DeepSeek给AI装了根赛博手指，于是它能看见了

想象一下，你和朋友站在菜市场里，你指着远处说"张老太太的菜最新鲜"。朋友一脸懵：哪个是张老太太？但如果你直接用手指过去，"就是那个"，问题立刻解决。

AI看图时，也卡在这个尴尬处境——它能"看见"，却"指不清"。DeepSeek五一前扔出的这份技术报告，核心就是给AI造了根赛博手指。

感知鸿沟 vs 引用鸿沟：两个完全不同的战场

过去一年，GPT、Claude、Gemini都在卷同一件事：让模型看得更清楚。

高分辨率裁剪、动态分块、多尺度处理……各家拼命往模型眼里塞更多像素。OpenAI的o3和o4-mini甚至能让模型在推理过程中裁剪、放大、旋转图片，把图像操作直接嵌入思维链。

这个方向有个默认假设：只要看得够细，推理自然变强。

DeepSeek在报告里泼了盆冷水。他们指出，就算模型视力拉满，复杂空间推理照样崩。

照片里十几只狗，你说"左边那只"——哪只？让模型数狗的数量，它数着数着就忘了哪些数过、哪些没数。迷宫导航更惨，纯语言根本描述不了不规则路径的拓扑关系。

DeepSeek把这叫"引用鸿沟"（Reference Gap）：模型能感知图像，却无法在连续推理中稳定指向同一个视觉对象。

过去一年行业全力攻克的是"感知鸿沟"（Perception Gap）——图像模糊、分辨率低导致看不清。但DeepSeek发现，感知问题解决了，引用问题依然致命。

语言在空间定位上天生残疾。它擅长抽象概念和因果关系，面对连续视觉空间时，"左边""上面""这条线"全是模糊表达。一旦画面复杂，指代立刻漂移，推理链条断裂。

视觉基元：把坐标变成思维的最小单位

DeepSeek的解法很直接：既然语言指代不靠谱，那就让模型直接"指"。

他们提出"视觉基元"（Visual Primitives）概念，把边界框（bounding boxes）和点（points）这两种计算机视觉最基础的空间标记，提升为"思维的最小单位"。

这不是简单的图像标注。以前的多模态模型也能画框，但只是最后给你看个结果，证明"我找到了"——像考试只交答案不写过程。

也有研究让AI思考时画框，但目的是"看得更准"，框框只是辅助工具，像草稿纸帮你算清楚，不是解题思路本身。

DeepSeek把空间标记直接嵌入推理过程，让它成为思维的有机组成部分。

模型思考时，不只是用语言描述"我看到了一只狗"，而是同时输出："我看到了一只狗，它在这里：[[x1,y1,x2,y2]]"。

这个机制叫"边推理边指向"（point while it reasons）。每一步思考都锚定在图像的具体坐标上，每个视觉对象都有明确的空间锚点。

技术报告里的迷宫例子很直观：模型从起点出发，探索、回溯、再尝试，输出一串完整坐标路径，每个坐标对应迷宫里走过的一个点。

推理过程变得可追踪、可验证。模型不会"迷路"，不会搞不清自己在说什么、指什么。

OpenAI的"工作台" vs DeepSeek的"坐标链"

两条技术路线形成了有趣的对照。

OpenAI的"thinking with images"强调通用能力。模型拥有一个强大的"视觉工作台"，可以裁剪、放大、旋转、生成图像，视觉、代码、搜索、文件、工具调用一起协作。

视觉推理发生在内部，用户只能看到最终答案和必要解释，中间过程是黑箱。

DeepSeek更"符号化"。坐标直接进入思维链，模型在推理文本里显式写出边界框和点的坐标，把视觉对象变成可复用的锚点。

这种透明化有个直接好处：更容易训练、检查、打分。

迷宫、路径追踪这类任务中，可以对路径合法性、轨迹覆盖度给出更细的反馈。模型不只是学会输出正确答案，更是学会用视觉基元进行推理的方法。

Token效率：被忽略的杀手锏

报告里有个极易被忽略的细节：DeepSeek处理图像用的token数量，远低于其他前沿模型。

800×800分辨率图像的对比数据：

Gemini-3-Flash约1100个，Claude-Sonnet-4.6约870个，GPT-5.4约740个，Qwen3-VL约660个，DeepSeek约361个。

KV缓存里，DeepSeek只保留约90个条目。

token数量是Gemini的三分之一，KV缓存条目是十分之一左右。

这靠的是一个叫"压缩稀疏注意力"（Compressed Sparse Attention）的机制。具体技术细节报告没展开，但效率差距是实打实的。

在多模态模型普遍受限于上下文长度和推理成本的当下，这种效率优势意味着能处理更大图像、更长视频、更复杂的视觉推理链条。

为什么这件事值得盯着

DeepSeek这份报告的价值，不在于又刷了什么榜单，而在于它重新定义了多模态模型的核心挑战。

行业过去一年默认"看得清=推得准"，DeepSeek证明这是两个独立问题。感知鸿沟和引用鸿沟需要不同的解法，而后者被系统性忽视了。

给AI一根赛博手指，表面是技术路线选择，深层是对"推理"本身的理解差异。

OpenAI相信通用能力会自然涌现，视觉工作台越强大，复杂任务越能搞定。DeepSeek则认为，某些基础能力需要显式建模，坐标锚定不是优化手段，而是推理的必要结构。

这种分歧会持续发酵。如果DeepSeek的路线被验证，意味着多模态模型需要更多"符号化"设计，而非纯粹端到端 scaling。训练数据、评估基准、甚至产品形态都会跟着变。

更现实的层面，token效率差距直接影响落地成本。视觉推理从实验室走向生产环境，每省一个token都是真金白银。

这份报告发布在五一假期前一天，时机选得很DeepSeek——不追热点，只抛问题。而这个问题，可能会让下半年的多模态竞赛换条跑道。