即時新聞
莊雲川
May 02 2026
42
（圖/ gemini AI）
中華雲新聞網 (文/記者 莊雲川)
人工智慧多模態技術再迎突破。DeepSeek於4/30日發布最新技術報告《用視覺原語思考》（Thinking with Visual Primitives），首度完整揭露其新一代識圖模型架構，提出「邊思考邊指認」的創新推理方式，為視覺理解能力帶來關鍵升級。
此次公開的模型參數規模高達2840億，啟動參數為130億，基於DeepSeek-V4-Flash打造，未來將整合至基礎模型體系中統一發布。相較過去多數模型強調「看得更清楚」，透過提高解析度與圖像切分提升辨識能力，DeepSeek則直指核心問題，語言在描述空間時存在「指代不清」的天然限制。
團隊指出，在複雜場景中，模型若僅依賴文字描述（如「左邊那個物體」），往往無法準確鎖定目標，進而導致多步推理、計數或路徑判斷失準。為此，DeepSeek導入「視覺原語」概念，讓模型在推理過程中同步使用座標點與邊界框，將空間資訊轉化為可計算的思維單位。
在實際運作上，模型會於圖像中即時「框選」或「標記」思考對象，並持續引用這些視覺錨點進行後續推理，使整體判斷更精確且具連貫性。此設計大幅改善過去多模態模型在空間推理上的不穩定問題。
技術架構方面，系統由視覺編碼器DeepSeek-ViT負責圖像特徵提取，搭配文字分詞器解析語言指令，再由基座模型進行融合推理，最終輸出結合自然語言與視覺標記的結果。
為強化模型能力，DeepSeek建立完整訓練流程，包括預訓練、冷啟動與強化學習三階段。預訓練使用超過4000萬筆高品質標註資料，奠定定位能力；冷啟動則針對計數、迷宮導航等任務進行結構化訓練；強化學習則透過多維度獎勵機制，確保模型必須依賴正確推理，而非猜測答案。
此外，該模型在運算效率上亦有重大突破。以解析度756×756的圖像為例，經過多層壓縮後，最終僅保留81個關鍵視覺資訊單元，相較傳統模型動輒數百甚至數千token，壓縮比高達7000倍以上，顯著降低運算負擔並提升推理效率。
在多項高難度視覺問答測試中，該模型表現已超越 OpenAI 的GPT-5、Anthropic Claude Sonnet 4.6、Google Gemini 3 Flash 以及阿里系Qwen3-VL等主流模型，顯示其在視覺推理領域的競爭力。
不過，DeepSeek也坦言，目前技術仍存在限制，包括在複雜拓撲推理任務中的跨場景泛化能力仍待提升，以及視覺原語仍需透過明確指令觸發，尚未完全達到自主啟用。
這項技術為多模態AI發展提供新方向不再單純依賴更高解析度，而是透過空間座標與結構化思維，讓模型更接近人類「邊觀察、邊指認、邊思考」的認知模式，朝向更高層次的人工智慧邁進。
發表回覆
取消回覆
