DeepSeek发布革命性多模态模型 视觉推理框架突破参照瓶颈

4月30日，据徽声在线记者从权威渠道获悉，人工智能领域迎来重要进展——DeepSeek在知名代码托管平台Github上正式开源了其最新研发的多模态模型，并同步发布了详细的技术研究报告，引发行业广泛关注。

（配图说明：Github官方网站截图）

该技术报告深入剖析了当前多模态大语言模型（MLLMs）的发展现状。报告指出，尽管现有模型在跨模态理解方面取得突破性进展，但主流的思维链（Chain of Thought, CoT）推理机制仍过度依赖语言符号系统。近期研究虽尝试通过高分辨率图像分块技术（如视觉思维链）缩小感知差距，却未能解决更深层的参照定位难题——自然语言描述的模糊性导致模型难以精准把握空间关系，在需要严格几何参照的任务中常出现逻辑断层。

针对这一痛点，DeepSeek创新性地提出视觉原语推理框架（Visual Primitive Reasoning Framework）。该框架将点坐标、边界框等基础几何元素升级为认知推理的基本单元，通过构建视觉标记与语言语义的双向映射机制，使模型在推理过程中能够直接调用空间坐标信息进行精准指代。这种设计将认知轨迹牢牢锚定在图像的物理坐标系中，显著提升了复杂空间场景的理解能力。

技术报告特别强调了模型架构的优化创新。通过引入动态视觉标记分配算法和分层注意力机制，DeepSeek在保持模型紧凑性的同时，实现了极高的视觉标记利用率。实验数据显示，在图像标记预算减少40%的情况下，该模型在密集物体计数、三维空间推理等挑战性任务中，仍能达到与GPT-5.4、Claude-Sonnet-4.6及Gemini-3-Flash等顶级模型相当的性能水平。这项突破为开发低资源消耗、高可扩展性的System-2级多模态智能系统提供了全新范式，或将推动人工智能从感知智能向认知智能的跨越式发展。