剛剛，DeepSeek多模態技術范式公布，以視覺原語思考

機器之心編輯部

雖遲但到，五一長假將至，DeepSeek 給大家公開新技術了。

昨天，DeepSeek 陳小康一個 X 消息，讓大家開始關注 DeepSeek 的多模態。

之后，一些用戶就已經可以在 DeepSeek 網頁端和 App 上體驗其多模態能力。

而就在剛剛，DeepSeek 在 Github 上正式發布了多模態模型，公布了背后的技術報告。

實打實的新鮮出爐！而且是開創性的推理范式。

• 項目地址：https://github.com/deepseek-ai/Thinking-with-Visual-Primitives
• 技術報告：https://github.com/deepseek-ai/Thinking-with-Visual-Primitives/blob/main/Thinking_with_Visual_Primitives.pdf

下面我們就基于 DeepSeek 這篇技術報告，具體看看 DeepSeek、北京大學、清華大學又創造了怎樣的奇跡。

這篇論文名叫「Thinking with Visual Primitives（以視覺原語思考）」。它提出的問題，幾乎擊中了當前所有多模態大模型的軟肋：這些模型能「看見」，但不一定能「想清楚」。

給一張密集的人群照片，問 GPT-5.4「圖里有多少人」，它很可能數錯。給 Claude Sonnet 4.6 一張復雜電路圖，問「左邊的紅色電容在右邊電感的左側還是右側」，它的回答往往語焉不詳，甚至前后矛盾。這不是模型看不清圖片的問題，而是模型在「思考」時根本抓不住它想談的視覺對象。

DeepSeek 把這個問題命名為「Reference Gap」（指代鴻溝），并給出了一套完整的解法。

背景：「看清」和「想清」是兩件事

要理解這個問題，先想象你在向一個看不見你屏幕的朋友描述一張復雜的棋盤布局。你說「左邊那個棋子要吃掉中間偏右一點那個棋子」，然而對方根本不知道你在說哪兩顆棋子。

這正是現有多模態大模型在推理時的處境。它們用自然語言構建「思維鏈」（CoT），但自然語言天生模糊：「左邊那個大的」、「靠近中央的紅色物體」，這些描述在密集場景里根本無法精確定位。模型的注意力在推理過程中逐漸「漂移」，越說越亂，最后得出錯誤結論。

學術界此前的應對方案，主要是讓模型「看得更清楚」：對圖片進行高分辨率切割、動態分塊，確保模型能感知到細節。這解決的是「感知鴻溝」（Perception Gap）。

但 DeepSeek 的論文指出，感知能力再強，也代替不了精確的「指代能力」?！缚匆姟购汀改苷f清楚在說哪個」，是兩件不同的事。

架構：站在 V4-Flash 肩膀上

這項工作以 DeepSeek 剛發布的 V4-Flash 為語言主干 —— 這是一個 284B 總參數、推理時激活 13B 參數的混合專家模型（MoE）。視覺編碼部分則使用 DeepSeek 自研的 ViT（視覺 Transformer），支持任意分辨率輸入。

值得注意的是，這支團隊的核心貢獻在于提出了一套完整的「訓練哲學」：如何用極少的視覺 token，教會模型在推理過程中精確指代視覺對象。

核心創新一：把坐標變成「思維單元」

這篇論文最核心的思路，用一句話說就是：把點坐標和邊界框（Bounding Box）變成推理的基本單位，像文字一樣穿插在思維鏈里。

傳統做法中，邊界框是輸出的一部分：模型先想清楚，再告訴你「目標在圖片左上角坐標 [100,200,300,400]」。這是事后標注，不是思考工具。

DeepSeek 的做法不同。模型在推理過程中，每當提到一個視覺對象，就同步輸出它的坐標：

「掃描圖片尋找熊，找到一只 <|ref|> 熊 <|/ref|><|box|>[[452,23,804,411]]<|/box|>，它正在爬樹，不在地面上，排除。再往左下看，找到另一只 <|ref|> 熊 <|/ref|><|box|>[[50,447,647,771]]<|/box|>，站在巖石邊緣，符合條件?！?br/>

這就像人類在數東西時會用手指逐一點過去。坐標不再是答案，而是推理過程中消除歧義的「錨點」。模型的邏輯鏈被釘在圖片的物理坐標上，不會漂移。

這套機制有兩種「原語」（Primitives）：邊界框（<|box|>）用于需要定位和尺寸信息的對象；點坐標（<|point|>）用于更抽象的空間指代，比如迷宮探索軌跡或曲線追蹤路徑。

核心創新二：7056 倍的視覺壓縮

另一個令人印象深刻的技術創新，來自架構層面的壓縮。

對于一張 756×756 的圖片，傳統方案需要大量視覺 token 喂給語言模型。DeepSeek 的流程是這樣的：圖片先經過 ViT 處理，生成 2916 個圖像塊 token；再經過 3×3 空間壓縮，合并為 324 個 token 輸入語言模型；最后，內置在 V4-Flash 里的「壓縮稀疏注意力」（Compressed Sparse Attention，CSA）機制，將 KV 緩存進一步壓縮 4 倍，最終只剩 81 個視覺 KV 條目。

從原始像素到最終緩存條目，整體壓縮比為 7056 倍。

這意味著，對于一張 800×800 的圖片，這個模型只需要約 90 個 KV 緩存條目，而 Claude Sonnet 4.6 需要約 870 個，Gemini-3-Flash 需要約 1100 個。論文的論點是：精確的空間指代能力，可以在一定程度上彌補視覺 token 不足的問題。模型不需要「看更多」，而需要「指更準」。

核心創新三：冷啟動數據的精心設計

技術創新的第三個維度，在于訓練數據的構建方式。

團隊首先爬取了近 10 萬個與目標檢測相關的數據集，經過兩輪嚴格篩選（語義審核和幾何質量審核），最終保留約 3.17 萬個高質量數據源，生成超過 4000 萬條訓練樣本。

在「思考與視覺原語」的專項冷啟動數據上，團隊設計了四類任務。

第一類是計數，分粗粒度（「圖里有多少人」）和細粒度（「穿藍色衣服的人有幾個」）兩種。對于粗粒度計數，模型學習「批量鎖定」—— 一次性框出所有候選對象再數；對于細粒度計數，則學習逐一掃描、逐一核對屬性。兩種策略對應不同認知負荷，分別訓練。

第二類是空間推理和視覺問答，大量利用 GQA 數據集（自然場景）和 CLEVR 工具鏈（可控合成場景）生成多跳推理樣本，迫使模型在每一步推理時都用邊界框鎖定涉及的對象。

第三類是迷宮導航，共生成 46 萬條樣本。團隊用 DFS（深度優先搜索）、Prim 和 Kruskal 算法生成矩形、圓形、六邊形三種拓撲結構的迷宮，并專門設計了「表面可解但實際無解」的迷宮來訓練模型的魯棒性。模型需要用點坐標記錄每一步探索軌跡，回溯時也要用坐標標記已排除路徑。

第四類是路徑追蹤，共 12.5 萬條樣本。給定一張多條貝塞爾曲線相互交叉的圖，要求模型追蹤指定起點的曲線到達終點。關鍵挑戰在于「交叉歧義消解」：兩條線交叉時，模型必須判斷哪一條才是目標曲線的延續，而不是用顏色取巧 —— 專門設計了所有曲線顏色相同的測試版本。

訓練流程：「先分家，再合體」

后訓練階段，團隊采用「先專家化，后統一」的策略。

第一步，用邊界框數據和點坐標數據分別訓練兩個專家模型（FTwG 和 FTwP），避免兩種模態在數據量較少時互相干擾。

第二步，對兩個專家模型各自進行強化學習（RL），使用 GRPO 算法。獎勵設計非常精細：格式獎勵（輸出格式是否正確）、質量獎勵（LLM 評判思考內容和答案是否一致）、精度獎勵（任務特定）三路并行。計數任務使用平滑指數衰減獎勵而非二值對錯，迷宮任務的獎勵分解為五個子項（因果探索進度、探索完整性、穿墻懲罰、路徑有效性、答案正確性），都是為了給模型提供密集而信息豐富的學習信號。

第三步，用兩個專家模型的 rollout 數據進行統一的強化微調（Unified RFT），再從預訓練模型重新初始化開始訓練，得到統一模型 F。

第四步，用 On-Policy Distillation（在線策略蒸餾）彌合統一模型與專家模型之間的性能差距 —— 讓學生模型自己生成軌跡，然后最小化其輸出分布與專家分布之間的 KL 散度。

實驗結果：在「最難的那類題」上超越 GPT-5.4

論文在 11 個基準測試上進行了評測，與 Gemini-3-Flash、GPT-5.4、Claude Sonnet 4.6、Gemma4-31B、Qwen3-VL-235B 等主流模型對比（所有 frontier 模型均通過 API 評測，使用統一提示詞）。

結果概要如下：

• 在計數任務上，該模型在 Pixmo-Count（精確匹配）上得分 89.2%，超過 Gemini-3-Flash 的 88.2%，大幅領先 GPT-5.4 的 76.6% 和 Claude Sonnet 4.6 的 68.7%。在細粒度計數上（DS_Finegrained_Counting），以 88.7% 超過 Qwen3-VL 的 87.2%，位居第一。
• 在空間推理的多個基準上，整體表現與頭部模型持平或略有超越，在 MIHBench（85.3%）和 SpatialMQA（69.4%）上均排名第一。
• 最具代表性的差距出現在拓撲推理任務上。在迷宮導航（DS_Maze_Navigation）上，該模型得分 66.9%，而 GPT-5.4 為 50.6%、Gemini-3-Flash 為 49.4%、Claude Sonnet 4.6 為 48.9%—— 所有 frontier 模型都只能答對一半，而這個模型提升了約 17 個百分點。在路徑追蹤（DS_Path_Tracing）上，該模型 56.7% vs. GPT-5.4 的 46.5%、Gemini-3-Flash 的 41.4%，差距同樣懸殊。

論文誠實地指出：「所有 frontier 模型在拓撲推理任務上均表現欠佳，說明多模態大模型的推理能力仍有相當大的提升空間?！?/p>

下面展示了幾個定性示例：

局限與未來

論文沒有回避幾個已知的局限性。

• 當前模型需要明確的「觸發詞」才會啟用視覺原語機制 —— 它還不能自主判斷什么時候該「用手指」。
• 受輸入分辨率限制，在極細粒度的視覺場景中，視覺原語的位置偶爾會不夠精準。團隊認為與現有高分辨率感知方案的結合是自然的下一步。
• 用點坐標解決復雜拓撲推理問題，目前的跨場景泛化能力仍然有限。

結語：一種新的「思考姿勢」

這篇論文的意義，不只是在幾個榜單上拿了第一。

它提出的問題 ——「推理過程中語言指代的歧義性是多模態模型的根本瓶頸之一」—— 在此之前并不是學界的主流敘事。

主流的努力方向是更大的模型、更高的分辨率、更多的訓練數據。這篇論文給出了另一條路：不是讓模型「看更多」，而是讓模型「指更準」，用坐標代替語言描述，用空間錨點穩定邏輯鏈。

從這個角度看，「Thinking with Visual Primitives」更像是在給多模態推理增添一種「思考姿勢」—— 一種人類在處理復雜視覺任務時本能就會使用、但 AI 此前一直缺失的姿勢：用手指點著想。

更多詳情請參閱原論文。