DeepSeek 多模态大模型发布：视觉原语框架破解空间推理难题

DeepSeek 在 GitHub 发布多模态大模型及配套技术报告，提出基于“视觉原语”的创新推理框架，旨在突破多模态大语言模型（MLLMs）在空间参照任务中的核心瓶颈。

当前主流链式思维（CoT）推理范式局限于语言学领域，现有研究多聚焦提升视觉细节识别能力以弥合“感知鸿沟”，却忽视了更根本的“参照鸿沟”——自然语言模糊性导致复杂空间布局指引不精确，易使推理链条断裂。

该框架将点、边界框等空间标记转化为推理“基本思维单元”，嵌入思考链路让模型具备“指代”能力，能将抽象认知锚定到图像具体坐标，实现精确空间推演。

尽管模型规模紧凑且图像标记预算低，其在计数和空间推理基准测试中仍能与 GPT-5.4、Claude-Sonnet-4.6、Gemini-3-Flash 等前沿模型媲美，为高效 System-2 类多模态智能指明方向。此前 DeepSeek 已上线具备多模态识别能力的“识图模式”。