DeepSeek 开源「Thinking With Visual Primitives」：多模态推理的新范式

DeepSeek 视觉原语推理：从「看见」到「理解」

2026 年 5 月 1 日，机器之心和 36 氪均报道了 DeepSeek 的视觉原语推理研究。

核心思路

传统多模态模型直接处理像素级视觉输入 → DeepSeek 的新方法：

1. 视觉原语提取：将图像分解为基础视觉元素（形状、颜色、空间关系）
2. 结构化表示：将原语组织为可推理的结构化数据
3. 基于原语推理：在结构化的视觉表征上执行逻辑推理

与竞品的差异

公司	方法	思路
OpenAI	GPT-4o 高分辨率视觉	让模型看得更清楚
Google	Gemini 多模态融合	统一视觉和文本表征
Anthropic	Claude 视觉理解	强化视觉信息的上下文感知
DeepSeek	视觉原语	让 AI 看得明白

意义

如果「视觉原语」方法被验证有效，它可能成为多模态 AI 的基础范式转变——从端到端像素处理走向结构化的视觉理解。

来源： 机器之心 + 36 氪
链接： https://36kr.com/p/3790047344488961