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...