4月30日，《每日经济新闻》，DeepSeek在Github上正式发布了多模态模型，公布了背后的技术报告。

　　DeepSeek在技术报告中提到，尽管多模态大语言模型（MLLMs）取得了显著进展，但主流的思维链（CoT）范式仍主要局限于语言学领域。虽然近期研究重点通过高分辨率裁剪技术（例如基于图像的思考）来弥合感知鸿沟，却忽视了一个更根本的瓶颈：参照鸿沟。自然语言固有的模糊性往往无法为复杂的空间布局提供精确、明确的指引，导致需要严谨参照的任务出现逻辑崩溃。

　　而DeepSeek多模态技术报告提出基于视觉原语的思考——这一创新推理框架将点、边界框等空间标记提升为“思维的基本单元”。通过将这些视觉原语直接融入思考过程，DeepSeek的模型在“推理”时能够“指代”，从而将其认知轨迹有效锚定在图像的物理坐标中。

　　值得注意的是，DeepSeek技术报告提到，其框架基于高度优化的架构，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，能够与 GPT-5.4、Claude-Sonnet-4.6 和 Gemini-3-Flash 等前沿模型匹配。这为开发更高效、更具可扩展性的System-2类多模态智能指明了方向。