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

架构层面的压缩同样值得关注。对于一张 756x756 的图片：

1. ViT 处理后生成 2916 个图像块 token
2. 3x3 空间压缩后合并为 324 个 token
3. 内置的 CSA（压缩稀疏注意力）机制再压缩 4 倍
4. 最终只剩 81 个视觉 KV 缓存条目

整体压缩比达到 7056 倍。对比一下：Claude Sonnet 4.6 处理同等图片需要约 870 个 KV 缓存条目，Gemini-3-Flash 需要约 1100 个。DeepSeek 用不到十分之一的缓存开销，实现了同等级别的推理能力。

实际体验

识图模式支持开启/关闭深度思考。非思考模式下速度极快，几乎是秒回；开启深度思考后，推理能力大幅提升，但耗时也显著增加（复杂题可能需要 4 分钟以上）。

空间推理题的实测中，非思考模式秒答但容易出错，开启深度思考后正确率明显提升。不过当前版本的思考过程较为冗长，DeepSeek 团队也承认这一点还在优化中。

性能对比

在 11 个基准测试上与主流模型对比：

在拓扑推理任务上优势最为明显，迷宫导航比 GPT-5.4 高出 16 个百分点以上。

如何体验

1. 在线体验：打开 DeepSeek 网页端 或 App，在对话中上传图片即可触发识图模式（目前仍在灰度中，部分用户可用）
2. 本地部署：从 GitHub 仓库下载模型权重自行部署
3. API 调用：关注 DeepSeek 官方后续的 API 开放计划

提示：识图模式目前处于灰度阶段，如果你还没有看到该功能入口，可以关注 DeepSeek 官方后续的全面开放公告。