Laporan Teknologi Multimodal DeepSeek: Mengajarkan Model "Dengan Menunjuk dengan Jari", Navigasi Labirin Lebih Baik dari GPT-5.4 sebesar hampir 17 poin persentase

robot
Pembuatan abstrak sedang berlangsung
Berita dari CoinWorld, DeepSeek merilis laporan teknologi inferensi multimodal berjudul 「thinking with visual primitives」, mengusulkan paradigma inferensi baru: saat berpikir, model seperti manusia yang menunjuk sesuatu dengan jari, langsung menyisipkan koordinat ke dalam rantai pemikiran, untuk mengidentifikasi setiap objek visual yang terlibat. Proyek ini dirilis sebagai open source di GitHub, dengan lisensi MIT. Salah satu hambatan utama dari model multimodal saat ini adalah 「jurang referensi」, model dapat melihat gambar dengan jelas, tetapi saat melakukan inferensi hanya dapat mendeskripsikan objek visual dengan bahasa alami, sehingga sulit menentukan posisi dalam situasi yang kompleks. DeepSeek mengatasi masalah ini dengan mengubah kotak batas dan koordinat titik menjadi unit terkecil dari inferensi. Model ini berbasis arsitektur v4-flash, dengan kompresi token visual yang ekstrem, hasil pengujian menunjukkan performa yang sangat baik di berbagai benchmark, terutama dalam inferensi topologi dan navigasi labirin, melampaui model lain secara signifikan.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
  • Hadiah
  • Komentar
  • Posting ulang
  • Bagikan
Komentar
Tambahkan komentar
Tambahkan komentar
Tidak ada komentar
  • Disematkan