DeepSeek 的多模态能力终于落地了。4 月底，DeepSeek 在网页端和 App 灰度上线了「识图模式」，同时发布了技术报告《Thinking with Visual Primitives（以视觉原语思考）》。这个模型最核心的变化是：在推理时不再只用文字思考，而是像人一样用"坐标"在图片上指指点点，把视觉锚点直接嵌入思维链。

这个模型是什么

DeepSeek 识图模式使用的是一个 284B 总参数、13B 激活参数的多模态推理模型，基座是 DeepSeek-V4-Flash。它已经可以在 DeepSeek 网页端和 App 中直接体验。

项目地址和技术报告已开源：

• 项目地址：https://github.com/deepseek-ai/Thinking-with-Visual-Primitives
• 技术报告：https://github.com/deepseek-ai/Thinking-with-Visual-Primitives/blob/main/Thinking\_with\_Visual\_Primitives.pdf

核心创新：坐标变成"思维单元"

传统多模态模型在处理视觉推理时有一个致命问题：用自然语言描述图片中的对象时，描述天然是模糊的。"左边那个大的"、"靠近中央的红色物体"在密集场景里根本无法精确定位，模型越想越乱。

DeepSeek 把这个问题命名为 Reference Gap（指代鸿沟），解法很直接：把边界框（Bounding Box）和点坐标变成推理的基本单位，像文字一样穿插在思维链里。

举个例子，当模型在数图里有几只熊时，推理过程是这样的：

扫描图片寻找熊，找到一只 <|ref|> 熊 <|/ref|><|box|>[[452,23,804,411]]<|/box|>，它正在爬树，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|>，站在岩石边缘，符合条件。

这就像人类在数东西时用手指逐一点过去。坐标不再是答案，而是推理过程中消除歧义的「锚点」。模型有两种视觉原语：边界框（<|box|>）用于定位和尺寸信息，点坐标（<|point|>）用于更抽象的空间指代。

7056 倍视觉压缩