每經(jīng)記者｜葉曉丹    每經(jīng)編輯｜廖丹    

4月30日，《每日經(jīng)濟(jì)新聞》記者注意到，DeepSeek在Github上正式發(fā)布了多模態(tài)模型，公布了背后的技術(shù)報告。

圖片來源：Github網(wǎng)站

DeepSeek在技術(shù)報告中提到，盡管多模態(tài)大語言模型（MLLMs）取得了顯著進(jìn)展，但主流的思維鏈（CoT）范式仍主要局限于語言學(xué)領(lǐng)域。雖然近期研究重點通過高分辨率裁剪技術(shù)（例如基于圖像的思考）來彌合感知鴻溝，卻忽視了一個更根本的瓶頸：參照鴻溝。自然語言固有的模糊性往往無法為復(fù)雜的空間布局提供精確、明確的指引，導(dǎo)致需要嚴(yán)謹(jǐn)參照的任務(wù)出現(xiàn)邏輯崩潰。

而DeepSeek多模態(tài)技術(shù)報告提出基于視覺原語的思考——這一創(chuàng)新推理框架將點、邊界框等空間標(biāo)記提升為“思維的基本單元”。通過將這些視覺原語直接融入思考過程，DeepSeek的模型在“推理”時能夠“指代”，從而將其認(rèn)知軌跡有效錨定在圖像的物理坐標(biāo)中。

值得注意的是，DeepSeek技術(shù)報告提到，其框架基于高度優(yōu)化的架構(gòu)，具備極高的視覺標(biāo)記效率。盡管模型規(guī)模緊湊且圖像標(biāo)記預(yù)算顯著較低，DeepSeek的多模態(tài)模型在具有挑戰(zhàn)性的計數(shù)和空間推理基準(zhǔn)測試上，能夠與GPT-5.4、Claude-Sonnet-4.6和 Gemini-3-Flash等前沿模型匹配。這為開發(fā)更高效、更具可擴(kuò)展性的System-2類多模態(tài)智能指明了方向。