📌 📄 内容摘要:
@HCPTangHY 在 DeepSeek发布「视觉原语思考」框架，让多模态模型边推理边“指” 中发帖
DeepSeek联合北京大学、清华大学发布论文《Thinking with Visual Primitives》及其开源仓库，提出一种新的多模态推理框架。该框架的核心做法是将空间标记——坐标点和边界框——提升为模型思维链中的**“最小思考单元”**，在推理过程中直接交织使用，使模型在"思考"的同时能够"指向"图像中的具体位置。
[image]
在7项公开基准和4项自建基准的评测中，该模型在计数、空间推理、拓扑推理等维度上达到或超过GPT-5.4、Claude-Sonnet-4.6和Gemini-3-Flash的表现，平均得分77.2%，为所有被测模型中最高。值得关注的是，在迷宫导航和路径追踪两项拓扑推理任务上，该模型分别取得66.9%和56.7%的准确率，而其余前沿模型均未超过51%，这表明现有多模态模型在拓扑推理方面仍有很大提升空间。
[image]
论文同时指出了当前的...
────────── 链接信息 ──────────
🔗 论坛链接: linux.do
📎 访问地址: https://linux.do/t/topic/2089101/1
─────────────────────────────
📢 来源：LINUX DO
