DeepSeek連夜刪新論文，梁文鋒到底怕什么｜深度

5月1日消息，今天AI領域的最大事件，無疑是DeepSeek刪論文的消息。

昨天，DeepSeek多模態團隊負責人陳小康宣布灰度基于多模態模型技術的“識圖模式”，以及在GitHub平臺上傳了一篇長達25頁的多模態研究論文：

《Thinking with Visual Primitives》（用視覺基元思考）。

然而，到了今晨，陳小康的推文刪了，這篇多模態研究論文也撤了、GitHub庫也404了。

在未刪除之前，我把這篇論文下載并且讀完了。

我靜下心把整篇內容捋完之后，反倒有了不一樣的感受。

你以為，這是簡單DeepSeek的識圖模式論文，但其實，這篇論文映射出DeepSeek揭露了行業的發展趨勢：

多模態AI模型的下一階段競爭重點，可能從單純的“看得更清”轉向“思考時能精確指向”。通過將坐標嵌入思維鏈，多模態模型模仿了人類“邊指邊想”的協同機制，為解決復雜空間結構化推理提供了一條新穎路徑——最終其實也要走向世界模型。

值得一提的是，就在8小時前，DeepSeek正式公布了Agent接入指南，親手教大家接入OpenClaw、Hermes等方式，深入到Agent技術層面。

所以，在我看來，DeepSeek連夜刪論文，刪除的原因不是“論文有問題”，實際可能是灰度下重新修正“識圖模式”的能力，以及這篇論文可能太超前，透露太多了。很多數據需要重新進行查驗和修正，并且有望重新上傳到arxiv上。

越往后深入了解，越能體會到這次DeepSeek V4以及多模態新模型的含金量，也真切感覺到AI行業的技術迭代。

實際上，梁文鋒一直都在悄悄提速，AI技術的真正核心突破往往都藏在這種技術論文里。

DeepSeek新論文到底講了什么？

先做總結。

這篇DeepSeek已撤回的多模態研究論文《Thinking with Visual Primitives》，核心在于探討自然語言模型到視覺等多模態模型的瓶頸和變化，從而揭示DeepSeek多模態領域的新研究方向：

從單純的“看得更清”，轉向“推理思考時能精確指向”。

換句話說，未來模型既有AI聊天和深度研究，而且還能用AI大模型技術（非OCR）識別圖像視頻中的核心信息。

而通過將坐標嵌入思維鏈，DeepSeek的多模態模型模仿了人類“邊指邊想”的協同機制，這將解決世界模型、3D空間的結構化推理等方向。提供了一條新穎而有效的路徑。

下面再基于這篇已刪新技術報告，具體看看DeepSeek、北京大學、清華大學又創造了怎樣的奇跡。

首先，大型語言模型（LLMs）與計算機視覺的融合，開啟了多模態大型語言模型時代，使其具備了復雜的場景理解能力。然而，當我們推動這些模型進行復雜的推理，當前范式的一個根本性局限便顯現出來。

盡管這些模型的內部推理（通常以思維鏈的形式呈現）在語言領域已變得越來越穩健，但它與視覺領域在很大程度上仍然是割裂的。而當前多模態模型主要解決的是感知差距。

然而，“看見”不等于“推理”。

即使擁有完美的感知能力，多模態大模型在處理涉及復雜空間布局或密集物體交互的任務時，仍常常遭遇邏輯崩潰。在密集計數或多步驟空間推理等場景中，模型的“語言”思維會失去對其試圖指代的視覺實體的追蹤，從而導致連鎖幻覺。

因此，DeepSeek聯合北京大學和清華大學，提出一種范式轉變：基于視覺基元進行思考。

團隊超越將視覺定位視為次要任務或最終輸出的傳統做法，將空間標記——點和邊界框——提升為“思維的最小單元”，直接交錯嵌入模型的推理軌跡中。

這一機制從人類的認知過程中汲取靈感。當人類在復雜迷宮中導航或清點密集物體時，會自然地運用指示性指針（例如手勢）來降低認知負荷并保持邏輯一致性。

這項工作以DeepSeek剛發布的V4-Flash為語言主干。該模型混合專家模型（MoE）擁有284B 總參數、推理時激活 13B 參數，視覺編碼部分則使用DeepSeek自研的視覺Transformer ViT，支持任意分辨率輸入。

通過將視覺基元交錯融入思考過程，這個模型模仿了這種“指向?推理”的協同作用，有效地將抽象的語言思維錨定到具體的空間坐標上。此外，該模型框架建立在架構高效的基礎之上，專為高吞吐、長上下文的多模態交互而設計。與依賴海量視覺標記序列來彌補視覺缺陷的傳統方法不同，我們的模型利用壓縮稀疏注意力技術，它將每個視覺標記的鍵值緩存壓縮為單一條目。

總結這個研究報告的三個創新點：

第一大核心創新，是重構視覺推理邏輯，把坐標與邊界框做成可實時參與思考的思維單元。

傳統模型先推理、后補坐標，屬于事后標注；但該模型全程在思維鏈中同步框選、打點定位，用空間錨點鎖定邏輯路徑，避免推理跑偏，同時配套點、框兩類標準視覺原語，適配各類復雜視覺場景定位需求。

第二項硬核創新為超高倍率視覺輕量化壓縮，通過圖像分塊編碼、多層空間降采樣與壓縮稀疏注意力聯動優化，整體達成7056倍視覺信息壓縮。大幅削減KV緩存占用，顯存開銷遠低于同類旗艦模型，做到看得準、開銷低，高效平衡視覺表征精度與推理落地算力成本。

第三項關鍵創新，是全流程的高校數據定制化搭建，搭配專屬進階訓練體系。團隊嚴控數據源篩選雙重審核標準，首先爬取了近 10 萬個與目標檢測相關的數據集，經過兩輪嚴格篩選（語義審核和幾何質量審核），最終保留約 3.17 萬個高質量數據源，生成超過 4000 萬條訓練樣本。

在針對性設計的計數、多跳空間問答、迷宮導航、曲線路徑追蹤四個任務中，該模型專門補齊拓撲空間推理短板。而且，團隊采用先分訓專家模型、再統一強化微調的分體融合訓練策略，搭配多維精細化獎勵機制與在線策略蒸餾優化，穩步提升模型視覺理解穩定性，強化復雜場景下的綜合推理適配能力。

測試成果層面，DeepSeek團隊在11個基準測試上進行了評測，與谷歌Gemini-3-Flash、GPT-5.4、Claude Sonnet 4.6、谷歌Gemma4-31B、阿里Qwen3-VL-235B等主流模型對比，DeepSeek新的視覺模型，與其他海外模型差距懸殊，并且超越了阿里Qwen3-VL-235B。

DeepSeek多模態識別的圖片顯示，DeepSeek視覺模型在Pixmo-Count（精確匹配）上得分89.2%，超過Gemini-3-Flash的88.2%、GPT-5.4的76.6%和Claude Sonnet 4.6的68.7%。

在空間推理的多個基準上，整體表現與頭部模型持平或略有超越，在 MIHBench（85.3%）和 SpatialMQA（69.4%）上均排名第一。

在拓撲推理的迷宮導航（DS_Maze_Navigation）任務上，該模型得分66.9%，而GPT-5.4為50.6%、Gemini-3-Flash為49.4%、Claude Sonnet 4.6 為 48.9%，新模型提升了約17個百分點。

不過目前，DeepSeek灰度“識圖模式”功能的用戶太少，包括我在內都沒辦法使用，只能說用普通模式、專家模型識別一些簡單圖片。

猜測五一假期之后，DeepSeek可能還會上很多新功能。

梁文鋒想的AGI到底是什么：物理世界AI

總結來說，這篇論文完全體現出DeepSeek未來發展節奏，絕對不是單純的多模態視覺識別，而是瞄準了更大的發展前奏——物理世界AI。

最近，世界模型和物理AI是模型層新的發展趨勢。

我也是總結了最近幾天發布的模型，發現大家10天發布了10款AI基礎模型，其中80%來自中國企業。

• 20日：Kimi K2.6發布；Qwen3.6 27B系列模型測試結果陸續出來。
• 21日：螞蟻Ling 2.6 Flash模型發布；Qwen3.6 35B A3B推理和非推理模型開始在各大算力平臺測試；
• 23日：OpenAl GPT-5.5模型公布，小米Xiaomi MiMo-V2.5系列大模型正式開啟公測；騰訊混元Hy3-preview 推理模型發布；
• 24日：DeepSeek V4 Pro和DeepSeek V4 Flash系列模型發布；
• 28日：IBM Granite 4.1模型基準測試公布；小米Mimo-V2.5 Pro正式發布。
• 30日：Ling 2.6 -1T基礎模型正式開源；DeepSeek上線識圖模式開啟灰測。

目前來看，無論是Kimi K2.6，還是DeepSeek V4系列，顯示出今年基礎模型層最大的三個方向：Agent智能體、Coding編程能力、多模態和世界模型技術。

一個例子就是Kimi。

近期，月之暗面Kimi發布并開源的Kimi K2.6模型，在通用Agent、代碼、視覺理解等綜合能力全面提升，在多個基準測試優于或持平GPT-5.4、Claude Opus 4.6和Gemini 3.1 Pro等閉源模型。

而Kimi K2.6長程編碼能力得到顯著提升，在測試中可不間斷編碼13小時，編寫或修改超過4000行代碼。同時大幅增強了Agent自主化執行能力，由 K2.6 模型驅動的Agent集群架構，支持300個子Agent并行完成4000個協作步驟，實現更大規模的并行化。

針對高負載工作流與OpenClaw、Hermes Agent等主動式Agent框架，K2.6具備自動化任務處理能力，支持長達5天的持續自主運行。

簡單來說，現在很多模型，增加了Agent和世界物理AI的功能和適配。

但DeepSeek這套視覺多模態模型其實還比較落后，原因在于DeepSeek之前沒往多模態層面考量，更多還是在語言模型層面實現AGI。

值得一提的是，論文也提出了一些局限性：

1、受限于圖片輸入分辨率，模型在超高精細視覺場景中表現不佳，容易出現坐標、點位等視覺思維單元標注不準的問題，后續可結合感知缺口優化算法聯動優化補足短板。

2、核心視覺思維推理能力依賴專屬觸發詞才能啟用，無法自主讀懂場景需求、主動調用坐標框選推理機制，智能自適應適配性有待提升。

3、用單點坐標處理高難度復雜拓撲推理難題時能力偏弱，跨場景泛化穩定性不足，同類能力很難靈活適配多樣化復雜空間任務，也是后續技術迭代重點攻堅方向。

因此，新的研究成果并非真正意義的物理AI、世界模型，也不是完全的多模態識別，其頂多是DeepSeek OCR 2和V4的結合體。

這或許是DeepSeek提前撤下論文的原因之一。

2500年前，古希臘哲學家普羅泰戈拉提出：“人是萬物的尺度。”

這句話的真正含義是，世界本身沒有固有價值，所有意義與判斷，都由人的感知與思考來定義。

而DeepSeek這篇論文想要揭示的核心趨勢，正是 AI 視覺能力的一次本質躍遷：從只會 “看清畫面”，升級為思考時精準定位、理解空間、判斷價值。

未來十年，AI一定會深度重塑工作方式、改變產業格局、重構生活節奏。

但無論技術如何進化，人類獨有的情感、經驗創造力與同理心，永遠無法被算法替代。

人的價值，來自真實的生活閱歷；人與人之間的情感連接，才是我們愿意彼此關心、持續前行的根本理由。

因此，無論 AI 如何飛速發展，有一件事永遠不會改變：

我們依然需要珍惜身邊真實的關系，保有真實的內心感受，理性適應技術變化，不斷去探索人類最本質的力量 ——創造價值、感知意義、彼此相連。

五一節快樂。