DeepSeek「Thinking with Visual Primitives」深度解读：给AI装上赛博手指

论文: Thinking with Visual Primitives 作者: DeepSeek-AI, 北京大学, 清华大学 发布时间: 2026-04-30 GitHub: https://github.com/deepseek-ai/Thinking-with-Visual-Primitives 模型代号: Ours-284B-A13B-Thinking（基于 DeepSeek V4-Flash）

---

一、核心问题：不是"没看见"，而是"说不准在看哪一个"

1.1 Perception Gap vs Reference Gap

现有 VLMs 的研究主线一直在解决 Perception Gap（感知缺口）——让模型"看得更清楚"。手段包括高分辨率裁剪、动态分块、更粗的图像编码器。这些都在提升模型的视觉输入带宽。

但 DeepSeek 这篇论文指出一个被忽视的瓶颈：Reference Gap（指代断裂）。

> 模型能"看见"图片里的每一个草莓，但当它在思维链里数"一个、两个、三个"时，注意力已经漂移到了重复的或相邻的果实上。它不是在数，是在猜。

本质差别:

维度	Perception Gap	Reference Gap
问题	看不清细节	说不清楚在看哪个
症状	小字模糊、远距离物体识别失败	计数错误、空间关系混乱、轨迹追踪失败
传统解法	更高分辨率、更大 ViT	更多视觉 token
论文解法	—	视觉原语嵌入推理链

一个类比: 你让朋友隔着屏幕帮你数棋盘上的棋子。你说"左边那个"。朋友知道棋盘上有32个棋子，但"左边"在复杂场景里是个漂移的变量——是对整个棋盘而言的左边，还是某片区域的左边？是视觉上的左边，还是语义上的左边？语言变量在视觉空间里没有固定锚点。

这就是当前多模态模型推理时的真实状态：它用自然语言构建 CoT，但自然语言天生是模糊的。"靠近中央的红色物体"在密集场景里可能对应三个不同的目标。

1.2 为什么"指代"比"感知"更难

感知是前馈的：图像 → ViT → 特征图。信息量单向流动。

指代是双向的：模型需要在推理过程中反复回头确认"我刚才说的那个东西还在那里吗"。这要求推理链和视觉空间保持同步，而自然语言不具备这种同步机制。

论文把这个问题形式化为 Reference Gap，并提出核心洞察：

> 精确的空间指代能力可以在一定程度上弥补视觉 token 数量的不足——不是靠"看得更多"，而是靠"指得更准"。

---

二、核心创新：把坐标变成"思考单位"

2.1 视觉原语（Visual Primitives）

论文提出两种原语，嵌入推理链的中间步骤：

Box —— 边界框，用于物体定位和区域划分：

<|ref|>bear<|/ref|><|box|>[[452,23,804,411]]<|/box|>

Point —— 坐标点，用于路径、轨迹、拓扑推理：

<|point|>[[357,369],[260,372]]<|/point|>

关键设计: 这些原语不是最终输出，而是推理链的中间变量。模型在思考时"边指边想"，每个视觉对象都被锁定到具体坐标，推理链被固定在物理空间上，无法漂移。

人类类比: 就像你数人头时会用手指一个一个点过去，走迷宫时会在屏幕上比划路径。论文把这种"手指辅助"形式化为模型的输出结构。

2.2 训练哲学："先专家，再合并"

论文采用五段式 post-training 流程，核心逻辑是"specialist-first"：

阶段	目标	关键设计
1. Pretraining	基础视觉原语输出能力	让模型学会生成 box 和 point
2. Specialized SFT	分别训练两个专家	FTwG（box专家）+ FTwP（point专家），避免小数据量下互相干扰
3. Specialized RL	专家级 GRPO 强化学习	格式奖励 + 质量奖励 + 精确奖励；计数任务用平滑指数衰减奖励；迷宫任务奖励分解为5个子项
4. Unified RFT	统一强化微调	合并两个专家，从预训练模型重新初始化开始训练
5. On-policy Distillation	在线策略蒸馏	学生模型生成自己的轨迹，最小化与专家模型的 KL 散度

奖励设计的细节:

格式奖励: 输出格式是否正确（原语标签是否成对、坐标是否合法）
质量奖励: LLM 评判推理内容与答案是否一致
精确奖励: 任务特定指标
计数任务：平滑指数衰减（不是二元对错，接近正确答案给部分奖励）
迷宫任务：因果探索进度 + 探索完整性 + 穿墙惩罚 + 路径有效性 + 答案正确性

这种奖励分解提供了密集且信息丰富的学习信号，比简单的"对/错"更适合强化学习。

---

三、架构：7056× 压缩不是砍预算，是换策略

3.1 系统结构

整体架构类似 LLaVA，但极度强调视觉 token 压缩：

图像输入 → DeepSeek-ViT → 视觉 token → 3×3 空间压缩 → 文本指令拼接 → DeepSeek V4-Flash LLM → CSA KV压缩 → 输出（含视觉原语）

组件规格:

组件	配置
语言骨架	DeepSeek V4-Flash（284B 总参数，13B 激活参数，MoE）
视觉编码器	自研 DeepSeek-ViT，支持任意分辨率输入
注意力机制	CSA（Compressed Sparse Attention）+ HCA
训练框架	HAI-LLM，GRPO 强化学习

3.2 三级压缩链路

以 756×756 图像（571,536 像素）为例：

阶段	操作	输出数量	单步压缩比
原始像素	—	571,536	—
ViT 14×14 patch	图像分块	2,916 token	196×
3×3 空间压缩	9个邻近 patch 沿通道合并为1个	324 token	9×
CSA KV 压缩	压缩稀疏注意力进一步压缩 KV 缓存	81 KV entries	4×
端到端	像素 → KV cache	571,536 → 81	7,056×

关键洞察: 这不是简单的"砍 token"。传统思维认为更多视觉 token = 更好效果。DeepSeek 的策略是用精确的指代能力替代冗余的视觉带宽——就像人类不会用"从左数第237个像素的红色区域"来描述物体，而是直接说"左边那个穿红衣服的人"。

3.3 与前沿模型的对比

800×800 同分辨率下各模型 KV cache 占用:

模型	视觉 token 数	KV cache 条目
Gemini-3-Flash	~1,100	~1,100
Claude Sonnet 4.6	~870	~870
GPT-5.4	~740	~740
Qwen3-VL	~660	~660
DeepSeek (Ours)	~361	~90

DeepSeek 的视觉 token 数量只有 Gemini 的 1/3，KV 缓存条目只有 1/10 左右。这意味着：

推理成本大幅降低: 更少的 KV 缓存 = 更少的显存占用 = 更长的上下文窗口可用空间
速度提升: 更少的 token 处理 = 更快的预填充和解码
质量不降反升: 靠"指得更准"补偿"看得更少"

---

四、实验结果：在"最难的题"上拉开差距

论文在 11 个基准测试上评估，与 Gemini-3-Flash、GPT-5.4、Claude Sonnet 4.6、Gemma4-31B、Qwen3-VL-235B 对比（全部通过 API 统一 prompt 评估）。

4.1 计数任务

模型	Pixmo-Count (精确匹配)	DS_Finegrained_Counting
DeepSeek	89.2%	88.7%
Gemini-3-Flash	88.2%	—
Qwen3-VL	—	87.2%
GPT-5.4	76.6%	—
Claude Sonnet 4.6	68.7%	—

解读: 计数任务最能体现 Reference Gap。模型需要"指着数"才能不重复不遗漏。传统模型靠模糊描述数，容易漂移；DeepSeek 用 box 原语锁定每个已数过的对象。

4.2 空间推理

模型	MIHBench	SpatialMQA
DeepSeek	85.3%	69.4%
其他前沿模型	接近或略低	接近或略低

4.3 拓扑推理（最具代表性的差距）

模型	DS_Maze_Navigation	DS_Path_Tracing
DeepSeek	66.9%	56.7%
GPT-5.4	50.6%	46.5%
Gemini-3-Flash	49.4%	41.4%
Claude Sonnet 4.6	48.9%	—

关键差距: 在迷宫导航和路径追踪任务上，所有前沿模型都只能答对约一半，而 DeepSeek 提升了约 17 个百分点。

> 论文诚实指出: "所有前沿模型在拓扑推理任务上表现不佳，说明多模态大模型的推理能力仍有相当大的提升空间。"

为什么拓扑推理如此困难: 因为路径和轨迹是时间序列上的空间指代。模型不能说"往左再往右"，而必须输出一串坐标点表示实际走过的路径。每一个中间点都是一个 Reference Gap，传统模型在每一步都可能漂移。

---

五、技术细节补充

5.1 视觉原语在推理链中的实际样例

计数任务:

扫描图片找熊。发现一只 <|ref|>bear<|/ref|><|box|>[[452,23,804,411]]<|/box|>。它正在爬树，不在地面上，排除。继续往左下方看，发现另一只 <|ref|>bear<|/ref|><|box|>[[50,447,647,771]]<|/box|> 站在岩石边缘，符合条件。

路径追踪任务:

从起点 <|point|>[[120,300]]<|/point|> 出发，沿曲线向右上方移动 <|point|>[[150,280],[180,260]]<|/point|>，在交叉点选择上方分支 <|point|>[[220,240]]<|/point|>，继续追踪至终点 <|point|>[[400,200]]<|/point|>。

5.2 压缩机制的技术背景

3×3 空间压缩: 把 ViT 输出的 9 个邻近 patch token 在通道维度上合并为 1 个。这不同于简单的下采样——它保留了局部空间关系的结构化信息。

CSA（Compressed Sparse Attention）: DeepSeek V4-Flash 内置的机制。核心思想是视觉 token 在 KV 缓存中的表示可以进一步压缩，因为邻近视觉区域的信息冗余度很高。压缩比 4× 意味着用 1/4 的 KV 条目存储等效的空间信息。

从像素到 KV 的 7056× 压缩:

571,536 像素 → 81 KV entries
这不是信息论上的无损压缩，而是语义级别的有损压缩
关键假设：精确的指代能力可以补偿压缩损失的信息

5.3 训练数据的构成

SFT 阶段的数据配比：

70% 通用多模态/纯文本数据（保持通用语言能力）
30% 视觉原语专用数据（学习指代能力）

这种配比避免了模型过度特化到视觉任务而丧失通用性。

---

六、论文的深层启示

6.1 "带宽"概念的重新理解

论文提出了两个关键能力轴：

感知带宽（Perception Bandwidth）: 模型接收的视觉信息量（token 数量）
指代带宽（Reference Bandwidth）: 模型在推理过程中建立和维持视觉-语言对应关系的能力

传统研究假设感知带宽是瓶颈。这篇论文证明：当感知带宽受限时，提升指代带宽可以达到同等甚至更好的效果。

这类似于通信系统中的"信噪比"——不是发射更多功率，而是用更聪明的编码方式在相同带宽内传输更多信息。

6.2 从"描述"到"操作"的范式转移

现有 VLMs 的核心能力是描述: 输入图像，输出文本描述。

这篇论文指向的是操作: 输入图像，输出可执行的空间指令（坐标、路径、区域）。

这解释了为什么论文特别强调 Agentic 场景（UI 自动化、文档处理、机器人控制）。在这些场景中，模型需要的不是"看懂"，而是"能指"。

6.3 效率与能力的耦合设计

DeepSeek 的一贯风格是把效率优化和能力提升耦合在一起，而不是把它们当作独立的工程问题：

V4-Flash 的 MoE 架构：用稀疏激活降低推理成本，同时提升容量
这篇论文的视觉压缩：用更少的 token 降低成本，同时用指代能力提升效果
蒸馏流程：用专家模型提升天花板，用蒸馏降低部署成本

一条主线: 先把"省 token"做到极致，再把省下来的预算塞进更贵的能力。

---

七、局限与未来方向

论文诚实指出的局限：

1. 拓扑推理仍有很大提升空间: 即使 66.9% 的迷宫导航成绩也远未达到实用水平 2. 覆盖率 vs 精度的权衡: DCI 式的精确指代覆盖率较低，需要与粗粒度检索结合 3. 多步误差的级联: 视觉原语在多步推理中仍可能产生误差传播 4. 通用性未充分验证: 主要在计数、空间、拓扑三类任务上验证，更广泛的视觉推理任务（如视觉问答、图像 captioning）的效果未报告

未来方向：

将视觉原语与外部工具（浏览器控制、代码执行）结合
探索更多类型的原语（如 segmentation mask、关键点的层次结构）
在视频时间序列上扩展 point 原语，实现跨帧追踪

---

八、结论

这篇论文的价值不在于发明了 bounding box 或坐标点——这些在计算机视觉里存在了三十年。它的价值在于把这些空间标记从"输出格式"提升为"推理原语"。

传统方法：模型先想清楚，最后输出坐标。 DeepSeek 方法：模型用坐标想清楚。

这个转变的核心认知是：

> 当推理涉及空间关系时，语言不是最优的思考媒介。坐标才是。

就像人类在复杂空间任务中会用手指、笔、鼠标指针来辅助思考，AI 也需要自己的"赛博手指"。DeepSeek 给它装上了。

---

参考论文: Li, Z., Zhang, H., Wei, C., et al. (2026). *Thinking with Visual Primitives*. DeepSeek-AI, Peking University, Tsinghua University. GitHub: https://github.com/deepseek-ai/Thinking-with-Visual-Primitives

#DeepSeek #视觉原语 #多模态 #VLM #ReferenceGap #感知与指代 #空间推理 #拓扑推理 #压缩稀疏注意力 #GRPO #强化学习 #论文解读 #人工智能 #智柴外脑

#论文解读 #DeepSeek #视觉原语 #多模态 #VLM #ReferenceGap #智柴外脑 #小凯