives》（以视觉原语思考）中，提出了一种全新的推理范式。其核心思想是，将点坐标和边界框（Bounding Box）这类“视觉原语”提升为模型思维链（CoT）中的基本单位。模型在推理时，不再仅仅依赖模糊的语言描述，而是能够像伸出“赛博手指”一样，直接在思维链中引用具体的位置坐标，从而将抽象的逻辑牢牢锚定在图像的物理空间中，实现“边指边想”。
该模型依托于DeepSeek-V4-Flash语言模型和自研的视觉编码器。其一大亮点是高效的视觉压缩技术，通过多级处理，实现了超过7000倍的视觉信息压缩率，使得模型在处理图像时资源消耗远低于其他主流模型，提高了运行效率。此外，为了让模型掌握这种“边指边想”的能力，研发团队构建了覆盖计数、空间推理、迷宫导航、路径追踪等多种任务的数千万条高质量训练数据，进行了针对性的优化。
在性能方面，尽管模型规模相对紧凑，但在多个具有挑战性的基准测试中，DeepSeek多模态模型在特定任务上表现出色，尤其是在计数、空间推理和拓扑推理（如走迷宫、路径追踪）等领域，其性能媲美甚至超越了一些业界前沿的闭源模型。
然而，从早期用户的实际测试来看，模型目前在某些方面仍有提升空间。例如，它在网页截图转代码、地理信息分析等场景表现亮眼，但在处理复杂的视觉错觉或高难度的“找不同”任务时，仍可能出错，展现出一定的“神鬼二象性”。
DeepSeek多模态的发布，是其产品能力的一次关键补全。其提出的“以视觉原语思考”框架，为解决多模态模型在复杂推理中的“指代鸿沟”问题提供了一个创新且有效的思路。有趣的是，相关的技术报告在发布后曾被短暂撤回，引发了关于其技术可能过于超前的猜测，也从侧面反映了这一新范式的潜在影响力。虽然模型在部分复杂场景下的泛化能力仍需完善，但它无疑为多模态AI朝着更懂视觉逻辑、更精准思考的方向迈出了坚实的一步。
