作者：简志智发布时间：2026-06-17 19:07:50 点击数：87456

刚刚官方渠道传达新政策变化佛得角门将社媒粉丝数狂涨80倍 很高兴为您解答这个问题，让我来帮您详细说明一下。品牌授权报修电话，快速上门服务

湖北省宜昌市西陵区辽宁省辽阳市白塔区陕西省宝鸡市千阳县塔城地区和布克赛尔蒙古自治县四川省成都市金牛区陕西省汉中市留坝县平顶山市卫东区内蒙古锡林郭勒盟镶黄旗平山县岗南镇武清区上马台镇昌平区回龙观街道江苏省苏州市相城区内蒙古鄂尔多斯市康巴什区博尔塔拉蒙古自治州温泉县山西省晋中市太谷区内蒙古呼伦贝尔市阿荣旗蓟州区东二营镇山东省泰安市泰山区蓟州区东施古镇平山县上观音堂乡吉林省四平市铁西区西城区天桥街道海南省海口市美兰区桥西区留营街道广东省深圳市四川省宜宾市江安县辽宁省朝阳市北票市四川省成都市新都区西乡塘区怀柔区宝山镇喀什地区麦盖提县密云区河南寨镇洛阳市汝阳县海南省三沙市西沙区防城港市东兴市阿克苏地区拜城县昌平区小汤山镇辽宁省朝阳市北票市海南省儋州市焦作市中站区阿克苏地区拜城县西青区精武镇江西省鹰潭市余江区赞皇县西龙门乡福建省漳州市龙海市百色市靖西市辽宁省锦州市义县焦作市沁阳市湖北省恩施土家族苗族自治州恩施市贵州省铜仁市印江土家族苗族自治县海南省儋州市河东区大直沽街道濮阳市南乐县广东省汕头市南澳县喀什地区麦盖提县淮南市大通区云南省玉溪市新平彝族傣族自治县陕西省汉中市西乡县静海区大邱庄镇无极县大陈镇蚌埠市蚌山区巴音郭楞蒙古自治州和硕县湖北省宜昌市秭归县江苏省徐州市四川省德阳市广汉市信阳市平桥区西城区天桥街道福建省厦门市湖里区朝阳区小红门地区南开区体育中心街道平山县宅北乡内蒙古呼伦贝尔市阿荣旗四川省广元市西城区天桥街道四川省宜宾市珙县辽宁省沈阳市密云区高岭镇黑龙江省佳木斯市汤原县密云区高岭镇辽宁省铁岭市开原市山西省长治市襄垣县四川省凉山彝族自治州昭觉县云南省怒江傈僳族自治州福贡县山西省吕梁市中阳县广东省云浮市新兴县甘肃省陇南市福建省福州市永泰县洛阳市汝阳县洛阳市汝阳县贵州省铜仁市玉屏侗族自治县博尔塔拉蒙古自治州温泉县井陉县测鱼镇贵州省黔东南苗族侗族自治州天柱县江西省吉安市吉安县贵州省黔南布依族苗族自治州惠水县甘肃省陇南市武都区江苏省镇江市句容市井陉县吴家窑乡蓟州区东二营镇百色市田林县

本月行业报告传达最新进展DeepSeek给AI装了根赛博手指，于是它能看见了，很高兴为您解答这个问题，让我来帮您详细说明一下:官方服务专线，支持多品牌报修

鹿泉区白鹿泉乡山西省晋城市高平市密云区不老屯镇内蒙古鄂尔多斯市康巴什区吉林省白山市浑江区江西省吉安市吉安县乌鲁木齐市沙依巴克区四川省凉山彝族自治州甘洛县崇左市钦州市四川省甘孜藏族自治州丹巴县甘肃省天水市秦州区云南省普洱市景东彝族自治县贵州省安顺市普定县蓟州区东赵各庄镇蓟州区官庄镇哈密市伊吾县重庆市县巫山县四川省凉山彝族自治州西昌市江苏省徐州市新沂市长安区南村镇湖北省孝感市汉川市四川省广元市昌平区阳坊镇辽宁省铁岭市清河区黑龙江省鹤岗市内蒙古兴安盟乌兰浩特市山西省晋城市高平市云南省丽江市宁蒗彝族自治县湖北省宜昌市西陵区河东区大直沽街道密云区河南寨镇四川省甘孜藏族自治州丹巴县黑龙江省伊春市金林区山东省烟台市牟平区福建省莆田市仙游县蓟州区官庄镇密云区不老屯镇平山县上观音堂乡防城港市东兴市南开区长虹街道朝阳区小红门地区西城区天桥街道江苏省南京市浦口区四川省广元市甘肃省兰州市福建省福州市永泰县甘肃省兰州市百色市靖西市重庆市县巫山县江西省景德镇市昌江区百色市田林县甘肃省陇南市武都区四川省甘孜藏族自治州泸定县怀柔区雁栖地区丰台区长辛店镇山西省吕梁市岚县广东省汕头市南澳县井陉县吴家窑乡山西省晋城市高平市福建省三明市梅列区内蒙古呼伦贝尔市阿荣旗辽宁省铁岭市开原市福建省南平市赞皇县院头镇怀柔区雁栖地区湖北省孝感市汉川市平山县上观音堂乡江苏省南通市启东市山东省淄博市临淄区山东省青岛市城阳区西城区月坛街道亳州市利辛县西城区天桥街道四川省甘孜藏族自治州福建省厦门市湖里区山西省临汾市安泽县西藏阿里地区日土县山西省晋中市榆社县黑龙江省鸡西市鸡冠区福建省福州市永泰县山西省忻州市宁武县山西省吕梁市岚县怀柔区雁栖地区山东省聊城市茌平区西城区月坛街道湖北省宜昌市西陵区甘肃省甘南藏族自治州合肥市瑶海区山西省晋城市泽州县内蒙古鄂尔多斯市鄂托克旗江西省九江市武宁县怀柔区龙山街道辽宁省沈阳市山西省阳泉市平定县桥西区留营街道山西省运城市夏县北辰区元氏县苏村乡江苏省苏州市相城区

全球服务区域:广东省佛山市三水区亳州市利辛县四川省凉山彝族自治州昭觉县四川省乐山市福建省莆田市城厢区四川省凉山彝族自治州甘洛县延庆区沈家营镇南阳市内乡县平山县东回舍镇广东省深圳市江苏省徐州市丰县赵县沙河店镇贵州省六盘水市水城县辽宁省铁岭市清河区钦州市四川省泸州市江阳区山东省泰安市东平县黑龙江省大兴安岭地区呼玛县山西省运城市夏县静海区西翟庄镇北辰区广源街道广东省深圳市静海区西翟庄镇赞皇县西龙门乡辽宁省本溪市溪湖区青海省海南藏族自治州贵德县乌鲁木齐市沙依巴克区延庆区康庄镇隆安县青海省海西蒙古族藏族自治州德令哈市蓟州区官庄镇黑龙江省伊春市金林区怀柔区雁栖地区辽宁省大连市旅顺口区延庆区沈家营镇朝阳区酒仙桥街道陕西省西安市未央区河西区桃园街道昌平区小汤山镇四川省成都市金牛区鹿泉区白鹿泉乡西藏山南市朝阳区豆各庄地区甘肃省陇南市武都区江西省景德镇市昌江区朝阳区小关街道江苏省徐州市山西省晋中市榆社县鹿泉区寺家庄镇福建省漳州市龙海市赞皇县院头镇崇左市宁明县怀柔区宝山镇江苏省南京市浦口区海南省三沙市西沙区陕西省汉中市留坝县内蒙古乌海市乌达区山西省晋城市高平市内蒙古鄂尔多斯市康巴什区山东省泰安市泰山区青海省海南藏族自治州贵德县四川省宜宾市珙县四川省广元市甘肃省陇南市赞皇县西龙门乡无极县大陈镇陕西省商洛市山阳县崇左市西青区精武镇江苏省南京市浦口区黑龙江省鹤岗市广东省汕头市南澳县桂林市秀峰区内蒙古呼伦贝尔市阿荣旗河东区大直沽街道芜湖市南陵县西藏山南市贡嘎县怀柔区龙山街道鹿泉区白鹿泉乡内蒙古呼伦贝尔市阿荣旗蓟州区官庄镇内蒙古兴安盟乌兰浩特市蚌埠市蚌山区朝阳区管庄地区西城区月坛街道南开区长虹街道焦作市中站区长安区南村镇福建省厦门市海沧区长安区南村镇山东省泰安市东平县甘肃省天水市秦州区山东省威海市蓟州区东赵各庄镇广东省深圳市黑龙江省佳木斯市富锦市江西省景德镇市昌江区四川省成都市双流区静海区西翟庄镇福建省莆田市仙游县

本月相关部门发布最新研究报告DeepSeek给AI装了根赛博手指，于是它能看见了，很高兴为您解答这个问题，让我来帮您详细说明一下:售后服务维修中心电话，支持多渠道服务

全国服务区域：贵州省铜仁市印江土家族苗族自治县江苏省连云港市赣榆区四川省甘孜藏族自治州四川省乐山市青海省果洛藏族自治州上海市市辖区嘉定区山东省聊城市茌平区怀柔区宝山镇南阳市内乡县长安区南村镇桥西区留营街道甘肃省庆阳市镇原县南阳市内乡县山东省枣庄市台儿庄区河东区大直沽街道山西省晋中市灵石县吉林省长春市双阳区赵县沙河店镇云南省玉溪市新平彝族傣族自治县黑龙江省哈尔滨市巴彦县陕西省商洛市山阳县吉林省白山市浑江区山西省临汾市安泽县江苏省南通市启东市陕西省宝鸡市千阳县百色市靖西市辽宁省沈阳市沈河区山西省吕梁市岚县陕西省汉中市南郑区江西省萍乡市上栗县马鞍山市博望区重庆市县巫山县云南省红河哈尼族彝族自治州绿春县顺义区空港街道平山县上观音堂乡青海省海西蒙古族藏族自治州德令哈市喀什地区叶城县江苏省苏州市相城区辽宁省锦州市义县西乡塘区云南省红河哈尼族彝族自治州泸西县乌鲁木齐市沙依巴克区湖北省宜昌市夷陵区江西省萍乡市上栗县辽宁省锦州市义县黑龙江省鹤岗市福建省南平市甘肃省天水市秦州区青海省玉树藏族自治州治多县昌平区延寿镇山东省淄博市临淄区山东省枣庄市台儿庄区四川省遂宁市蓬溪县江苏省南通市启东市元氏县福建省南平市赵县沙河店镇朝阳区管庄地区平顶山市卫东区云南省文山壮族苗族自治州广南县江苏省连云港市赣榆区湖北省宜昌市秭归县塔城地区和布克赛尔蒙古自治县甘肃省定西市渭源县云南省丽江市宁蒗彝族自治县山西省晋城市高平市四川省成都市金牛区乌鲁木齐市沙依巴克区平顶山市卫东区蚌埠市龙子湖区山东省东营市垦利区湖北省襄阳市襄州区伊犁哈萨克自治州昭苏县密云区不老屯镇阿克苏地区拜城县巴音郭楞蒙古自治州和硕县赞皇县院头镇哈密市伊吾县山东省聊城市冠县四川省甘孜藏族自治州九龙县鹿泉区白鹿泉乡四川省凉山彝族自治州西昌市甘肃省天水市秦州区四川省乐山市山东省泰安市东平县合肥市瑶海区山西省阳泉市平定县亳州市利辛县山西省朔州市山阴县青海省果洛藏族自治州云南省文山壮族苗族自治州广南县陕西省西安市未央区福建省福州市罗源县山东省烟台市龙口市元氏县殷村镇山东省聊城市冠县四川省甘孜藏族自治州泸定县四川省成都市金牛区固原市西吉县朝阳区小红门地区

售后服务上门服务电话，智能分配单据：DeepSeek给AI装了根赛博手指，于是它能看见了

五一假期前一天，DeepSeek突然扔出来一份视觉多模态技术报告。

点开之前，我心里大概是有个预期的，无非就是具体能看到多远、看得多清楚。

毕竟过去一年，多模态模型基本都在往这个方向卷。OpenAI讲thinking with images，让模型在推理过程中裁剪、放大、旋转图片；Gemini、Claude也都在想办法让模型处理更高分辨率、更复杂的视觉输入。

大家的共同假设是，只要模型看得更细，视觉推理自然就会更强。

但DeepSeek这份报告看下来，你会发现，他们完全走上了另一条路。

DeepSeek没有把重点放在“让模型看到更多像素”上，他们把注意力放在了一个更底层的问题上。

就算模型已经看清楚了，但是它在推理过程中，你怎么能保证模型和你指的是同一个东西？

其实这是多模态推理里最容易被忽略的死穴。

人类看图时，可以用手指去标记对象。比如“这个人是谁谁谁”、“那个人是谁谁谁”。但模型哪知道你说的这个是哪个？

模型只能用语言说“左边那个”“上面那个”“这条线”。一旦画面复杂起来，语言指代就会漂移，推理也会跟着崩。

于是DeepSeek就说了，那就给模型一根“手指”不就完了？

它把点和边界框变成模型思考时的基本单位，让模型能够一边用这根赛博手指指着对象，一边进行推理。

从连续视觉到离散符号

DeepSeek在这份技术报告里，提出了一个很有意思的问题。他们认为，多模态模型真正难的地方，不是看见图像，而是在连续推理过程中稳定地指向同一个视觉对象。

就比如你跟你的朋友说“菜市场里，张老太太的那个摊位卖的菜最新鲜”。但是菜市场里老头老太太多了去了，哪个是张老太太？

但如果你直接用手指着说“就是那个”，你朋友就会马上明白。

DeepSeek将这个问题命名为“引用鸿沟”(Reference Gap)。

过去一年，几乎所有前沿多模态模型都在解决“感知鸿沟”(Perception Gap)这个问题。

假如说有一张照片放在你面前，如果照片太模糊、分辨率太低，你可能看不清楚里面的小字或者远处的细节。AI也一样，如果输入的图像质量不够、处理方式不对，它就会“看不清”，这就是感知鸿沟。

GPT、Claude、Gemini这些模型不断提高分辨率，引入高分辨率裁剪、动态分块、多尺度处理，目的就是让模型能看到更多细节。

这个方向当然有价值，但DeepSeek在报告里指出，就算模型看得再清楚，在复杂的空间推理任务上，仍然会出现逻辑崩溃。

问题出在自然语言本身。

照片里有十几只狗，你说“左边那只狗”，那模型就没办法理解你说的具体是哪只。

还有更绝的，如果你让模型数一下照片里狗的数量，那么模型在推理过程中很容易就搞不清楚自己已经数过哪些、还有哪些没数。

报告中还提到了迷宫导航这样极端的情况，纯语言根本无法准确描述不规则形状的路径和复杂的拓扑关系。

语言作为一种指代工具，在连续的视觉空间里天生就是模糊的。它擅长抽象概念和因果关系，但在空间定位和拓扑关系上，语言的表达能力存在根本性的局限。

可DeepSeek本身就是个通用的语言模型，那应该怎样解决呢？

于是就有了文章开头提到的这根“手指”。

他们提出的核心概念是“视觉基元”(Visual Primitives)，具体来说就是把边界框（bounding boxes）和点（points）这两种计算机视觉里最基础的空间标记，提升为“思维的最小单位”。

以前的多模态模型虽然也能画框标注物体，但只是在最后给你看个结果，证明“我找到了”。就像考试时，你只交答案，不写解题过程。

也有一些研究让AI在思考过程中画框，但目的只是为了“看得更准”，框框只是个辅助工具。就好比你做数学题时用草稿纸，草稿纸只是帮你算得更清楚，不是解题思路的一部分。

DeepSeek要做的完全不同。

他们把这些空间标记直接嵌入到模型的推理过程中，让它们成为推理的有机组成部分。模型在思考的时候，不只是用语言描述“我看到了一只狗”，还同时输出“我看到了一只狗，它在这里：[[x1,y1,x2,y2]]”。

这个机制被DeepSeek称为“边推理边指向”(point while it reasons)。

模型的每一步思考都锚定在图像的具体坐标上。

技术报告里就给了这样一个例子：模型从起点出发，一路探索、回溯、再尝试，最后输出了一串完整的坐标路径，每个坐标都对应迷宫里走过的一个点。

这样一来，模型就不会在推理过程中“迷路”。它不会搞不清楚自己在说什么、指什么。每个视觉对象都有了明确的空间锚点，推理过程变得可追踪、可验证。

这条技术路线和OpenAI的方向形成了有趣的对比。

OpenAI在o3和o4-mini的官方介绍里明确提到了“thinking with images”的概念，即模型可以把图像纳入推理链，并通过裁剪、放大、旋转等方式处理图像。这个方向的重点是让图像本身成为思维链的一部分，模型可以在推理过程中生成新的图像、修改图像、对图像进行操作。

OpenAI的路线强调的是通用能力，视觉、代码、搜索、文件、工具调用一起协作。模型拥有一个强大的“视觉工作台”，可以灵活地处理各种视觉任务。

DeepSeek的路线则更“符号化”一点。它让坐标进入思维链。模型在推理文本里显式写出边界框和点的坐标，把视觉对象变成推理时可复用的锚点。

这就导致，OpenAI的视觉推理发生在内部，用户只能看到最终答案和必要解释，中间的视觉处理过程是黑箱。DeepSeek则故意把中间视觉锚点显式化，让推理过程完全透明。

DeepSeek这样做，好处是推理过程更容易被训练、检查和打分。这也让它更容易设计格式、质量和任务级奖励。尤其在迷宫、路径追踪这类任务中，可以对路径合法性、轨迹覆盖度等给出更细的反馈。

模型不只是学会输出正确答案，更是学会了用视觉基元进行推理的方法。

效率才是核心

DeepSeek这份报告里有一个很容易被忽略但极其重要的细节，他们的模型在处理图像时，用的token数量远远少于其他前沿模型。

报告里有一张对比图，展示了不同模型处理一张800×800分辨率图像时消耗的token数量。

Gemini-3-Flash约1100个，Claude-Sonnet-4.6约870个，GPT-5.4约740个，Qwen3-VL约660个，DeepSeek约361个，并在KV缓存里只保留约90个条目。

这个差距不是一点点。DeepSeek用的token数量只有Gemini的3分之1，KV缓存条目更是只有10分之1左右。

这种极致的效率是怎么实现的？

DeepSeek用了一个叫“压缩稀疏注意力”(Compressed Sparse Attention, CSA）的机制。

你可以这样理解，假如说你给朋友看一张全家福，你不会说“从左数第237个像素开始有一块红色区域……”，你会直接说“左边是我妈，右边是我爸”。

DeepSeek-ViT先把图像压成更少的视觉token，CSA再把这些视觉token在KV缓存中的表示进一步压缩。

这个机制在DeepSeek-V4-Flash模型上就使用过，现在被应用到了视觉多模态之中。

具体的压缩流程是这样的。一张756×756的图像，包含571536个像素。这些像素首先经过ViT处理，以14×14的patch size切分，生成2916个patch token。然后进行3×3的空间压缩，把每9个相邻的token沿着通道维度压缩成1个，变成324个视觉token。

这324个token进入大语言模型进行预填充。最后，CSA机制会把这些视觉token在KV缓存里再压缩4倍，最终只保留81个条目。

从571536个像素到81个KV缓存条目，整个压缩比达到了7056倍。

一般AI大厂都是在用暴力方法去堆计算资源，而DeepSeek则是在信息论层面去做取舍，只留下最直观易懂的信息。

其最直接的结果，就是推理速度变快了许多。

图像token数量直接影响模型的推理延迟。在自回归生成过程中，每生成一个新token，模型都需要对之前所有token的KV缓存进行注意力计算。如果图像占用了1000个token，那么每次生成都要对这1000个token做注意力。如果只占用90个，计算量就大幅减少。

对于需要实时响应的应用场景，比如机器人视觉、自动驾驶、实时视频分析，推理速度的提升起到了决定性作用。

然后它内存占用得也少。

KV缓存是大模型推理的内存瓶颈。特别是在处理长上下文或批量推理的时候，KV缓存会占用大量显存。DeepSeek把视觉token的KV缓存压缩到90个条目，意味着可以在同样的硬件上处理更多图像，或者处理更长的多轮对话。

这对于实际部署非常重要。很多华体汇电竞-华体汇(中国)的多模态模型在实验室里表现很好，但一到实际部署就遇到成本问题。每张图片消耗的token越多，推理成本就越高，可支持的并发用户就越少。DeepSeek的效率优势在规模化部署时会被放大。

同时也变相提高了模型的上下文容量。

如果一张图片要占用1000个token，那么在一个128k的上下文窗口里，只能放100多张图片。如果只占用300个token，就可以放400多张。这对于需要处理多图对话、长视频分析、大量文档理解的场景至关重要。

DeepSeek的模型可以在一个对话里处理更多图像，可以对比分析几十张甚至上百张图片，可以追踪视频里的长期变化。

最关键的是训练成本。

虽然报告主要讲推理效率，但这种压缩机制在训练阶段同样有效。更少的视觉token意味着更小的计算图，更快的训练速度，更低的硬件要求。

DeepSeek一直以“用更少资源做出更好效果”著称。从R1的强化学习训练，到V4的MoE架构，再到现在的视觉多模态，这种效率优先的哲学贯穿始终。

但这里有一个关键问题。压缩会不会损失信息？

DeepSeek并没有否认压缩会带来信息损失。它的主张是，在这组空间推理和计数任务上，压缩后的表征仍然足够有效。

每一步压缩都在保留对推理最重要的信息，丢弃冗余和噪声。

其实前面提到的DeepSeek的视觉基元机制，它本身也是一种信息压缩。一个边界框用4个数字就能精确定位一个物体，一个点用2个数字就能标记一个位置。这些离散符号携带的信息密度远高于原始像素。

从实验结果看，这种压缩没有损害性能，反而在某些任务上带来了提升。

这说明对于很多视觉推理任务，瓶颈不在于看得不够清楚，而在于没有找到合适的表征方式。

这种效率优势还证明了多模态智能不一定需要更大的模型、更多的算力、更高的成本。

从DeepSeek时刻诞生至今，这家华体汇电竞-华体汇(中国)一直有一条暗线，“真正的智能不在于算力，而在于对问题本质的理解”。

当你真正理解了视觉推理需要什么，你就不需要那么多token。当你找到了合适的表征方式，你就不需要那么大的模型。

从这个角度看，DeepSeek的极致效率不是目的，而是副华体汇电竞-华体汇(中国)。真正的目的是找到视觉推理的正确范式。效率只是证明了这个范式是对的。

未竟之事

DeepSeek在报告的局限性部分，坦诚地列出了当前方法存在的几个问题。这些问题不是技术细节上的小瑕疵，而是指向了视觉推理的下一个阶段。

第一个问题是触发词依赖。

报告里明确说，当前的“用视觉基元思考”能力需要显式的触发词（explicit trigger words）才能激活。也就是说，模型还不能自然、自主地决定“什么时候该画框、打点”。

它意味着模型还没有真正学会判断什么时候需要使用视觉基元，什么时候用语言就够了。

理想的情况是，模型应该能根据任务的性质自主决策。但当用户问“数一数图里有几只狗”的时候，模型应该自动切换到视觉基元模式，用边界框来辅助计数。

从技术上说，这需要在模型里建立一个元认知层。这个元认知层可以评估当前任务的复杂度，判断纯语言推理是否足够，决定是否需要调用视觉基元。

DeepSeek目前还没有实现这个元认知层，但他们已经明确了方向。未来的版本可能会让模型学会自主决定推理策略，而不是依赖外部触发。

第二个问题是分辨率限制。

报告提到，受输入分辨率限制，模型在细粒度场景下的表现还不够好，输出的视觉基元有时不够精确。

这个问题和DeepSeek的效率优先策略有关。为了控制token数量，他们限制了视觉token的范围在81到384之间。对于超出这个范围的图像，会进行缩放处理。

这种设计在大部分场景下是合理的，但在一些需要极高精度的任务上就会遇到瓶颈。比如医疗影像分析需要识别微小的病灶，工业质检需要发现细微的瑕疵，这些场景对分辨率的要求很高。

DeepSeek在报告里提到，这个问题可以通过整合现有的高分辨率方法来解决。也就是说，他们的视觉基元框架和传统的高分辨率裁剪方法不是对立的，而是互补的。

我觉得DeepSeek可以出个混合方案。

具体就是对于大部分常规任务，使用压缩的视觉表征和视觉基元推理，保持高效率。对于需要细粒度分析的局部区域，动态调用高分辨率裁剪，提取更详细的视觉信息。这样既保持了整体效率，又满足了局部精度需求。

这种混合方案的关键是让模型学会判断哪些区域需要高分辨率处理。于是这就又回到了刚才元认知的问题上。

第三个问题是跨场景泛化。

报告提到，用点作为视觉基元来解决复杂拓扑推理问题仍然很难，模型的跨场景泛化能力有限。

这个问题在迷宫导航和路径追踪任务上表现得比较明显。虽然DeepSeek在自己构建的测试集上达到了66.9%和56.7%的准确率，超过了其他模型，但这个数字本身还不够。

更重要的是，这些任务都是在合成数据上训练和测试的。迷宫是用算法生成的，路径追踪的曲线也是程序化绘制的。当模型遇到真实世界里的拓扑推理问题时，比如在真实地图上规划路径，在复杂管线图里追踪连接关系，表现可能会下降。

DeepSeek的方法是通过大规模、高多样性的数据来提升泛化能力。他们爬取了97984个数据源，经过严格过滤后保留了31701个，最终得到超过4000万个样本。在迷宫和路径追踪任务上，他们也设计了多种拓扑结构、视觉风格、难度等级，试图覆盖尽可能多的变化。

然而数据多样性只是泛化能力的一部分。模型是否真正理解了拓扑推理的本质？还是说它只是记住了训练数据里的模式而已？

另外，DeepSeek的视觉基元是一套新的表征系统，需要专门的数据格式、训练流程、评估方法。这和现有的多模态生态不完全兼容。

大部分多模态数据集和评测基准都是基于传统的“图像+文本”范式设计的，没有考虑视觉基元。如果要在这些基准上评测DeepSeek的模型，要么需要关闭视觉基元功能，要么需要重新设计评测方法。

其他研究者如果想复现或改进这个工作，需要重新构建整个数据和训练流程，门槛比较高。

DeepSeek能在报告中谈及这些问题，说明他们对自己的工作有清醒的认识。

这可能比给出完美答案更有价值。因为真正推动社会进步的，往往不是答案，而是问题。

今日监管部门更新政策动向DeepSeek给AI装了根赛博手指，于是它能看见了

五一假期前一天，DeepSeek突然扔出来一份视觉多模态技术报告。

点开之前，我心里大概是有个预期的，无非就是具体能看到多远、看得多清楚。

毕竟过去一年，多模态模型基本都在往这个方向卷。OpenAI讲thinking with images，让模型在推理过程中裁剪、放大、旋转图片；Gemini、Claude也都在想办法让模型处理更高分辨率、更复杂的视觉输入。

大家的共同假设是，只要模型看得更细，视觉推理自然就会更强。

但DeepSeek这份报告看下来，你会发现，他们完全走上了另一条路。

DeepSeek没有把重点放在“让模型看到更多像素”上，他们把注意力放在了一个更底层的问题上。

就算模型已经看清楚了，但是它在推理过程中，你怎么能保证模型和你指的是同一个东西？

其实这是多模态推理里最容易被忽略的死穴。

人类看图时，可以用手指去标记对象。比如“这个人是谁谁谁”、“那个人是谁谁谁”。但模型哪知道你说的这个是哪个？

模型只能用语言说“左边那个”“上面那个”“这条线”。一旦画面复杂起来，语言指代就会漂移，推理也会跟着崩。

于是DeepSeek就说了，那就给模型一根“手指”不就完了？

它把点和边界框变成模型思考时的基本单位，让模型能够一边用这根赛博手指指着对象，一边进行推理。

从连续视觉到离散符号

DeepSeek在这份技术报告里，提出了一个很有意思的问题。他们认为，多模态模型真正难的地方，不是看见图像，而是在连续推理过程中稳定地指向同一个视觉对象。

就比如你跟你的朋友说“菜市场里，张老太太的那个摊位卖的菜最新鲜”。但是菜市场里老头老太太多了去了，哪个是张老太太？

但如果你直接用手指着说“就是那个”，你朋友就会马上明白。

DeepSeek将这个问题命名为“引用鸿沟”(Reference Gap)。

过去一年，几乎所有前沿多模态模型都在解决“感知鸿沟”(Perception Gap)这个问题。

假如说有一张照片放在你面前，如果照片太模糊、分辨率太低，你可能看不清楚里面的小字或者远处的细节。AI也一样，如果输入的图像质量不够、处理方式不对，它就会“看不清”，这就是感知鸿沟。

GPT、Claude、Gemini这些模型不断提高分辨率，引入高分辨率裁剪、动态分块、多尺度处理，目的就是让模型能看到更多细节。

这个方向当然有价值，但DeepSeek在报告里指出，就算模型看得再清楚，在复杂的空间推理任务上，仍然会出现逻辑崩溃。

问题出在自然语言本身。

照片里有十几只狗，你说“左边那只狗”，那模型就没办法理解你说的具体是哪只。

还有更绝的，如果你让模型数一下照片里狗的数量，那么模型在推理过程中很容易就搞不清楚自己已经数过哪些、还有哪些没数。

报告中还提到了迷宫导航这样极端的情况，纯语言根本无法准确描述不规则形状的路径和复杂的拓扑关系。

语言作为一种指代工具，在连续的视觉空间里天生就是模糊的。它擅长抽象概念和因果关系，但在空间定位和拓扑关系上，语言的表达能力存在根本性的局限。

可DeepSeek本身就是个通用的语言模型，那应该怎样解决呢？

于是就有了文章开头提到的这根“手指”。

他们提出的核心概念是“视觉基元”(Visual Primitives)，具体来说就是把边界框（bounding boxes）和点（points）这两种计算机视觉里最基础的空间标记，提升为“思维的最小单位”。

以前的多模态模型虽然也能画框标注物体，但只是在最后给你看个结果，证明“我找到了”。就像考试时，你只交答案，不写解题过程。

也有一些研究让AI在思考过程中画框，但目的只是为了“看得更准”，框框只是个辅助工具。就好比你做数学题时用草稿纸，草稿纸只是帮你算得更清楚，不是解题思路的一部分。

DeepSeek要做的完全不同。

他们把这些空间标记直接嵌入到模型的推理过程中，让它们成为推理的有机组成部分。模型在思考的时候，不只是用语言描述“我看到了一只狗”，还同时输出“我看到了一只狗，它在这里：[[x1,y1,x2,y2]]”。

这个机制被DeepSeek称为“边推理边指向”(point while it reasons)。

模型的每一步思考都锚定在图像的具体坐标上。

技术报告里就给了这样一个例子：模型从起点出发，一路探索、回溯、再尝试，最后输出了一串完整的坐标路径，每个坐标都对应迷宫里走过的一个点。

这样一来，模型就不会在推理过程中“迷路”。它不会搞不清楚自己在说什么、指什么。每个视觉对象都有了明确的空间锚点，推理过程变得可追踪、可验证。

这条技术路线和OpenAI的方向形成了有趣的对比。

OpenAI在o3和o4-mini的官方介绍里明确提到了“thinking with images”的概念，即模型可以把图像纳入推理链，并通过裁剪、放大、旋转等方式处理图像。这个方向的重点是让图像本身成为思维链的一部分，模型可以在推理过程中生成新的图像、修改图像、对图像进行操作。

OpenAI的路线强调的是通用能力，视觉、代码、搜索、文件、工具调用一起协作。模型拥有一个强大的“视觉工作台”，可以灵活地处理各种视觉任务。

DeepSeek的路线则更“符号化”一点。它让坐标进入思维链。模型在推理文本里显式写出边界框和点的坐标，把视觉对象变成推理时可复用的锚点。

这就导致，OpenAI的视觉推理发生在内部，用户只能看到最终答案和必要解释，中间的视觉处理过程是黑箱。DeepSeek则故意把中间视觉锚点显式化，让推理过程完全透明。

DeepSeek这样做，好处是推理过程更容易被训练、检查和打分。这也让它更容易设计格式、质量和任务级奖励。尤其在迷宫、路径追踪这类任务中，可以对路径合法性、轨迹覆盖度等给出更细的反馈。

模型不只是学会输出正确答案，更是学会了用视觉基元进行推理的方法。

效率才是核心

DeepSeek这份报告里有一个很容易被忽略但极其重要的细节，他们的模型在处理图像时，用的token数量远远少于其他前沿模型。

报告里有一张对比图，展示了不同模型处理一张800×800分辨率图像时消耗的token数量。

Gemini-3-Flash约1100个，Claude-Sonnet-4.6约870个，GPT-5.4约740个，Qwen3-VL约660个，DeepSeek约361个，并在KV缓存里只保留约90个条目。

这个差距不是一点点。DeepSeek用的token数量只有Gemini的3分之1，KV缓存条目更是只有10分之1左右。

这种极致的效率是怎么实现的？

DeepSeek用了一个叫“压缩稀疏注意力”(Compressed Sparse Attention, CSA）的机制。

你可以这样理解，假如说你给朋友看一张全家福，你不会说“从左数第237个像素开始有一块红色区域……”，你会直接说“左边是我妈，右边是我爸”。

DeepSeek-ViT先把图像压成更少的视觉token，CSA再把这些视觉token在KV缓存中的表示进一步压缩。

这个机制在DeepSeek-V4-Flash模型上就使用过，现在被应用到了视觉多模态之中。

具体的压缩流程是这样的。一张756×756的图像，包含571536个像素。这些像素首先经过ViT处理，以14×14的patch size切分，生成2916个patch token。然后进行3×3的空间压缩，把每9个相邻的token沿着通道维度压缩成1个，变成324个视觉token。

这324个token进入大语言模型进行预填充。最后，CSA机制会把这些视觉token在KV缓存里再压缩4倍，最终只保留81个条目。

从571536个像素到81个KV缓存条目，整个压缩比达到了7056倍。

一般AI大厂都是在用暴力方法去堆计算资源，而DeepSeek则是在信息论层面去做取舍，只留下最直观易懂的信息。

其最直接的结果，就是推理速度变快了许多。

图像token数量直接影响模型的推理延迟。在自回归生成过程中，每生成一个新token，模型都需要对之前所有token的KV缓存进行注意力计算。如果图像占用了1000个token，那么每次生成都要对这1000个token做注意力。如果只占用90个，计算量就大幅减少。

对于需要实时响应的应用场景，比如机器人视觉、自动驾驶、实时视频分析，推理速度的提升起到了决定性作用。

然后它内存占用得也少。

KV缓存是大模型推理的内存瓶颈。特别是在处理长上下文或批量推理的时候，KV缓存会占用大量显存。DeepSeek把视觉token的KV缓存压缩到90个条目，意味着可以在同样的硬件上处理更多图像，或者处理更长的多轮对话。

这对于实际部署非常重要。很多华体汇电竞-华体汇(中国)的多模态模型在实验室里表现很好，但一到实际部署就遇到成本问题。每张图片消耗的token越多，推理成本就越高，可支持的并发用户就越少。DeepSeek的效率优势在规模化部署时会被放大。

同时也变相提高了模型的上下文容量。

如果一张图片要占用1000个token，那么在一个128k的上下文窗口里，只能放100多张图片。如果只占用300个token，就可以放400多张。这对于需要处理多图对话、长视频分析、大量文档理解的场景至关重要。

DeepSeek的模型可以在一个对话里处理更多图像，可以对比分析几十张甚至上百张图片，可以追踪视频里的长期变化。

最关键的是训练成本。

虽然报告主要讲推理效率，但这种压缩机制在训练阶段同样有效。更少的视觉token意味着更小的计算图，更快的训练速度，更低的硬件要求。

DeepSeek一直以“用更少资源做出更好效果”著称。从R1的强化学习训练，到V4的MoE架构，再到现在的视觉多模态，这种效率优先的哲学贯穿始终。

但这里有一个关键问题。压缩会不会损失信息？

DeepSeek并没有否认压缩会带来信息损失。它的主张是，在这组空间推理和计数任务上，压缩后的表征仍然足够有效。

每一步压缩都在保留对推理最重要的信息，丢弃冗余和噪声。

其实前面提到的DeepSeek的视觉基元机制，它本身也是一种信息压缩。一个边界框用4个数字就能精确定位一个物体，一个点用2个数字就能标记一个位置。这些离散符号携带的信息密度远高于原始像素。

从实验结果看，这种压缩没有损害性能，反而在某些任务上带来了提升。

这说明对于很多视觉推理任务，瓶颈不在于看得不够清楚，而在于没有找到合适的表征方式。

这种效率优势还证明了多模态智能不一定需要更大的模型、更多的算力、更高的成本。

从DeepSeek时刻诞生至今，这家华体汇电竞-华体汇(中国)一直有一条暗线，“真正的智能不在于算力，而在于对问题本质的理解”。

当你真正理解了视觉推理需要什么，你就不需要那么多token。当你找到了合适的表征方式，你就不需要那么大的模型。

从这个角度看，DeepSeek的极致效率不是目的，而是副华体汇电竞-华体汇(中国)。真正的目的是找到视觉推理的正确范式。效率只是证明了这个范式是对的。

未竟之事

DeepSeek在报告的局限性部分，坦诚地列出了当前方法存在的几个问题。这些问题不是技术细节上的小瑕疵，而是指向了视觉推理的下一个阶段。

第一个问题是触发词依赖。

报告里明确说，当前的“用视觉基元思考”能力需要显式的触发词（explicit trigger words）才能激活。也就是说，模型还不能自然、自主地决定“什么时候该画框、打点”。

它意味着模型还没有真正学会判断什么时候需要使用视觉基元，什么时候用语言就够了。

理想的情况是，模型应该能根据任务的性质自主决策。但当用户问“数一数图里有几只狗”的时候，模型应该自动切换到视觉基元模式，用边界框来辅助计数。

从技术上说，这需要在模型里建立一个元认知层。这个元认知层可以评估当前任务的复杂度，判断纯语言推理是否足够，决定是否需要调用视觉基元。

DeepSeek目前还没有实现这个元认知层，但他们已经明确了方向。未来的版本可能会让模型学会自主决定推理策略，而不是依赖外部触发。

第二个问题是分辨率限制。

报告提到，受输入分辨率限制，模型在细粒度场景下的表现还不够好，输出的视觉基元有时不够精确。

这个问题和DeepSeek的效率优先策略有关。为了控制token数量，他们限制了视觉token的范围在81到384之间。对于超出这个范围的图像，会进行缩放处理。

这种设计在大部分场景下是合理的，但在一些需要极高精度的任务上就会遇到瓶颈。比如医疗影像分析需要识别微小的病灶，工业质检需要发现细微的瑕疵，这些场景对分辨率的要求很高。

DeepSeek在报告里提到，这个问题可以通过整合现有的高分辨率方法来解决。也就是说，他们的视觉基元框架和传统的高分辨率裁剪方法不是对立的，而是互补的。

我觉得DeepSeek可以出个混合方案。

具体就是对于大部分常规任务，使用压缩的视觉表征和视觉基元推理，保持高效率。对于需要细粒度分析的局部区域，动态调用高分辨率裁剪，提取更详细的视觉信息。这样既保持了整体效率，又满足了局部精度需求。

这种混合方案的关键是让模型学会判断哪些区域需要高分辨率处理。于是这就又回到了刚才元认知的问题上。

第三个问题是跨场景泛化。

报告提到，用点作为视觉基元来解决复杂拓扑推理问题仍然很难，模型的跨场景泛化能力有限。

这个问题在迷宫导航和路径追踪任务上表现得比较明显。虽然DeepSeek在自己构建的测试集上达到了66.9%和56.7%的准确率，超过了其他模型，但这个数字本身还不够。

更重要的是，这些任务都是在合成数据上训练和测试的。迷宫是用算法生成的，路径追踪的曲线也是程序化绘制的。当模型遇到真实世界里的拓扑推理问题时，比如在真实地图上规划路径，在复杂管线图里追踪连接关系，表现可能会下降。

DeepSeek的方法是通过大规模、高多样性的数据来提升泛化能力。他们爬取了97984个数据源，经过严格过滤后保留了31701个，最终得到超过4000万个样本。在迷宫和路径追踪任务上，他们也设计了多种拓扑结构、视觉风格、难度等级，试图覆盖尽可能多的变化。

然而数据多样性只是泛化能力的一部分。模型是否真正理解了拓扑推理的本质？还是说它只是记住了训练数据里的模式而已？

另外，DeepSeek的视觉基元是一套新的表征系统，需要专门的数据格式、训练流程、评估方法。这和现有的多模态生态不完全兼容。

大部分多模态数据集和评测基准都是基于传统的“图像+文本”范式设计的，没有考虑视觉基元。如果要在这些基准上评测DeepSeek的模型，要么需要关闭视觉基元功能，要么需要重新设计评测方法。

其他研究者如果想复现或改进这个工作，需要重新构建整个数据和训练流程，门槛比较高。

DeepSeek能在报告中谈及这些问题，说明他们对自己的工作有清醒的认识。

这可能比给出完美答案更有价值。因为真正推动社会进步的，往往不是答案，而是问题。


新华社旧金山6月6日电(记者吴晓凌)6月1日至6日，中国人民对外友好协会会长杨万明率团访问加拿大、美国，出席第六届中加文化对话和第八届中美友城大会并致辞。
华体汇电竞-华体汇(中国) 华体汇电竞-华体汇(中国)-得吃·top网最新版本官方版-得吃·top网最新版本最新版N.9.58.75-2265安卓网

华体汇电竞-华体汇(中国)

佛得角门将社媒粉丝数狂涨80倍
首页>>国台办发布会 特朗普访华对两岸议题影响受关注
佛得角门将社媒粉丝数狂涨80倍

华体汇电竞-华体汇(中国):佛得角门将社媒粉丝数狂涨80倍

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

81.50MB
版本{版本}
下载APK高速下载
下载再DeepSeek给AI装了根赛博手指，于是它能看见了安装你想要的应用 更方便 更快捷 发现更多
喜欢32%好评(87人)
评论59
DeepSeek给AI装了根赛博手指，于是它能看见了截图0DeepSeek给AI装了根赛博手指，于是它能看见了截图1DeepSeek给AI装了根赛博手指，于是它能看见了截图2DeepSeek给AI装了根赛博手指，于是它能看见了截图3DeepSeek给AI装了根赛博手指，于是它能看见了截图4
详细信息
应用介绍
?第一步：访问《DeepSeek给AI装了根赛博手指，于是它能看见了》官网?首先,打开您的浏览器,输入《DeepSeek给AI装了根赛博手指，于是它能看见了》。您可以通过搜索引擎搜索或直接输入网址来访问.?
?第二步：点击注册按钮?一旦进入《DeepSeek给AI装了根赛博手指，于是它能看见了》网站官网，您会在页面上找到一个醒目的注册按钮。点击该按钮，您将被引导至注册页面。??
?第三步：填写注册信息 ?在注册页面上，您需要填写一些必要的个人信息来创建《DeepSeek给AI装了根赛博手指，于是它能看见了》网站账户。通常包括用户名、密码、电子邮件地址、手机号码等。请务必提供准确完整的信息，以确保顺利完成注册。?
?第四步：验证账户?填写完个人信息后，您可能需要进行账户验证。《DeepSeek给AI装了根赛博手指，于是它能看见了》网站会向您提供的电子邮件地址或手机号码发送一条验证信息，您需要按照提示进行验证操作。这有助于确保账户的安全性，并防止不法分子滥用您的个人信息。?
?第五步：设置安全选项?《DeepSeek给AI装了根赛博手指，于是它能看见了》网站通常要求您设置一些安全选项，以增强账户的安全性。例如，可以设置安全问题和答案，启用两步验证等功能。请根据系统的提示设置相关选项，并妥善保管相关信息，确保您的账户安全。?
?第六步：阅读并同意条款?在注册过程中，《DeepSeek给AI装了根赛博手指，于是它能看见了》网站会提供使用条款和规定供您阅读。这些条款包括平台的使用规范、隐私政策等内容。在注册之前，请仔细阅读并理解这些条款，并确保您同意并愿意遵守。???
?第七步：完成注册?一旦您完成了所有必要的步骤，并同意了《DeepSeek给AI装了根赛博手指，于是它能看见了》网站的条款，恭喜您！您已经成功注册了《DeepSeek给AI装了根赛博手指，于是它能看见了》网站账户。现在，您可以畅享《DeepSeek给AI装了根赛博手指，于是它能看见了》网站提供的丰富体育赛事、刺激的游戏体验以及其他令人兴奋!??
【联系华体汇(中国)】
客服热线
加载更多
版本更新
{版本}
DeepSeek给AI装了根赛博手指，于是它能看见了

华体汇电竞-华体汇(中国): DeepSeek给AI装了根赛博手指，于是它能看见了类似软件

相关攻略
包含 饿了么 的应用集
友情链接
  • 4月我国公募基金总规模近40万亿元 创历史新高
    2026-06-17 19:07:50
  • 5月份PMI数据出炉 我国经济总体产出保持扩张
    2026-06-17 19:07:50
  • 美国爱达荷州一空军基地发生空中撞机 飞行员弹射逃生
    2026-06-17 19:07:50
安卓手机网上最贴心的Android软件应用平台!版权所有：DeepSeek给AI装了根赛博手指，于是它能看见了有限华体汇电竞-华体汇(中国)备案号：京ICP备17065190号-1