DeepSeek多模态技术报告：教模型「用手指点着想」，迷宫导航超GPT-5.4近17个百分点

Китайский сайт CoinWorld сообщает, что DeepSeek опубликовала технический отчет о мультимодальном выводе «thinking with visual primitives», предложив новый парадигмальный подход к рассуждению: модель при размышлении, как человек, использует указание пальцем, прямо вставляя координаты в цепочку мышления, чтобы зафиксировать каждый визуальный объект, участвующий в процессе. Этот проект открыт на GitHub под лицензией MIT. Одним из ключевых узких мест современных мультимодальных моделей является «пропасть указаний»: модель хорошо видит изображение, но при выводе может использовать только естественный язык для описания визуальных объектов, что затрудняет локализацию в сложных сценах. DeepSeek решает эту проблему, превращая рамки границ и координаты точек в минимальные единицы рассуждения. Модель основана на архитектуре v4-flash, с экстремальным сжатием визуальных токенов, и результаты тестирования показывают отличные показатели на нескольких бенчмарках, особенно в топологическом рассуждении и навигации по лабиринтам, значительно превосходя другие модели.