PANewsは4月30日、DeepSeekが「Visual Primitives」という手法を提案したと報じた。この手法は、点やボックスといった基本的な視覚単位を推論チェーンに組み込むことで、マルチモーダルタスクにおける参照ギャップ問題に対処するものだ。DeepSeek-V4-Flashアーキテクチャをベースとし、圧縮キーバリューキャッシュによって画像トークンの消費量を削減している。計数および空間推論ベンチマークでは、GPT-5.4、Claude-Sonnet-4.6、Gemini-3-Flash（特定の次元に限定）と同等の性能を発揮する。チームは今後、ベンチマークとデータの一部をオープンソース化し、モデルの重みは統合後に公開する予定だと述べている。