DeepSeek V4 最近开源了多模态权重，它不仅能“看图”，还将视觉深度融入了AI大脑。

图片如何变成模型懂的“语言”？图片先被切成小块提取特征，保留空间位置。接着，“秘书”（Aligner）将相邻的9个特征打包压缩，把庞大的图像精炼成最多384个“视觉词（Token）”送入主干。这既保留了画面细节，又控制了数据量。

进入大脑后，视觉词和文字词虽在同一空间交流，但视觉词享有“VIP待遇”。为了让模型看清整张图，视觉词的“视野（Attention）”被特意扩大；在分配计算专家（MoE）时，视觉词也有专属路由通道，不用和文字挤同一条路，让模型能充分发挥多模态特长。

V4 的核心目标不仅是识别图片，更是赋能AI智能体（Agent）。例如让AI操作浏览器，它需反复截图、观察、点击。但这带来了算力挑战：若页面只变了一个按钮，重新计算整张截图会造成巨大浪费。未来的优化方向将是只计算变化的部分（视觉差分）或缓存历史画面。

总之，V4 把图片变成了推理的“原生上下文”。未来多模态AI的竞争，不仅在于谁能“看懂”世界，更在于谁能以极低的算力成本，持续、高效地“观察”世界。