五一假期前夕，DeepSeek 悄咪咪地扔出了一份重磅的视觉多模态技术报告。

过去一年里，OpenAI、谷歌、Anthropic 这些大佬们都在卷同一件事：让 AI 看得更清楚。他们拼命提升分辨率，想办法处理更复杂的图像细节。但大家似乎都默认了一个前提——只要 AI 看清了，它自然就会做推理。

但 DeepSeek 偏偏不走寻常路，他们一针见血地指出了多模态模型最致命的死穴：就算模型看清了，但在复杂的推理过程中，你咋保证它没把对象搞混？

从“看不清”到“指不明”

DeepSeek 在报告中提出了一个非常有意思的概念：引用鸿沟（Reference Gap）。

如果你面前有十几只狗，我用嘴跟你说“左边那只狗的右边那只”，你肯定会懵圈。自然语言在描述连续的空间和拓扑关系时，天生就是模糊的。一旦画面复杂起来，AI 的语言指代就会发生漂移，逻辑直接崩溃。这就是为什么让大模型去数密集图里的羊群，或者走迷宫，它经常胡言乱语的原因。

那人类是怎么解决这个问题的？很简单——用手指着说：“就这个！”

于是，DeepSeek 决定给 AI 也装上这么一根“赛博手指”。

视觉基元：让 AI 边指边思考

DeepSeek 的核心操作是引入了**“视觉基元”（Visual Primitives）。简单来说，就是把计算机视觉里最基础的点和边界框（Bounding Boxes）**，变成了 AI 思考时的最小单位。

以前的模型找东西，就像考试只给你交个最终答案。而 DeepSeek 让模型在思考时，不只是用文字描述“这里有一只狗”，而是直接输出坐标：“我看到了一只狗，它在 [[x1, y1, x2, y2]]”。

这个机制被 DeepSeek 称为**“边推理边指向”（point while it reasons）**。在迷宫这种地狱级难度的拓扑任务中，AI 的每一步探索、回溯，都死死锚定在具体的图像坐标上，彻底告别了“推着推着就迷路”的尴尬情况。这种过程不仅全透明，还极其方便后续的训练和打分。

极致的“抠门”带来极致的效率

如果你以为这套机制只是为了提高准确率，那就太小看 DeepSeek 的“降本增效”传统技能了。

这份报告里隐藏着一个极其恐怖的数据：在处理一张 800×800 分辨率的图像时，Gemini 消耗约 1100 个 Token，Claude 约 870 个，而 DeepSeek 仅仅只用了 361 个！在 KV 缓存里更是只保留了约 90 个条目。

他们是怎么做到的？答案是 CSA（压缩稀疏注意力）机制。一张包含 57 万像素的图片，经过极限压缩后，最终在 KV 缓存里只留下了 81 个条目。压缩比高达 7056 倍！

这种对信息论层面极致的取舍，带来的好处是显而易见的：

  • 推理速度极快：算力消耗大幅降低，对需要实时响应的机器人视觉、自动驾驶非常友好。
  • 狂省显存：在同样的硬件下，可以支撑更高的并发量。
  • 上下文容量飙升：同一个长对话窗口里，你能塞进成百上千张图片让 AI 进行对比分析。

未来的局限与进化空间

当然，DeepSeek 也很坦诚地列出了目前这套玩法的几个局限性，这也是未来多模态要跨越的坑：

  • 依赖触发词：目前 AI 还没有形成“元认知”，不知道什么时候该自己掏出“赛博手指”，还需要用户明确下达指令（比如“数一数”）。
  • 分辨率限制：为了压缩效率，舍弃了部分极细粒度的精度。在医疗影像、工业质检等找茬级任务上，还需要结合高分辨率裁剪技术。
  • 跨场景泛化：虽然在合成迷宫里大杀四方，但在真实的复杂三维管线、城市地图上，这套基元的表现还有待实战检验。

【编辑观察】 当硅谷的大厂们还在迷信“大力出奇迹”、疯狂堆算力去拉高分辨率时，DeepSeek 再次证明了他们独有的哲学——真正的智能不在于算力规模，而在于对问题本质的理解。给 AI 一个合适的表征方式，远比给它一万块显卡更有效率。这根“赛博手指”，或许就是未来视觉大模型通向真·通用人工智能的关键钥匙。