即刻App年轻人的同好社区
下载
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。
详情：github.com
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。
详情：github.com
29 52
来自圈子
AI探索站
111000人已经加入