來源：市場資訊

（來源：智能紀元AGI）

5月1日消息，今天AI領(lǐng)域的最大事件，無疑是DeepSeek刪論文的消息。

昨天，DeepSeek多模態(tài)團隊負責(zé)人陳小康宣布灰度基于多模態(tài)模型技術(shù)的“識圖模式”，以及在GitHub平臺上傳了一篇長達25頁的多模態(tài)研究論文：

《Thinking with Visual Primitives》（用視覺基元思考）。

然而，到了今晨，陳小康的推文刪了，這篇多模態(tài)研究論文也撤了、GitHub庫也404了。

在未刪除之前，我把這篇論文下載并且讀完了。

我靜下心把整篇內(nèi)容捋完之后，反倒有了不一樣的感受。

你以為，這是簡單DeepSeek的識圖模式論文，但其實，這篇論文映射出DeepSeek揭露了行業(yè)的發(fā)展趨勢：

多模態(tài)AI模型的下一階段競爭重點，可能從單純的“看得更清”轉(zhuǎn)向“思考時能精確指向”。通過將坐標嵌入思維鏈，多模態(tài)模型模仿了人類“邊指邊想”的協(xié)同機制，為解決復(fù)雜空間結(jié)構(gòu)化推理提供了一條新穎路徑——最終其實也要走向世界模型。

值得一提的是，就在8小時前，DeepSeek正式公布了Agent接入指南，親手教大家接入OpenClaw、Hermes等方式，深入到Agent技術(shù)層面。

所以，在我看來，DeepSeek連夜刪論文，刪除的原因不是“論文有問題”，實際可能是灰度下重新修正“識圖模式”的能力，以及這篇論文可能太超前，透露太多了。很多數(shù)據(jù)需要重新進行查驗和修正，并且有望重新上傳到arxiv上。

越往后深入了解，越能體會到這次DeepSeek V4以及多模態(tài)新模型的含金量，也真切感覺到AI行業(yè)的技術(shù)迭代。

實際上，梁文鋒一直都在悄悄提速，AI技術(shù)的真正核心突破往往都藏在這種技術(shù)論文里。

DeepSeek新論文到底講了什么？

先做總結(jié)。

這篇DeepSeek已撤回的多模態(tài)研究論文《Thinking with Visual Primitives》，核心在于探討自然語言模型到視覺等多模態(tài)模型的瓶頸和變化，從而揭示DeepSeek多模態(tài)領(lǐng)域的新研究方向：

從單純的“看得更清”，轉(zhuǎn)向“推理思考時能精確指向”。

換句話說，未來模型既有AI聊天和深度研究，而且還能用AI大模型技術(shù)（非OCR）識別圖像視頻中的核心信息。

而通過將坐標嵌入思維鏈，DeepSeek的多模態(tài)模型模仿了人類“邊指邊想”的協(xié)同機制，這將解決世界模型、3D空間的結(jié)構(gòu)化推理等方向。提供了一條新穎而有效的路徑。

下面再基于這篇已刪新技術(shù)報告，具體看看DeepSeek、北京大學(xué)、清華大學(xué)又創(chuàng)造了怎樣的奇跡。

首先，大型語言模型（LLMs）與計算機視覺的融合，開啟了多模態(tài)大型語言模型時代，使其具備了復(fù)雜的場景理解能力。然而，當我們推動這些模型進行復(fù)雜的推理，當前范式的一個根本性局限便顯現(xiàn)出來。

盡管這些模型的內(nèi)部推理（通常以思維鏈的形式呈現(xiàn)）在語言領(lǐng)域已變得越來越穩(wěn)健，但它與視覺領(lǐng)域在很大程度上仍然是割裂的。而當前多模態(tài)模型主要解決的是感知差距。

然而，“看見”不等于“推理”。

即使擁有完美的感知能力，多模態(tài)大模型在處理涉及復(fù)雜空間布局或密集物體交互的任務(wù)時，仍常常遭遇邏輯崩潰。在密集計數(shù)或多步驟空間推理等場景中，模型的“語言”思維會失去對其試圖指代的視覺實體的追蹤，從而導(dǎo)致連鎖幻覺。

因此，DeepSeek聯(lián)合北京大學(xué)和清華大學(xué)，提出一種范式轉(zhuǎn)變：基于視覺基元進行思考。

團隊超越將視覺定位視為次要任務(wù)或最終輸出的傳統(tǒng)做法，將空間標記——點和邊界框——提升為“思維的最小單元”，直接交錯嵌入模型的推理軌跡中。

這一機制從人類的認知過程中汲取靈感。當人類在復(fù)雜迷宮中導(dǎo)航或清點密集物體時，會自然地運用指示性指針（例如手勢）來降低認知負荷并保持邏輯一致性。

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

通過將視覺基元交錯融入思考過程，這個模型模仿了這種“指向?推理”的協(xié)同作用，有效地將抽象的語言思維錨定到具體的空間坐標上。此外，該模型框架建立在架構(gòu)高效的基礎(chǔ)之上，專為高吞吐、長上下文的多模態(tài)交互而設(shè)計。與依賴海量視覺標記序列來彌補視覺缺陷的傳統(tǒng)方法不同，我們的模型利用壓縮稀疏注意力技術(shù)，它將每個視覺標記的鍵值緩存壓縮為單一條目。

總結(jié)這個研究報告的三個創(chuàng)新點：

第一大核心創(chuàng)新，是重構(gòu)視覺推理邏輯，把坐標與邊界框做成可實時參與思考的思維單元。

傳統(tǒng)模型先推理、后補坐標，屬于事后標注；但該模型全程在思維鏈中同步框選、打點定位，用空間錨點鎖定邏輯路徑，避免推理跑偏，同時配套點、框兩類標準視覺原語，適配各類復(fù)雜視覺場景定位需求。

第二項硬核創(chuàng)新為超高倍率視覺輕量化壓縮，通過圖像分塊編碼、多層空間降采樣與壓縮稀疏注意力聯(lián)動優(yōu)化，整體達成7056倍視覺信息壓縮。大幅削減KV緩存占用，顯存開銷遠低于同類旗艦?zāi)Ｐ停龅娇吹脺�、開銷低，高效平衡視覺表征精度與推理落地算力成本。

第三項關(guān)鍵創(chuàng)新，是全流程的高校數(shù)據(jù)定制化搭建，搭配專屬進階訓(xùn)練體系。團隊嚴控數(shù)據(jù)源篩選雙重審核標準，首先爬取了近 10 萬個與目標檢測相關(guān)的數(shù)據(jù)集，經(jīng)過兩輪嚴格篩選（語義審核和幾何質(zhì)量審核），最終保留約 3.17 萬個高質(zhì)量數(shù)據(jù)源，生成超過 4000 萬條訓(xùn)練樣本。

在針對性設(shè)計的計數(shù)、多跳空間問答、迷宮導(dǎo)航、曲線路徑追蹤四個任務(wù)中，該模型專門補齊拓撲空間推理短板。而且，團隊采用先分訓(xùn)專家模型、再統(tǒng)一強化微調(diào)的分體融合訓(xùn)練策略，搭配多維精細化獎勵機制與在線策略蒸餾優(yōu)化，穩(wěn)步提升模型視覺理解穩(wěn)定性，強化復(fù)雜場景下的綜合推理適配能力。

測試成果層面，DeepSeek團隊在11個基準測試上進行了評測，與谷歌Gemini-3-Flash、GPT-5.4、Claude Sonnet 4.6、谷歌Gemma4-31B、阿里Qwen3-VL-235B等主流模型對比，DeepSeek新的視覺模型，與其他海外模型差距懸殊，并且超越了阿里Qwen3-VL-235B。

DeepSeek多模態(tài)識別的圖片顯示，DeepSeek視覺模型在Pixmo-Count（精確匹配）上得分89.2%，超過Gemini-3-Flash的88.2%、GPT-5.4的76.6%和Claude Sonnet 4.6的68.7%。

在空間推理的多個基準上，整體表現(xiàn)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。

在拓撲推理的迷宮導(dǎo)航（DS_Maze_Navigation）任務(wù)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%，新模型提升了約17個百分點。

不過目前，DeepSeek灰度“識圖模式”功能的用戶太少，包括我在內(nèi)都沒辦法使用，只能說用普通模式、專家模型識別一些簡單圖片。

猜測五一假期之后，DeepSeek可能還會上很多新功能。

梁文鋒想的AGI到底是什么：物理世界AI

總結(jié)來說，這篇論文完全體現(xiàn)出DeepSeek未來發(fā)展節(jié)奏，絕對不是單純的多模態(tài)視覺識別，而是瞄準了更大的發(fā)展前奏——物理世界AI。

最近，世界模型和物理AI是模型層新的發(fā)展趨勢。

我也是總結(jié)了最近幾天發(fā)布的模型，發(fā)現(xiàn)大家10天發(fā)布了10款A(yù)I基礎(chǔ)模型，其中80%來自中國企業(yè)。

• 20日：Kimi K2.6發(fā)布；Qwen3.6 27B系列模型測試結(jié)果陸續(xù)出來。

• 21日：螞蟻Ling 2.6 Flash模型發(fā)布；Qwen3.6 35B A3B推理和非推理模型開始在各大算力平臺測試；

• 23日：OpenAl GPT-5.5模型公布，小米Xiaomi MiMo-V2.5系列大模型正式開啟公測；騰訊混元Hy3-preview 推理模型發(fā)布；

• 24日：DeepSeek V4 Pro和DeepSeek V4 Flash系列模型發(fā)布；

• 28日：IBM Granite 4.1模型基準測試公布；小米Mimo-V2.5 Pro正式發(fā)布。

• 30日：Ling 2.6 -1T基礎(chǔ)模型正式開源；DeepSeek上線識圖模式開啟灰測。

目前來看，無論是Kimi K2.6，還是DeepSeek V4系列，顯示出今年基礎(chǔ)模型層最大的三個方向：Agent智能體、Coding編程能力、多模態(tài)和世界模型技術(shù)。

一個例子就是Kimi。

近期，月之暗面Kimi發(fā)布并開源的Kimi K2.6模型，在通用Agent、代碼、視覺理解等綜合能力全面提升，在多個基準測試優(yōu)于或持平GPT-5.4、Claude Opus 4.6和Gemini 3.1 Pro等閉源模型。

而Kimi K2.6長程編碼能力得到顯著提升，在測試中可不間斷編碼13小時，編寫或修改超過4000行代碼。同時大幅增強了Agent自主化執(zhí)行能力，由 K2.6 模型驅(qū)動的Agent集群架構(gòu)，支持300個子Agent并行完成4000個協(xié)作步驟，實現(xiàn)更大規(guī)模的并行化。

針對高負載工作流與OpenClaw、Hermes Agent等主動式Agent框架，K2.6具備自動化任務(wù)處理能力，支持長達5天的持續(xù)自主運行。

簡單來說，現(xiàn)在很多模型，增加了Agent和世界物理AI的功能和適配。

但DeepSeek這套視覺多模態(tài)模型其實還比較落后，原因在于DeepSeek之前沒往多模態(tài)層面考量，更多還是在語言模型層面實現(xiàn)AGI。

值得一提的是，論文也提出了一些局限性：

1、受限于圖片輸入分辨率，模型在超高精細視覺場景中表現(xiàn)不佳，容易出現(xiàn)坐標、點位等視覺思維單元標注不準的問題，后續(xù)可結(jié)合感知缺口優(yōu)化算法聯(lián)動優(yōu)化補足短板。

2、核心視覺思維推理能力依賴專屬觸發(fā)詞才能啟用，無法自主讀懂場景需求、主動調(diào)用坐標框選推理機制，智能自適應(yīng)適配性有待提升。

3、用單點坐標處理高難度復(fù)雜拓撲推理難題時能力偏弱，跨場景泛化穩(wěn)定性不足，同類能力很難靈活適配多樣化復(fù)雜空間任務(wù)，也是后續(xù)技術(shù)迭代重點攻堅方向。

因此，新的研究成果并非真正意義的物理AI、世界模型，也不是完全的多模態(tài)識別，其頂多是DeepSeek OCR 2和V4的結(jié)合體。

這或許是DeepSeek提前撤下論文的原因之一。

2500年前，古希臘哲學(xué)家普羅泰戈拉提出：“人是萬物的尺度�！�

這句話的真正含義是，世界本身沒有固有價值，所有意義與判斷，都由人的感知與思考來定義。

而DeepSeek這篇論文想要揭示的核心趨勢，正是 AI 視覺能力的一次本質(zhì)躍遷：從只會 “看清畫面”，升級為思考時精準定位、理解空間、判斷價值。

未來十年，AI一定會深度重塑工作方式、改變產(chǎn)業(yè)格局、重構(gòu)生活節(jié)奏。

但無論技術(shù)如何進化，人類獨有的情感、經(jīng)驗創(chuàng)造力與同理心，永遠無法被算法替代。

人的價值，來自真實的生活閱歷；人與人之間的情感連接，才是我們愿意彼此關(guān)心、持續(xù)前行的根本理由。

因此，無論 AI 如何飛速發(fā)展，有一件事永遠不會改變：

我們依然需要珍惜身邊真實的關(guān)系，保有真實的內(nèi)心感受，理性適應(yīng)技術(shù)變化，不斷去探索人類最本質(zhì)的力量 ——創(chuàng)造價值、感知意義、彼此相連。

五一節(jié)快樂。

?本文為智能紀元AGI（weixin6060000）原創(chuàng)內(nèi)容