在人工智能领域，多模态大语言模型（MLLMs）的发展备受瞩目。然而，这类模型在处理空间参照任务时，始终面临着一道难以跨越的障碍。近日，DeepSeek团队在GitHub平台正式发布其多模态大模型，并同步公开技术报告，提出了一种创新性的解决方案——基于“视觉原语”的推理框架，有望打破这一瓶颈。
当前，多模态大语言模型虽已取得显著进展，但主流的链式思维（CoT）推理范式仍局限于语言学范畴。为提升模型对视觉细节的识别能力，现有研究多聚焦于高分辨率图像裁剪等技术手段，试图弥合“感知鸿沟”。然而，DeepSeek团队指出，这一思路忽视了更为根本的限制——参照鸿沟。自然语言在描述复杂空间布局时，往往存在模糊性，难以提供精确指引。当模型需要执行涉及严谨空间参照的任务时，这种语言表达的局限性会导致推理链条断裂，出现逻辑崩溃。
针对这一难题，DeepSeek团队提出了“基于视觉原语的思考”（Thinking with Visual Primitives）框架。该框架将点、边界框等空间标记从单纯的视觉输入元素，提升为推理过程中的“基本思维单元”。通过将这些视觉原语直接嵌入模型的思考链路，模型在推理过程中具备了“指代”能力，能够将抽象的认知轨迹锚定到图像的具体物理坐标上，从而实现对空间关系的精确推演。
技术报告显示，该框架采用了高度优化的模型架构，具备极高的视觉标记效率。尽管模型规模紧凑且图像标记预算显著较低，DeepSeek的多模态模型在具有挑战性的计数和空间推理基准测试上，仍能与GPT-5.4、Claude-Sonnet-4.6和Gemini-3-Flash等前沿模型相媲美。这一成果为开发更高效、更具可扩展性的System-2类多模态智能指明了方向。
值得一提的是，DeepSeek此前已上线“识图模式”。该模式与“快速模式”“专家模式”并列，并非简单的OCR文字识别，而是真正具备了多模态识别能力。这一功能的推出，进一步验证了DeepSeek在多模态领域的深厚积累和技术实力。
