4月30日，多模《每日經濟新聞》記者注意到，態模DeepSeek在Github上正式發布了多模態模型，型已公布了背後的公布技術報告。
圖片來源：Github網站
DeepSeek在技術報告中提到，技術盡管多模態大語言模型（MLLMs）取得了顯著進展，報告但主流的多模思維鏈（CoT）範式仍主要局限於語言學領域。雖然近期研究重點通過高分辨率裁剪技術（例如基於圖像的態模思考）來彌合感知鴻溝，卻忽視了一個更根本的型已瓶頸：參照鴻溝。自然語言固有的公布模糊性往往無法為複雜的空間布局提供精確、明確的技術指引，導致需要嚴謹參照的報告任務出現邏輯崩潰。
而DeepSeek多模態技術報告提出基於視覺原語的多模思考——這一創新推理框架將點、邊界框等空間標記提升為“思維的態模基本單元”。通過將這些視覺原語直接融入思考過程，型已DeepSeek的模型在“推理”時能夠“指代”，從而將其認知軌跡有效錨定在圖像的物理坐標中。
值得注意的是，DeepSeek技術報告提到，其框架基於高度優化的架構，具備極高的視覺標記效率。盡管模型規模緊湊且圖像標記預算顯著較低，DeepSeek的多模態模型在具有挑戰性的計數和空間推理基準測試上，能夠與GPT-5.4、Claude-Sonnet-4.6和 Gemini-3-Flash等前沿模型匹配。這為開發更高效、更具可擴展性的System-2類多模態智能指明了方向。