DeepSeek's Deleted Vision Paper Is Nuts...
3-Second Blueprint (English)
- DeepSeek fine-tunes V4 Flash to think with visual primitives, interleaving text reasoning with bounding boxes and 2D points.
- Synthetic 3D scenes projected into 2D grounding boxes supervise each multi-hop object step rather than only the final answer.
- For topological tasks like mazes, the model emits DFS-like coordinate traces and trains on blocked unsolvable paths for rigor.
Visual Chain-of-Thought2D Grounding PrimitivesSynthetic 3D SupervisionTopological Reasoning
3-Sekunden-Fazit (Deutsch)
- DeepSeek trainiert V4 Flash auf visuelle Primitive und verwebt Text-Reasoning direkt mit Bounding-Boxen und 2D-Koordinatenpunkten.
- Synthetische 3D-Szenen liefern projizierte 2D-Boxen, um jeden mehrstufigen Denkschritt statt nur der Endantwort zu überwachen.
- Bei Topologie-Aufgaben wie Labyrinthen erzeugt das Modell DFS-artige Koordinatenpfade und lernt auch an unlösbaren Blockaden.
Visuelles Chain-of-Thought2D-Grounding-PrimitiveSynthetische 3D-DatenTopologisches Reasoning
Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.