DeepSeek上线识图模式，基于撤回的原语框架支持视觉CoT推理

DeepSeek 网页端和 App 端正式上线识图模式 (Vision Mode)，在对话输入框上方与快速模式、专家模式并列提供。新上线的视觉理解能力并非简单的文字识别 (OCR)，而是主打深度场景分析、空间逻辑推理以及将 UI 界面截图直接转化为 HTML 结构化代码。对于高难度的几何推导或复杂图表分析，系统会自动激活深度思考模型，提供完整的推理链条。识图模式底层基于 DeepSeek 团队公布的「以视觉原语思考 (Thinking with Visual Primitives)」研究框架。多模态研究员 Xiaokang Chen 与北京大学、清华大学联合发表的论文指出，现有视觉语言模型在精细定位和空间推理中存在「指称缺陷」 (Reference Gap)，即难以用模糊的自然语言描述复杂的视觉坐标。为此，研究团队将坐标点与边界框 (Bounding Boxes) 提升为最小思维单位，在模型进行视觉推理的思维链 (CoT) 中直接插入空间原语，实现了在思考过程中同步进行空间指向。作为视觉能力基础的学术论文与开源项目曾于 4 月 30 日短暂放出，但随即被 DeepSeek 官方于 5 月 1 日无预警撤回，引发了行业关于技术细节过度泄露以及模型后续优化的诸多猜测。正式上线的识图模式仅支持图像输入，暂不支持视频、音频等多模态格式，且模型目前不具备图像生成能力。[原文链接](动察 Beating)