2026.05.01

本文字數：1351，閱讀時長大約2分鐘

作者 |第一財經 劉曉潔

DeepSeek終于能“看見”了。前兩天，DeepSeek偷偷開啟了多模態(tài)能力的灰度測試，部分用戶打開DeepSeek首頁會發(fā)現，界面多了一個“識圖模式”的入口。上傳圖片后，DeepSeek能像人一樣理解畫面了。

DeepSeek多模態(tài)團隊負責人陳小康在4月29日發(fā)文稱，“現在，我們能看見你了�！边@是DeepSeek的聊天產品第一次接入多模態(tài)。

就在4月30日，DeepSeek又發(fā)布了一篇關于多模態(tài)技術報告《Thinking with Visaul Primitives》（《用視覺原語思考》），闡釋了這次上新的多模態(tài)技術背后的細節(jié)。

在五一節(jié)假日前一天發(fā)布重磅論文，“這很DeepSeek”。但很快大家發(fā)現，官方連夜刪除了多模態(tài)倉庫和論文原文，5月1日打開Github界面已經是“404”狀態(tài)。

關于刪除原因官方并沒有特別說明，不過有猜測不是內容問題，而是信息透露太多。

這次的論文說了些啥？從行業(yè)反饋來看，論文符合DeepSeek扎實且務實的風格，同樣在通過工程能力降低成本，采用了新的范式，也意味著，DeepSeek開始在視覺模型上發(fā)力了。

具體來看，DeepSeek的論文指出，目前的多模態(tài)模型在復雜任務上崩潰，不是因為看不見（感知鴻溝），而在于“指不準”（引用鴻溝）。

自然語言天然具有模糊性。當用戶要求模型處理復雜的空間布局時，僅靠文字描述很容易產生歧義。就像數一堆散落的硬幣，如果不用手指逐個按著確認，人類也很容易數錯或數重。

DeepSeek的解法是給模型配上一只“手指”。通過引入“視覺原語”（Visual Primitives）框架，模型將點、邊界框等空間標記提升為最小思維單元。這意味著模型在推理時，能夠一邊“想”一邊“指”，將抽象的語言邏輯指向到具體空間坐標。

這一靈感借鑒了人類的認知。論文提及，人類走迷宮或數密集物體時，會用手指這類指示性指向來降低認知負荷、維持邏輯一致性。通過將視覺原語嵌入思考，模型可以模擬人類這種“指向-推理”的協同。

這一模型基于DeepSeek-V4-Flash（總參數2840億）構建。DeepSeek的大量實驗表明，該方法在推理精度上實現顯著突破，在空間推理、視覺問答等挑戰(zhàn)性任務上，性能持平或超越 GPT、Claude、Gemini 最新版本。

DeepSeek的研究證明：多模態(tài)智能的未來，不只是 “看見更多像素”，而是構建語言與視覺之間精準、無歧義的指代橋梁。

值得一提的是，DeepSeek在4月24日發(fā)布了V4系列旗艦模型，這次發(fā)布并沒有涉及傳言已久的多模態(tài)。官方當時對V4的定義是：支持百萬字超長上下文，在 Agent（智能體）能力、世界知識和推理性能上均實現國內與開源領域的領先。

多模態(tài)已經成為當前大模型更新的一個重要方向，而DeepSeek在這一方面卻遲遲未跟上，這也被認為是DeepSeek能力上的一大短板。也有傳言稱，DeepSeek暫緩多模態(tài)生成的訓練策略，主要源于算力和現金的掣肘，在融資后，或許這一方向的訓練會更加順利。

微信編輯| 蘇小

：bianjibu@yicai.com

：business@yicai.com