数手指数晕了的 AI
前两天有人让 DeepSeek 数手指。它思考了一通，自己吐槽「我真的是数晕了」，然后答错了。
以为是灰度测试的小问题。但这篇论文告诉我们，数手指数晕这件事，背后藏着一个 GPT、Claude、Gemini 集体没解好的技术瓶颈。
看得清 vs 指得准
目前所有 AI 看图，本质上都是把图片转成文字来思考。
过去两年，OpenAI、Google、Anthropic 拼命做一件事：让 AI 看得更清楚。高分辨率裁切、动态分块、图片放大再塞进去。
DeepSeek 把这叫「感知鸿沟」——AI 看不清。但这篇论文指出了另一个瓶颈：「引用鸿沟」。
AI 看清了，但没法精确指向图里的某个东西。一张合照 25 个人密密麻麻站一起，用语言描述「左边第三排穿蓝色球衣旁边那个人」——描述本身就是模糊的。AI 数着数着就丢了上下文，忘了数到谁。
人类怎么解决？够原始的。伸出手指，指一个数一个。
给 284B 参数的模型装一根手指
DeepSeek 的方案就这么朴素：让 AI 在思考时直接在图上画框标坐标。
- 数人？每个人身上画一个框，数框就行
- 走迷宫？每走一步在图上标一个点，留下路径记录
两种格式：框（Bounding Box）和点（Point）。DeepSeek 管它们叫「视觉原语」——视觉推理中最小的思维单元。
关键区别：以前 AI 输出坐标是给最终答案，现在坐标嵌入了思考过程本身。不是答卷上的答案，是草稿纸上的标记。
7056 倍压缩，还能数清 25 个人
一张 756×756 的图，57 万像素，DeepSeek 一路压成 81 个信息单元。压缩比 7056 倍。
模型 | 每图 Token 数 |
Gemini-3-Flash | 约 1100 |
Claude-Sonnet-4.6 | 约 870 |
GPT-5.4 | 约 740 |
DeepSeek | 90 |
DeepSeek 用 90 个 Token 就搞定了。省下来的算力全拿去「指」。
别人在掷硬币，DeepSeek 在认真走
迷宫测试最能说明问题。迷宫只有两种答案：有路，或者没路。随机猜正好 50%。
模型 | 准确率 |
DeepSeek | 66.9% |
GPT-5.4 | 50.6% |
Claude-Sonnet-4.6 | 48.9% |
Gemini-3-Flash | 49.4% |
GPT、Claude、Gemini 全在 50% 附近晃。跟掷硬币没区别。DeepSeek 的 66.9% 不算完美，但它确实在一步步走，不是在蒙。
路径追踪更夸张：Claude 只有 30.6%，比瞎猜强一点。DeepSeek 是 56.7%。
4000 万条数据的筛选工程
DeepSeek 从 Huggingface 爬了 97,984 个数据源。
- 第一轮：砍掉标签无意义的、私人实体的、模糊缩写的。砍 56%
- 第二轮：砍掉漏标太多的、框画歪的、框太大的。再砍 27%
- 最终产出超过 4000 万条高质量样本
然后分头练：框的数据训练一个专家，点的数据训练另一个专家。分别做强化学习，最后合并。
DeepSeek：始终在「用更少做更多」
时间 | 模型 | 关键创新 |
2024.06 | V2 | MLA 压缩注意力机制 |
2024.12 | V3 | 671B 参数 MoE，278 万 GPU 小时训练 |
2025.01 | R1 | 纯强化学习激发涌现推理 |
2026.04 | V4 | 100 万 Token 上下文 + Engram 记忆 |
每一次，DeepSeek 都在做同一件事：用更少的算力做更多的事。
为什么要删？
- 技术太超前：视觉原语的效果远超预期，DeepSeek 可能不想让竞争对手这么快跟进
- 节奏问题：视觉模式还在灰度测试，论文可能超前于产品发布计划
- 内部流程：研究员个人在 X 上发布，可能没走完完整的内部审批
后续分析：视觉原语将如何改变行业
OpenAI/Anthropic 会在 6 个月内跟进
视觉原语的技术路径清晰且可复制，不依赖特殊硬件。GPT/Claude 在迷宫测试上的「掷硬币」表现说明纯语言推理在空间任务上已触及天花板。参照 DeepSeek-R1 发布后，OpenAI 在 3 个月内推出类似推理链产品的历史，视觉锚点机制被竞争对手跟进几乎是必然。
DeepSeek 可能在 V4.1 中正式集成
论文表明技术已进入强化学习优化阶段，4000 万条训练数据就绪，模型架构已验证。DeepSeek 历史上从论文到产品部署周期约 2-4 个月。但「删论文」行为暗示内部可能存在路线分歧，存在延迟风险。
这对普通用户意味着什么
当 AI 学会「指」，许多现在做不到的事将变得可能：看电路图自动定位故障点、医学影像精确标注病灶、自动驾驶理解复杂路口的空间关系。66.9% 只是起点。教模型伸手指这件事，才刚刚开始。
分辨率军备竞赛可以缓一缓了。多模态推理的下一步，不在更高的分辨率，不在更多的 token。而在让 AI 学会在图中定位、比较、追踪。
教模型伸出手指，比给它配一副更贵的眼镜管用。
这只鲸鱼开了眼之后，还长出了手指。
基于论文撤稿前全文分析 | 黑粉科技 · hyphentech.top
分享到：