作者：谢恭原发布时间：2026-06-17 14:54:51 点击数：86986

今日研究机构公开最新研究成果助考警员引导扭伤考生进考场 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

湖北省宜昌市夷陵区山东省烟台市牟平区云南省玉溪市新平彝族傣族自治县福建省福州市永泰县湖北省恩施土家族苗族自治州建始县蓟州区东二营镇朝阳区小关街道云南省玉溪市新平彝族傣族自治县云南省西双版纳傣族自治州勐腊县江西省萍乡市上栗县广东省深圳市西藏拉萨市达孜区朝阳区管庄地区四川省乐山市福建省莆田市城厢区青海省海北藏族自治州门源回族自治县云南省普洱市景东彝族自治县黑龙江省伊春市金林区陕西省汉中市留坝县广东省云浮市新兴县内蒙古锡林郭勒盟镶黄旗丰台区右安门街道福建省漳州市龙海市昌平区阳坊镇门头沟区大峪街道山东省枣庄市台儿庄区广东省佛山市三水区黑龙江省绥化市明水县黑龙江省佳木斯市富锦市四川省宜宾市江安县贵州省黔东南苗族侗族自治州天柱县西藏阿里地区日土县云南省普洱市景东彝族自治县贵州省铜仁市印江土家族苗族自治县四川省成都市新都区井陉县测鱼镇银川市贺兰县山西省晋中市榆社县丰台区和义街道青秀区蓟州区官庄镇平山县岗南镇江苏省徐州市新沂市陕西省西安市未央区延庆区康庄镇蓟州区东二营镇平山县小觉镇静海区大邱庄镇福建省福州市罗源县辽宁省铁岭市开原市宝坻区牛家牌镇山东省烟台市龙口市山东省枣庄市台儿庄区云南省大理白族自治州云龙县行唐县龙州镇平山县宅北乡重庆市县巫山县和平区南市街道马鞍山市博望区陕西省汉中市南郑区江苏省徐州市丰县山西省忻州市宁武县洛阳市汝阳县陕西省汉中市留坝县内蒙古锡林郭勒盟正镶白旗隆安县河东区东新街道陕西省汉中市南郑区江苏省镇江市句容市马鞍山市博望区山西省吕梁市中阳县喀什地区麦盖提县四川省广元市昌平区回龙观街道山东省聊城市茌平区湖北省宜昌市秭归县云南省普洱市景东彝族自治县青海省海北藏族自治州门源回族自治县福建省三明市梅列区合肥市庐阳区昌平区延寿镇河东区东新街道巴音郭楞蒙古自治州和硕县西城区天桥街道辽宁省沈阳市崇左市静海区大邱庄镇崇左市宁明县贵州省铜仁市印江土家族苗族自治县北海市海城区四川省凉山彝族自治州昭觉县山东省淄博市临淄区朝阳区小关街道上海市市辖区嘉定区贵州省铜仁市玉屏侗族自治县内蒙古兴安盟乌兰浩特市长安区广安街道北海市海城区江西省宜春市宜丰县山东省烟台市龙口市

昨日官方渠道传递新研究成果DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了，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

丰台区长辛店镇贵州省铜仁市印江土家族苗族自治县广东省惠州市龙门县广东省珠海市斗门区江西省吉安市永新县蚌埠市龙子湖区朝阳区小关街道海淀区青龙桥街道广东省江门市蚌埠市龙子湖区山西省吕梁市岚县广东省惠州市龙门县密云区河南寨镇赵县沙河店镇陕西省汉中市西乡县丰台区和义街道固原市西吉县上海市市辖区嘉定区福建省南平市朝阳区豆各庄地区桂林市兴安县焦作市中站区四川省遂宁市蓬溪县桥西区东华街道江西省鹰潭市余江区黑龙江省大兴安岭地区呼玛县甘肃省陇南市武都区青秀区山西省忻州市宁武县江苏省苏州市相城区防城港市东兴市山东省潍坊市青州市山西省晋城市泽州县甘肃省兰州市桂林市秀峰区四川省宜宾市翠屏区蓟州区官庄镇辽宁省朝阳市北票市陕西省汉中市西乡县平山县上观音堂乡云南省西双版纳傣族自治州勐腊县伊犁哈萨克自治州昭苏县隆安县鹿泉区寺家庄镇四川省甘孜藏族自治州丹巴县西藏山南市贡嘎县山西省吕梁市中阳县四川省甘孜藏族自治州丹巴县北辰区广源街道南阳市内乡县辽宁省锦州市义县井陉县吴家窑乡江西省宜春市奉新县江西省吉安市吉安县西青区精武镇山西省吕梁市中阳县湖北省恩施土家族苗族自治州恩施市伊犁哈萨克自治州昭苏县辽宁省沈阳市浑南区昌平区小汤山镇百色市田林县平顶山市湛河区四川省遂宁市蓬溪县湖北省宜昌市西陵区西城区天桥街道云南省玉溪市新平彝族傣族自治县密云区河南寨镇河东区东新街道陕西省咸阳市兴平市平顶山市湛河区广东省佛山市三水区陕西省汉中市南郑区四川省凉山彝族自治州昭觉县南开区长虹街道辽宁省沈阳市浑南区朝阳区双井街道信阳市平桥区黑龙江省七台河市桃山区马鞍山市博望区亳州市利辛县陕西省汉中市西乡县山西省朔州市山阴县内蒙古鄂尔多斯市鄂托克旗桥西区苑东街道大兴区黑龙江省佳木斯市富锦市鹿泉区寺家庄镇焦作市中站区山西省晋中市太谷区四川省宜宾市珙县赞皇县院头镇喀什地区叶城县平山县宅北乡鹿泉区白鹿泉乡平顶山市湛河区黑龙江省绥化市明水县塔城地区和布克赛尔蒙古自治县蓟州区东赵各庄镇蓟州区官庄镇濮阳市南乐县

全球服务区域:朝阳区管庄地区行唐县龙州镇黑龙江省鸡西市鸡冠区和田地区湖北省宜昌市西陵区山西省临汾市安泽县海南省儋州市蚌埠市蚌山区桥西区留营街道甘肃省甘南藏族自治州山西省长治市襄垣县山西省长治市襄垣县辽宁省辽阳市白塔区南阳市内乡县昌平区阳坊镇湖北省恩施土家族苗族自治州建始县淮南市大通区山西省晋中市太谷区静海区西翟庄镇蚌埠市蚌山区福建省福州市罗源县桂林市兴安县江西省宜春市奉新县湖北省恩施土家族苗族自治州建始县贵州省六盘水市水城县内蒙古锡林郭勒盟镶黄旗贵州省安顺市普定县江苏省徐州市新沂市乌鲁木齐市沙依巴克区山东省烟台市龙口市内蒙古呼伦贝尔市阿荣旗开封市通许县黑龙江省伊春市金林区青海省果洛藏族自治州青秀区福建省漳州市龙海市山东省烟台市龙口市元氏县殷村镇四川省甘孜藏族自治州青秀区朝阳区豆各庄地区辽宁省朝阳市北票市山西省晋中市榆社县贵州省黔南布依族苗族自治州惠水县静海区大邱庄镇福建省南平市建瓯市甘肃省庆阳市镇原县江西省萍乡市上栗县蓟州区东赵各庄镇昌平区延寿镇辽宁省本溪市溪湖区广东省云浮市新兴县山西省吕梁市岚县西城区天桥街道隆安县甘肃省陇南市乌鲁木齐市沙依巴克区山西省晋中市榆社县重庆市市辖区北碚区海南省海口市美兰区贵州省铜仁市印江土家族苗族自治县武清区汊沽港镇西藏阿里地区日土县广东省汕头市南澳县行唐县龙州镇北辰区广源街道陕西省咸阳市兴平市井陉县吴家窑乡海南省儋州市崇左市朝阳区豆各庄地区静海区西翟庄镇江苏省徐州市元氏县殷村镇朝阳区豆各庄地区黑龙江省伊春市金林区江西省宜春市奉新县崇左市宁明县焦作市沁阳市江西省吉安市吉安县银川市贺兰县银川市贺兰县朝阳区小关街道山东省德州市齐河县山东省泰安市东平县辽宁省本溪市溪湖区江西省鹰潭市余江区四川省成都市新都区焦作市中站区青海省玉树藏族自治州治多县四川省成都市新都区昌平区回龙观街道云南省红河哈尼族彝族自治州泸西县西藏拉萨市达孜区昌平区小汤山镇四川省凉山彝族自治州昭觉县阿克苏地区新和县山东省聊城市冠县伊犁哈萨克自治州昭苏县赵县沙河店镇

今日官方渠道发布行业信息DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了，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：蓟州区官庄镇云南省玉溪市新平彝族傣族自治县山东省威海市四川省乐山市平顶山市湛河区开封市通许县喀什地区叶城县山东省德州市齐河县合肥市庐阳区赞皇县西龙门乡新乐市协神乡吉林省白山市浑江区新乐市协神乡平顶山市卫东区静海区大邱庄镇山东省淄博市临淄区朝阳区小关街道无极县大陈镇四川省广元市湖北省孝感市汉川市江西省景德镇市昌江区吉林省白山市浑江区芜湖市南陵县辽宁省锦州市义县山西省晋城市泽州县鹿泉区白鹿泉乡蚌埠市蚌山区喀什地区叶城县山西省晋城市泽州县四川省宜宾市翠屏区长安区南村镇贵州省黔南布依族苗族自治州惠水县山东省东营市垦利区内蒙古锡林郭勒盟正镶白旗信阳市平桥区湖北省恩施土家族苗族自治州建始县四川省成都市新都区海南省海口市美兰区哈密市伊吾县甘肃省定西市渭源县武清区汊沽港镇元氏县苏村乡许昌市建安区固原市西吉县洛阳市汝阳县山西省长治市襄垣县贵州省黔南布依族苗族自治州惠水县广东省汕头市南澳县内蒙古呼伦贝尔市阿荣旗桥西区留营街道喀什地区麦盖提县四川省广安市岳池县固原市西吉县宝坻区牛家牌镇和田地区江苏省徐州市新沂市上海市市辖区嘉定区湖北省襄阳市襄州区平山县上观音堂乡四川省甘孜藏族自治州江苏省徐州市朝阳区豆各庄地区云南省红河哈尼族彝族自治州泸西县福建省南平市建瓯市湖北省襄阳市襄州区江苏省苏州市相城区湖北省宜昌市夷陵区元氏县殷村镇黑龙江省哈尔滨市巴彦县山西省朔州市山阴县武清区上马台镇江西省吉安市永新县亳州市利辛县海淀区青龙桥街道四川省宜宾市江安县云南省西双版纳傣族自治州勐腊县平山县宅北乡四川省宜宾市江安县芜湖市南陵县崇左市宁明县河东区东新街道喀什地区叶城县怀柔区龙山街道山东省泰安市泰山区四川省甘孜藏族自治州泸定县上海市市辖区嘉定区平山县小觉镇赞皇县院头镇湖北省孝感市汉川市朝阳区小红门地区崇左市宁明县黑龙江省鹤岗市甘肃省天水市秦州区湖北省宜昌市秭归县内蒙古锡林郭勒盟正镶白旗四川省宜宾市江安县赵县沙河店镇四川省遂宁市蓬溪县元氏县苏村乡贵州省铜仁市玉屏侗族自治县

售后服务上门服务电话，智能分配单据：DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了

作者 ｜ 孙芮邮箱 ｜ sunrui@pingwest.com

DeepSeek做了件罕见的事情：在终于开始灰测多模态能力后，它放出了一篇解释背后技术的论文，但这篇论文却在发布没多久就又被悄悄撤掉。

4月29日，DeepSeek研究员陈小康在X发布一条推文——现在，华体汇(中国)可以看见你了。配图中，DeepSeek 标志性的鲸鱼 logo 摘下眼罩，露出了眼睛。

过去，DeepSeek 最被外界熟知的是它在文本、代码和推理任务上的能力。但真实世界里的问题，并不总是以文字形式出现。它们可能是一张照片、一页论文图表、一个网页截图、一份复杂表格，也可能是一个需要理解空间关系和视觉细节的现实场景。

对 DeepSeek 来说，视觉能力是让它的推理能力从文本世界延伸到真实世界的关键一步。但这次灰测的视觉能力，很快被使用者们感觉到不同：它和其他模型给语言模型底座增加多模态功能不同，更像是一个单独的模型，且不是以附庸形式定位，而是有某种原生的思考和推理能力。

就在大家好奇心增加的时候，DeepSeek发布了一篇解释它追求的视觉能力的论文：《Thinking with Visual Primitives》。

Primitives是图形学和几何里的常用术语，Visual Primitves可以理解为那些用来描述几何信息图形空间信息的最基本元素，也可以称为视觉基元。从这个题目就可以看出，DeepSeek眼里此刻最重要的“多模态”能力，依然是围绕推理和思考，它要让模型能在原生层面用图形的基础语言做更准确的思考。

这并不是所有主流模型厂商在多模态领域的方向，这让人意外，但这个想法非常有趣。DeepSeek再次给基础研究提供了新的思路。

但更加让人意外的是，这篇论文很快就被撤下了，没有给出任何解释，也不确定是否会再次发布。

所以，DeepSeek这次的视觉能力到底是怎样的？华体汇(中国)结合实测、它的研究员的分享，以及这篇“消失”的论文的内容，来尝试解释一下它的做法。

01 当DeepSeek 的视觉能力，开始进入真实场景

目前DeepSeek的视觉模式还在灰度测试，逐步向用户开放中。

从 X 上已经试用到这一功能的用户反馈来看，DeepSeek 的视觉能力并不只是识别图片里有什么，更重要的是，它会尝试把图像中的信息和已有的世界知识联系起来。

有用户在X上表示DeepSeek视觉模式的世界知识非常丰富，思考过程也很有趣。他在华体汇电竞-华体汇(中国)附近拍了一张照片，发给DeepSeek。在DeepSeek的思考过程中可以看到，它几乎知道我华体汇电竞-华体汇(中国)附近的每一栋楼，并尽量搜索正确的那栋。并且这个过程中没有用到联网搜索能力。

还有用户表示DeepSeek的网页复刻还原能力非常好。这对设计师和华体汇电竞-华体汇(中国)经理来说，它可以让视觉稿更快变成可演示的原型。以前从 Figma、截图或参考网页到可点击 demo，中间需要设计师标注、开发切图、工程师实现。现在模型能直接读懂页面，并生成接近真实效果的网页，让想法验证的周期大幅变短。

我实际测试了DeepSeek的视觉理解能力。我发送了一张迷宫图让它解答。

DeepSeek的思考过程十分严谨，它用的是反向推理的方法，从终点出发，逐步反向追踪，走到起点。为了验证解法的可行性，DeepSeek这一路径用正向的方式走了一遍，然后它又核算了一遍，再输出最终答案。整个过程中，DeepSeek推理了四遍路径的可行性。

02 多模态模型的难题，不只是看不清

陈小康在30号发布的推文中给了更详细的解释：传统的思维链（CoT）主要停留在语言空间里，但视觉推理需要更多能力。通过把点和框作为认知锚点，华体汇(中国)的模型弥合了“指代鸿沟”（Reference Gap），模拟了人类在视觉推理中常用的“指向—推理”协同机制。

通过DeepSeek发布的报告，华体汇(中国)可以看到他们针对视觉理解提出了一个新的推理框架，就是使用视觉基元进行思考（Thinking with Visual Primitives）。

什么是使用视觉基元进行思考呢？

简单来说，就是让模型在看图推理时，不再只依赖自然语言描述，而是把图像中的点、边界框、路径坐标等空间标记，也作为推理过程的一部分。

以往多模态模型面对一张图片时，通常会用语言来组织思考。比如它会说“左边那个人”“右上角的物体”“中间那条路”。但问题在于，这些描述在人类看来很自然，对模型来说却并不总是精确。尤其在一张复杂图片里，如果有很多相似的人、物体或区域，“左边那个”“旁边那个”很容易变得模糊，模型也可能在推理过程中把对象搞混。

DeepSeek 在报告中把这个问题称为“指代鸿沟”。也就是说，模型不是完全看不见，而是看见之后，很难在连续的视觉空间中稳定地指向自己正在讨论的对象。

视觉基元要解决的正是这个问题。所谓视觉基元，可以理解为模型在图像中的“手指”。当模型数一张合照里有多少人时，它可以先用边界框把每个人标出来，再进行统计；当模型判断两个物体的位置关系时，它可以先框出相关物体，再比较它们的相对位置；当模型走迷宫或追踪一条线时，它可以用一串点记录路径，而不是只用语言说“往左、再往右”。

这样一来，模型的推理就不再悬浮在文字里，而是被锚定到图像中的具体位置。这也是 DeepSeek 使用视觉基元进行思考最重要的变化，多模态模型的能力不只是看得更清楚，还要指得更准确。

03 DeepSeek 怎么做视觉推理

陈小康指出，目前DeepSeek的视觉模型主要处理三类任务：计数、空间推理和拓扑推理。

DeepSeek 的做法不是简单让模型看更高分辨率的图片，而是让模型在推理过程中使用点、框、路径坐标这些“视觉基元”，把每一步判断都落到图像中的具体位置上。

在计数任务上，DeepSeek 主要使用的是边界框。

报告中说，多模态大语言模型一直很难做到准确计数，尤其是在密集场景中。人类在数东西时，通常会采用一种“系统扫描和累加”的方式，比如从左到右一个个点着数。但语言模型在对象数量较多时，很难建立精确的对象对应关系。为了解决这个问题，DeepSeek 使用边界框作为视觉基元，为每个被计数对象提供明确的视觉锚点。

也就是说，模型不是直接凭感觉回答“有多少个”，而是先把目标对象找出来、框出来，再基于这些框进行统计。比如数一张合照里有多少人，模型会先框出图中的每个人，再计算总数。对于更复杂的细粒度计数，比如“有几只熊在地面上”，模型还会先找出所有熊，再逐一判断它们是在树上还是在地面，最后得出答案。

报告中还把计数分成了两类：一类是粗粒度计数，比如数“狗”“人”“车”这类普通对象；另一类是细粒度计数，比如数“白色的狗”“左边的狗”“站在地上的熊”。后者不仅要求模型识别对象，还要判断颜色、位置、状态等附加条件。DeepSeek 在这里采用的是“定位—验证—统计”的流程，让模型先找到候选对象，再逐个判断是否符合问题条件。

在空间推理任务上，DeepSeek 也是先让模型用视觉基元锚定对象，再进行关系判断。

报告中说，空间推理和一般视觉问答被放在同一个类别里处理，因为这类任务的共同难点是：如果只用语言描述，模型很容易出现指代模糊和语义漂移。比如“灰色金属物体”“旁边那个小物体”“同样大小的紫色橡胶物体”，这些说法如果不落到具体图像区域上，模型在推理过程中很容易把对象搞混。

所以 DeepSeek 的方法是，让模型先把关键对象框出来，再根据这些具体对象进行多步推理。报告中的例子是，模型需要判断图中是否存在一个紫色橡胶物体，和灰色金属物体大小相同。模型会先定位灰色金属球，判断它是小物体；然后再逐一检查其他小物体，看它们的颜色、材质、大小是否匹配。最后模型得出结论：图中没有符合条件的紫色橡胶物体。

在拓扑推理任务上，DeepSeek 主要使用的是点。

拓扑推理关心的不是某个物体是什么，而是路径、连通性和结构关系。比如迷宫里从起点能不能走到终点，一堆交错的线条中，某一条线最终连到哪个图标。这类任务对多模态模型尤其困难，因为它要求模型持续跟踪路径，而不是看一眼就回答。

报告中说，纯语言的思维链很难准确描述不规则形状的轨迹，因此使用点作为认知单元的视觉基元，特别适合处理这类问题。

在迷宫导航任务中，DeepSeek 会让模型先找到起点和终点，然后像做深度优先搜索一样探索路径。模型每走到一个关键位置，就用点坐标记录下来；如果遇到死路，就回退到前一个岔路口，再尝试另一条路径。报告中提到，模型需要理解空间连通性和可达性，也就是判断哪里有路、哪里被墙挡住、哪条路径最终能到达终点。

在线条追踪任务中，模型也会用一串点来表示自己沿着哪条线走。报告中说，这类任务的核心挑战是交叉点消歧：当两条线交叉时，模型必须根据局部几何连续性判断哪一条才是目标线的延续，而不是被另一条线带走。为了防止模型只是靠颜色猜，DeepSeek 还设计了所有线条颜色和粗细都一样的样本，迫使模型真正根据曲线连续性来追踪路径。

04 视觉基元并不是终点

不过，使用视觉基元进行思考，并不意味着视觉推理问题已经被彻底解决。它最大的优势，是让模型的视觉推理变得更稳定，也更容易被验证。

这会带来两个直接好处。

一是减少幻觉。模型如果要判断“这里有没有紫色橡胶物体”，就不能只凭语义猜测，而要先在图中找出候选物体，再逐一排除。二是提高可解释性。比如模型说一张图里有 25 个人，如果它同时框出了这 25 个人，用户就能判断它有没有漏数、重复数，或者把其他物体误认成人。

这也是为什么 DeepSeek 的视觉模式在网页复刻、迷宫求解、复杂图像问答这类场景中会显得更有用。网页复刻需要模型理解页面里的模块、层级和布局关系；迷宫求解需要模型持续追踪路径；复杂图像问答则要求模型在多个视觉线索之间来回比对。它们共同需要的不是一句笼统的图片描述，而是模型能够稳定地“看图说话”。

另一个优势是效率。报告中提到，DeepSeek 并不是简单依赖大量视觉 token 来弥补视觉能力，而是通过更高效的视觉 token 压缩架构，让模型在较低图像 token 消耗下仍然保持较强的推理能力。报告中说，对于 800×800 的输入图像，其模型在 KV cache 中只保留大约 90 个条目，却能在计数和空间推理等基准上取得有竞争力的表现。

DeepSeek 想走的路线，并不是无限提高分辨率、堆更多图像 token，而是让模型更有效地使用视觉信息。

但这套方法也有局限，报告中提到这类方式有三部分的局限。

首先是受输入分辨率限制，模型在细粒度场景下的表现仍然不够理想，有时会输出不够精确的视觉基元。也就是说，如果图像里的目标非常小、细节非常密，或者需要识别的区域边界很模糊，点和框本身也可能标得不准。视觉基元能改善指代问题，但它不能完全替代感知能力。模型首先要看清楚，才谈得上指得准。

第二个局限，这种能力目前还依赖显式触发。报告中说，当前使用视觉基元进行思考的能力需要通过明确触发词来激活，未来希望模型能够根据具体上下文，自主判断是否调用这一机制。

这意味着，现在模型未必会在每个需要的场景里自动使用这项能力。用户如果只是普通地问“这张图里有多少人”“这条路能不能走通”，模型可能仍然用普通语言推理，而不是主动输出点、框或路径。真正理想的状态应该是，模型自己判断这个问题是否需要精确视觉定位。如果是计数、路径、空间关系这类任务，它就自动拿出“手指”；如果只是描述画面氛围，就不必调用这套机制。

第三个局限，是拓扑推理仍然很难。报告中说，使用点作为视觉基元来解决复杂拓扑推理问题，仍然是一项艰巨挑战，目前模型的跨场景泛化能力也有限。

这不难理解。点可以告诉模型“我现在走到哪里”，但点本身并不直接表示“这里和那里是否连通”。在迷宫里，两个点看起来很近，中间可能隔着一堵墙；在交错线条中，两条线可能在视觉上相交，但实际并不是同一条路径的延续。模型不仅要标点，还要持续判断连通关系、路径方向和局部几何连续性。只要中间某一步走错，后面的推理就可能全部偏掉。

所以，视觉基元让模型开始能够在图像中定位、比较和追踪。但要真正处理开放世界里的复杂视觉问题，还需要更强的感知能力、更稳定的自主调用机制，以及更好的跨场景泛化能力。

在视觉理解层面，DeepSeek 给出的答案是，让图像不再只是输入材料，而是成为模型推理过程的一部分。模型不只是看见世界，而是开始学会在世界中找到锚点。

这不像是一个附带的研究，更像是DeepSeek对视觉的最重要的一个不同的理解。因此这次罕见的删除论文行为也引起不少遐想，有人认为它对于开源模型来说“太强大”了，以至于不适合发表。真相如何可能要等DeepSeek自己给出解释了。

点个“爱心”，再走 吧

今日行业报告披露最新研究成果DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了

作者 ｜ 孙芮邮箱 ｜ sunrui@pingwest.com

DeepSeek做了件罕见的事情：在终于开始灰测多模态能力后，它放出了一篇解释背后技术的论文，但这篇论文却在发布没多久就又被悄悄撤掉。

4月29日，DeepSeek研究员陈小康在X发布一条推文——现在，华体汇(中国)可以看见你了。配图中，DeepSeek 标志性的鲸鱼 logo 摘下眼罩，露出了眼睛。

过去，DeepSeek 最被外界熟知的是它在文本、代码和推理任务上的能力。但真实世界里的问题，并不总是以文字形式出现。它们可能是一张照片、一页论文图表、一个网页截图、一份复杂表格，也可能是一个需要理解空间关系和视觉细节的现实场景。

对 DeepSeek 来说，视觉能力是让它的推理能力从文本世界延伸到真实世界的关键一步。但这次灰测的视觉能力，很快被使用者们感觉到不同：它和其他模型给语言模型底座增加多模态功能不同，更像是一个单独的模型，且不是以附庸形式定位，而是有某种原生的思考和推理能力。

就在大家好奇心增加的时候，DeepSeek发布了一篇解释它追求的视觉能力的论文：《Thinking with Visual Primitives》。

Primitives是图形学和几何里的常用术语，Visual Primitves可以理解为那些用来描述几何信息图形空间信息的最基本元素，也可以称为视觉基元。从这个题目就可以看出，DeepSeek眼里此刻最重要的“多模态”能力，依然是围绕推理和思考，它要让模型能在原生层面用图形的基础语言做更准确的思考。

这并不是所有主流模型厂商在多模态领域的方向，这让人意外，但这个想法非常有趣。DeepSeek再次给基础研究提供了新的思路。

但更加让人意外的是，这篇论文很快就被撤下了，没有给出任何解释，也不确定是否会再次发布。

所以，DeepSeek这次的视觉能力到底是怎样的？华体汇(中国)结合实测、它的研究员的分享，以及这篇“消失”的论文的内容，来尝试解释一下它的做法。

01 当DeepSeek 的视觉能力，开始进入真实场景

目前DeepSeek的视觉模式还在灰度测试，逐步向用户开放中。

从 X 上已经试用到这一功能的用户反馈来看，DeepSeek 的视觉能力并不只是识别图片里有什么，更重要的是，它会尝试把图像中的信息和已有的世界知识联系起来。

有用户在X上表示DeepSeek视觉模式的世界知识非常丰富，思考过程也很有趣。他在华体汇电竞-华体汇(中国)附近拍了一张照片，发给DeepSeek。在DeepSeek的思考过程中可以看到，它几乎知道我华体汇电竞-华体汇(中国)附近的每一栋楼，并尽量搜索正确的那栋。并且这个过程中没有用到联网搜索能力。

还有用户表示DeepSeek的网页复刻还原能力非常好。这对设计师和华体汇电竞-华体汇(中国)经理来说，它可以让视觉稿更快变成可演示的原型。以前从 Figma、截图或参考网页到可点击 demo，中间需要设计师标注、开发切图、工程师实现。现在模型能直接读懂页面，并生成接近真实效果的网页，让想法验证的周期大幅变短。

我实际测试了DeepSeek的视觉理解能力。我发送了一张迷宫图让它解答。

DeepSeek的思考过程十分严谨，它用的是反向推理的方法，从终点出发，逐步反向追踪，走到起点。为了验证解法的可行性，DeepSeek这一路径用正向的方式走了一遍，然后它又核算了一遍，再输出最终答案。整个过程中，DeepSeek推理了四遍路径的可行性。

02 多模态模型的难题，不只是看不清

陈小康在30号发布的推文中给了更详细的解释：传统的思维链（CoT）主要停留在语言空间里，但视觉推理需要更多能力。通过把点和框作为认知锚点，华体汇(中国)的模型弥合了“指代鸿沟”（Reference Gap），模拟了人类在视觉推理中常用的“指向—推理”协同机制。

通过DeepSeek发布的报告，华体汇(中国)可以看到他们针对视觉理解提出了一个新的推理框架，就是使用视觉基元进行思考（Thinking with Visual Primitives）。

什么是使用视觉基元进行思考呢？

简单来说，就是让模型在看图推理时，不再只依赖自然语言描述，而是把图像中的点、边界框、路径坐标等空间标记，也作为推理过程的一部分。

以往多模态模型面对一张图片时，通常会用语言来组织思考。比如它会说“左边那个人”“右上角的物体”“中间那条路”。但问题在于，这些描述在人类看来很自然，对模型来说却并不总是精确。尤其在一张复杂图片里，如果有很多相似的人、物体或区域，“左边那个”“旁边那个”很容易变得模糊，模型也可能在推理过程中把对象搞混。

DeepSeek 在报告中把这个问题称为“指代鸿沟”。也就是说，模型不是完全看不见，而是看见之后，很难在连续的视觉空间中稳定地指向自己正在讨论的对象。

视觉基元要解决的正是这个问题。所谓视觉基元，可以理解为模型在图像中的“手指”。当模型数一张合照里有多少人时，它可以先用边界框把每个人标出来，再进行统计；当模型判断两个物体的位置关系时，它可以先框出相关物体，再比较它们的相对位置；当模型走迷宫或追踪一条线时，它可以用一串点记录路径，而不是只用语言说“往左、再往右”。

这样一来，模型的推理就不再悬浮在文字里，而是被锚定到图像中的具体位置。这也是 DeepSeek 使用视觉基元进行思考最重要的变化，多模态模型的能力不只是看得更清楚，还要指得更准确。

03 DeepSeek 怎么做视觉推理

陈小康指出，目前DeepSeek的视觉模型主要处理三类任务：计数、空间推理和拓扑推理。

DeepSeek 的做法不是简单让模型看更高分辨率的图片，而是让模型在推理过程中使用点、框、路径坐标这些“视觉基元”，把每一步判断都落到图像中的具体位置上。

在计数任务上，DeepSeek 主要使用的是边界框。

报告中说，多模态大语言模型一直很难做到准确计数，尤其是在密集场景中。人类在数东西时，通常会采用一种“系统扫描和累加”的方式，比如从左到右一个个点着数。但语言模型在对象数量较多时，很难建立精确的对象对应关系。为了解决这个问题，DeepSeek 使用边界框作为视觉基元，为每个被计数对象提供明确的视觉锚点。

也就是说，模型不是直接凭感觉回答“有多少个”，而是先把目标对象找出来、框出来，再基于这些框进行统计。比如数一张合照里有多少人，模型会先框出图中的每个人，再计算总数。对于更复杂的细粒度计数，比如“有几只熊在地面上”，模型还会先找出所有熊，再逐一判断它们是在树上还是在地面，最后得出答案。

报告中还把计数分成了两类：一类是粗粒度计数，比如数“狗”“人”“车”这类普通对象；另一类是细粒度计数，比如数“白色的狗”“左边的狗”“站在地上的熊”。后者不仅要求模型识别对象，还要判断颜色、位置、状态等附加条件。DeepSeek 在这里采用的是“定位—验证—统计”的流程，让模型先找到候选对象，再逐个判断是否符合问题条件。

在空间推理任务上，DeepSeek 也是先让模型用视觉基元锚定对象，再进行关系判断。

报告中说，空间推理和一般视觉问答被放在同一个类别里处理，因为这类任务的共同难点是：如果只用语言描述，模型很容易出现指代模糊和语义漂移。比如“灰色金属物体”“旁边那个小物体”“同样大小的紫色橡胶物体”，这些说法如果不落到具体图像区域上，模型在推理过程中很容易把对象搞混。

所以 DeepSeek 的方法是，让模型先把关键对象框出来，再根据这些具体对象进行多步推理。报告中的例子是，模型需要判断图中是否存在一个紫色橡胶物体，和灰色金属物体大小相同。模型会先定位灰色金属球，判断它是小物体；然后再逐一检查其他小物体，看它们的颜色、材质、大小是否匹配。最后模型得出结论：图中没有符合条件的紫色橡胶物体。

在拓扑推理任务上，DeepSeek 主要使用的是点。

拓扑推理关心的不是某个物体是什么，而是路径、连通性和结构关系。比如迷宫里从起点能不能走到终点，一堆交错的线条中，某一条线最终连到哪个图标。这类任务对多模态模型尤其困难，因为它要求模型持续跟踪路径，而不是看一眼就回答。

报告中说，纯语言的思维链很难准确描述不规则形状的轨迹，因此使用点作为认知单元的视觉基元，特别适合处理这类问题。

在迷宫导航任务中，DeepSeek 会让模型先找到起点和终点，然后像做深度优先搜索一样探索路径。模型每走到一个关键位置，就用点坐标记录下来；如果遇到死路，就回退到前一个岔路口，再尝试另一条路径。报告中提到，模型需要理解空间连通性和可达性，也就是判断哪里有路、哪里被墙挡住、哪条路径最终能到达终点。

在线条追踪任务中，模型也会用一串点来表示自己沿着哪条线走。报告中说，这类任务的核心挑战是交叉点消歧：当两条线交叉时，模型必须根据局部几何连续性判断哪一条才是目标线的延续，而不是被另一条线带走。为了防止模型只是靠颜色猜，DeepSeek 还设计了所有线条颜色和粗细都一样的样本，迫使模型真正根据曲线连续性来追踪路径。

04 视觉基元并不是终点

不过，使用视觉基元进行思考，并不意味着视觉推理问题已经被彻底解决。它最大的优势，是让模型的视觉推理变得更稳定，也更容易被验证。

这会带来两个直接好处。

一是减少幻觉。模型如果要判断“这里有没有紫色橡胶物体”，就不能只凭语义猜测，而要先在图中找出候选物体，再逐一排除。二是提高可解释性。比如模型说一张图里有 25 个人，如果它同时框出了这 25 个人，用户就能判断它有没有漏数、重复数，或者把其他物体误认成人。

这也是为什么 DeepSeek 的视觉模式在网页复刻、迷宫求解、复杂图像问答这类场景中会显得更有用。网页复刻需要模型理解页面里的模块、层级和布局关系；迷宫求解需要模型持续追踪路径；复杂图像问答则要求模型在多个视觉线索之间来回比对。它们共同需要的不是一句笼统的图片描述，而是模型能够稳定地“看图说话”。

另一个优势是效率。报告中提到，DeepSeek 并不是简单依赖大量视觉 token 来弥补视觉能力，而是通过更高效的视觉 token 压缩架构，让模型在较低图像 token 消耗下仍然保持较强的推理能力。报告中说，对于 800×800 的输入图像，其模型在 KV cache 中只保留大约 90 个条目，却能在计数和空间推理等基准上取得有竞争力的表现。

DeepSeek 想走的路线，并不是无限提高分辨率、堆更多图像 token，而是让模型更有效地使用视觉信息。

但这套方法也有局限，报告中提到这类方式有三部分的局限。

首先是受输入分辨率限制，模型在细粒度场景下的表现仍然不够理想，有时会输出不够精确的视觉基元。也就是说，如果图像里的目标非常小、细节非常密，或者需要识别的区域边界很模糊，点和框本身也可能标得不准。视觉基元能改善指代问题，但它不能完全替代感知能力。模型首先要看清楚，才谈得上指得准。

第二个局限，这种能力目前还依赖显式触发。报告中说，当前使用视觉基元进行思考的能力需要通过明确触发词来激活，未来希望模型能够根据具体上下文，自主判断是否调用这一机制。

这意味着，现在模型未必会在每个需要的场景里自动使用这项能力。用户如果只是普通地问“这张图里有多少人”“这条路能不能走通”，模型可能仍然用普通语言推理，而不是主动输出点、框或路径。真正理想的状态应该是，模型自己判断这个问题是否需要精确视觉定位。如果是计数、路径、空间关系这类任务，它就自动拿出“手指”；如果只是描述画面氛围，就不必调用这套机制。

第三个局限，是拓扑推理仍然很难。报告中说，使用点作为视觉基元来解决复杂拓扑推理问题，仍然是一项艰巨挑战，目前模型的跨场景泛化能力也有限。

这不难理解。点可以告诉模型“我现在走到哪里”，但点本身并不直接表示“这里和那里是否连通”。在迷宫里，两个点看起来很近，中间可能隔着一堵墙；在交错线条中，两条线可能在视觉上相交，但实际并不是同一条路径的延续。模型不仅要标点，还要持续判断连通关系、路径方向和局部几何连续性。只要中间某一步走错，后面的推理就可能全部偏掉。

所以，视觉基元让模型开始能够在图像中定位、比较和追踪。但要真正处理开放世界里的复杂视觉问题，还需要更强的感知能力、更稳定的自主调用机制，以及更好的跨场景泛化能力。

在视觉理解层面，DeepSeek 给出的答案是，让图像不再只是输入材料，而是成为模型推理过程的一部分。模型不只是看见世界，而是开始学会在世界中找到锚点。

这不像是一个附带的研究，更像是DeepSeek对视觉的最重要的一个不同的理解。因此这次罕见的删除论文行为也引起不少遐想，有人认为它对于开源模型来说“太强大”了，以至于不适合发表。真相如何可能要等DeepSeek自己给出解释了。

点个“爱心”，再走 吧


舞台之外，云南民族团结的故事同样写在路上。目前，云南已建成374个边境幸福村，全省民族自治地方公路通车里程达21.4万公里、通航运营机场达11个；累计打造363个民族团结进步示范社区，全国民族团结进步模范、示范区(单位)数量均居第一方阵。(完)
华体汇电竞-华体汇(中国) 华体汇电竞-华体汇(中国)-欧美wwwwwwwwwwwapp-欧美wwwwwwwwwww最新版V.90.75.92-2265安卓网

华体汇电竞-华体汇(中国)

助考警员引导扭伤考生进考场
首页>>4月份中国大宗商品指数继续上扬 市场运行稳定向好
助考警员引导扭伤考生进考场

华体汇电竞-华体汇(中国):助考警员引导扭伤考生进考场

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

50.34MB
版本{版本}
下载APK高速下载
下载再DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了安装你想要的应用 更方便 更快捷 发现更多
喜欢98%好评(11人)
评论33
DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了截图0DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了截图1DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了截图2DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了截图3DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了截图4
详细信息
应用介绍
?第一步：访问《DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了》官网?首先,打开您的浏览器,输入《DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了》。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首次有了视觉能力，技术论文却被它连夜删掉了》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首次有了视觉能力，技术论文却被它连夜删掉了》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首次有了视觉能力，技术论文却被它连夜删掉了》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首次有了视觉能力，技术论文却被它连夜删掉了》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首次有了视觉能力，技术论文却被它连夜删掉了》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首次有了视觉能力，技术论文却被它连夜删掉了》网站的条款，恭喜您！您已经成功注册了《DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了》网站账户。现在，您可以畅享《DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了》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首次有了视觉能力，技术论文却被它连夜删掉了

华体汇电竞-华体汇(中国): DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了类似软件

相关攻略
包含 饿了么 的应用集
友情链接
  • 世卫组织：“洪迪厄斯”号邮轮疫情病毒种类为安第斯病毒
    2026-06-17 14:54:51
  • 直飞包机客座率攀升 甘肃与马来西亚深耕文旅合作
    2026-06-17 14:54:51
  • 兰州一高校服务器遭木马入侵 网警开展溯源调查工作
    2026-06-17 14:54:51
安卓手机网上最贴心的Android软件应用平台!版权所有：DeepSeek首次有了视觉能力，技术论文却被它连夜删掉了有限华体汇电竞-华体汇(中国)备案号：京ICP备17065190号-1