歸藏(guizang.ai)(@op7418):DeepSeek 多模态大语言模型的论文《Thinking with Visual Primitives》已经公开底座是 DeepSeek-V4-Flash，MoE架构，总参数量 284B，激活参数量 13B。自研 DeepSeek‑ViT 视觉编码模型，14×14 patch，输出后 3×3 空间压缩，再接入 LLM。模型在回答时不仅进行文字推理，还会同时通过画框、打点等“视觉原语”进行思考。在极低的 Token 成本下，其效果能和 GPT-5.4、Claude 以及 Gemini 在一些前沿指标上对齐，甚至有的指标能反超。

2026.04.30 12:09

DeepSeek 多模态大语言模型的论文《Thinking with Visual Primitives》已经公开底座是 DeepSeek-V4-Flash，MoE架构，总参数量 284B，激活参数量 13B。自研 DeepSeek‑ViT 视觉编码模型，14×14 patch，输出后 3×3 空间压缩，再接入 LLM。模型在回答时不仅进行文字推理，还会同时通过画框、打点等“视觉原语”进行思考。在极低的 Token 成本下，其效果能和 GPT-5.4、Claude 以及 Gemini 在一些前沿指标上对齐，甚至有的指标能反超。