DeepSeek给AI装了根赛博手指，于是它能看见了

（本文作者为 字母AI，钛媒体经授权发布）文 | 字母AI五一假期前一天，DeepSeek突然扔出来一份视觉多模态技术报告。点开之前，我心里大概是有个预期的，无非就是具体能看到多远、看得多清楚。毕竟过去一年，多模态模型基本都在往这个方向卷。OpenAI讲thinking with images，让模型在推理过程中裁剪、放大、旋转图片；Gemini、Claude也都在想办法让模型处理更高分辨率、更复杂的视觉输入。大家的共同假设是，只要模型看得更细，视觉推理自然就会更强。但DeepSeek这份报告看下来，你会发现，他们完全走上了另一条路。DeepSeek没有把重点放在“让模型看到更多像素”上，他们把注意力放在了一个更底层的问题上。就算模型已经看清楚了，但是它在推理过程中，你怎么能保证模型和你指的是同一个东西？其实这是多模态推理里最容易被忽略的死穴。人类看图时，可以用手指去标记对象。比如“这个人是谁  阅读原文