AI终于能“指着图像思考”，效率提7000倍

给AI看一张挤满人的演唱会照片，问“有多少个戴红帽子的观众”——过去它可能要么数错，要么答非所问地说“这是一场热闹的演出”。但现在，有模型能像你我一样，用“手指”点着每个红帽子数：“1、2、3……一共17个”，还能把每个帽子的位置坐标精准列出来。更夸张的是，处理同一张800×800的图片，它需要的计算资源只有GPT-5.4的1/7000。这不是科幻场景，而是DeepSeek团队推出的“视觉原语”技术实现的突破。为什么这个“指着思考”的能力，会成为多模态AI的关键转折点？

解决AI的“健忘症”：从“看得到”到“盯得住”

过去的多模态AI就像个记性不好的观察者：刚说“左边的猫在睡觉”，下一句就把右边的狗当成了那只猫——这就是行业里说的“引用缺口”：语言描述在推理链中会漂移，没法稳定指代同一个视觉对象。

你可以把这个问题类比成一群人讨论一张地图：有人说“东边的山”，有人说“靠海的山”，到最后没人能确定说的是同一座。而视觉原语，就是给AI递了一支能在地图上画圈的笔——它把点坐标和边界框当成和文字一样的“思考单元”，推理时边说边“指”：“我看到一只猫123,456,234,567>在睡觉，旁边的狗345,678,456,789>在玩球”。

这个设计直接把推理链和图像空间牢牢绑定，从根源上避免了“指东说西”的逻辑混乱。在计数任务中，它的准确率能达到89.2%，比GPT-5.4高出12.6个百分点；迷宫导航这类拓扑推理任务，准确率更是领先近17个百分点。

7056倍压缩：把图像“榨干”成关键信息

视觉原语能落地的核心，是极端的视觉Token压缩技术——这相当于把一本几百页的书，提炼成只有90个关键词的摘要，还不丢核心信息。

传统模型处理一张800×800的图片，会先切成几千个小方块（Token），每个方块都要占用计算资源。而DeepSeek的流程是：先用自研的视觉编码器把图像切成基础方块，再通过3×3空间合并把方块数量压缩到原来的1/9，最后用稀疏注意力机制只保留和推理相关的关键方块。最终一张图只需要约90个KV缓存条目，而Claude Sonnet 4.6需要870个，Gemini-3-Flash需要1100个，压缩比达到7056倍。

这种压缩不是简单的“丢信息”，而是精准的“留核心”：和推理无关的背景、冗余像素都被过滤，只留下能支撑计数、空间判断的关键坐标和边界框。直接结果就是推理延迟降低20%-30%，计算成本大幅下降，却能在空间推理任务上对标GPT-5.4。

当然，这项技术目前还有局限：它需要用户输入触发词才能启用视觉原语，还做不到自主判断何时该“指”；为了压缩Token，图像分辨率被限制，处理医学影像这类需要细粒度观察的场景时精度会打折扣。

从迷宫到财报：训练出“空间感”的AI

要让AI熟练用视觉原语思考，训练数据和任务设计得“对症下药”。团队没有用常见的合成数据，而是采集了近10万条真实图像的语音描述——让标注者用60-90秒口述图像细节，再转成文本，最终筛选出3.17万条高质量数据，生成了4000多万训练样本。

他们设计的训练任务像一场“空间思维闯关游戏”：从基础的计数，到判断“猫在狗的左边还是上边”的空间推理，再到走迷宫、追路径的拓扑推理。比如迷宫导航任务，模型要在完全陌生的迷宫布局里，用坐标点标记出从入口到出口的路径，考验的是对空间连通性的理解。

这种训练让AI的“空间感”不再是靠统计规律蒙答案，而是真正建立起视觉对象和语言描述的对应关系。在处理长文档时，这项技术还能把表格、图表转成压缩的视觉Token，比传统文本处理效率高10倍以上，解码精度能达到97%。

当我们讨论AI的“理解能力”时，总习惯盯着它能不能说出复杂的句子，能不能生成逼真的图片，却常常忽略最基础的一点：它能不能像人一样，把“看到的”和“想到的”精准绑定。

视觉原语的意义，不是让AI“看得更清楚”，而是让它“想得更明白”——用最朴素的坐标和边界框，给AI的推理链钉上了不会漂移的锚点。未来的AI不需要记住所有像素，但必须能精准抓住每个关键信息的位置。

看得清是基础，盯得住才是智能。