2026年4月30日，DeepSeek在GitHub正式开源其多模态大语言模型并发布配套技术报告。该模型提出‘基于视觉原语的思考’（Thinking with Visual Primitives）新框架，将点、边界框等空间标记升格为推理基本单元，以解决MLLMs在空间参照任务中的‘参照鸿沟’问题。框架通过高效率视觉标记设计，在低图像标记预算下，于计数与空间推理基准上媲美GPT-5.4、Claude-Sonnet-4.6等前沿模型。此举标志着其‘识图模式’从OCR升级为真正多模态理解能力。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。