DeepSeek, AI'nin Uzamsal Muhakeme Yeteneğini Güçlendirmek İçin Görsel Primitifleri Tanıtıyor

Yazı | HarflerAI

Mayıs Tatili'nin bir günü önce, DeepSeek birdenbire bir görsel çoklu mod teknik raporu yayınladı.

Açmadan önce içimde bir tahmin vardı, sadece ne kadar uzağı görebileceğimi ve ne kadar net görebileceğimi merak ediyordum.

Son bir yıl boyunca, çoklu modeller temel olarak bu yönde rekabet etti. OpenAI, modellerin çıkarım sürecinde resimleri kırpma, yakınlaştırma ve döndürme konusunda "resimlerle düşünme" konusunu anlattı; Gemini ve Claude da modellerin daha yüksek çözünürlüklü ve daha karmaşık görsel girdileri işlemesini sağlamaya çalışıyor.

Herkesin ortak varsayımı, model daha detaylı bakarsa, görsel akıl yürütmenin doğal olarak daha güçlü hale geleceğidir.

Ancak DeepSeek'in bu raporunu incelediğinizde, tamamen başka bir yola çıktıklarını göreceksiniz.

DeepSeek, "modelin daha fazla piksel görmesi" üzerine odaklanmadı, daha temel bir soruna odaklandı.

Modelin açıkça gördüğünü varsayalım, ancak çıkarım sürecinde nasıl garanti edersiniz ki model sizin kastettiğinizle aynı şeyi kastediyor?

Aslında bu, çok modlu çıkarımda en çok gözden kaçırılan zayıf noktadır.

İnsanlar resimlerde nesneleri işaretlemek için parmaklarını kullanabilir. Örneğin, “bu kişi kimse”, “o kişi kimse”. Ama model sizin bahsettiğiniz bunun hangisi olduğunu nasıl bilir?

Model sadece "sol taraftaki", "üstteki", "bu çizgi" gibi dillerle konuşabilir. Görüntü karmaşıklaştıkça dildeki işaretlemeler kayar ve çıkarım da çöker.

O zaman DeepSeek, model bir “parmak” verelim diye dedi.

Noktaları ve sınırlayıcı kutuları, modelin düşünme sürecindeki temel birimler haline getirerek, modelin bu sanal parmağıyla nesneyi işaret ederken aynı anda çıkarım yapmasını sağlar.

DeepSeek, bu teknik raporda ilginç bir soru ortaya koyuyor. Çok modelli modellerin gerçek zorluğu, görüntüyü görmek değil, sürekli çıkarım sürecinde aynı görsel nesneye kararlı bir şekilde işaret etmek.

Örneğin, bir arkadaşınıza “Çarşıda, Zhang Hanım’ın booth’u en taze sebzeleri satıyor” diyorsunuz. Ancak çarşıda çok sayıda yaşlı erkek ve kadın var, hangisi Zhang Hanım?

Ama eğer doğrudan parmağınızla gösterip "tam olarak o" diyorsanız, arkadaşınız hemen anlayacaktır.

DeepSeek, bu soruyu "Referans Boşluğu" olarak adlandırdı.

Geçen yıl, neredeyse tüm öncü çoklu modellik modeller “Algı Farkı” sorununu çözmeye çalıştı.

Eğer önünüze bir fotoğraf konulursa ve fotoğraf çok bulanık ya da çözünürlüğü çok düşükse, içindeki küçük yazıları ya da uzaktaki detayları göremeyebilirsiniz. AI de aynı şekilde, girdi olarak verilen görüntü kalitesi yetersizse ya da doğru şekilde işlenmezse, “göremez” — bu algı boşluğudur.

GPT, Claude, Gemini bu modeller, daha fazla ayrıntıyı görebilmek amacıyla çözünürlüğü artırmaya, yüksek çözünürlüklü kırpma, dinamik bloklama ve çok ölçekli işleme yöntemlerini uygulamaya devam ediyor.

Bu yön elbette değerli, ancak DeepSeek raporunda, model ne kadar net görse de karmaşık uzamsal akıl yürütme görevlerinde hâlâ mantıksal çöküşler yaşanabileceğine dikkat çekiliyor.

Sorun doğal dilde kendisinde.

Fotoğrafta onlarca köpek var, "soldaki köpek" diyorsanız, modelin hangi köpeği kastettiğinizi anlaması mümkün değil.

Daha da kötüsü, modelden fotoğraftaki köpeklerin sayısını saymasını isterseniz, model çıkarım sürecinde hangilerini zaten saydığını ve hangilerini henüz saymadığını kolayca karıştırabilir.

Rapor, düzensiz şekilli yolları ve karmaşık topolojik ilişkileri yalnızca dil ile tam olarak tanımlayamayacak kadar uç durumlar olan labirent navigasyonuna da değinmektedir.

Dil, bir işaret aracı olarak, sürekli bir görsel uzayda doğası gereği belirsizdir. Soyut kavramlar ve neden-sonuç ilişkilerinde yetkin olsa da, mekânsal konumlandırma ve topolojik ilişkilerde ifade yeteneğinde temel sınırlamalara sahiptir.

DeepSeek zaten genel bir dil modelidir, o zaman nasıl çözüm bulunur?

Bu yüzden makalenin başında bahsedilen bu “parmak” ortaya çıktı.

Öne sürdükleri temel kavram, “görsel temeller” (Visual Primitives) olup, bunlar özellikle bilgisayar görüşünde en temel uzamsal işaretler olan sınırlayıcı kutular (bounding boxes) ve noktalar (points) olarak tanımlanmıştır.

Önceki çok modelli modeller, nesneleri çerçevelemek için de kullanılabilse bile, sadece sonunda “Buldum” demek için bir sonuç gösterirdi. Sınavda olduğu gibi, sadece cevabı verir, çözüm sürecini yazmazsınız.

Bazı araştırmalar, AI'nın düşünme süreci sırasında çerçeveler çizmesine izin verir, ancak amaç sadece "daha iyi görmek"tir; çerçeveler sadece bir yardımcı araçtır. Matematik soruları çözerken kâğıt üzerinde hesap yapmanız gibi, kâğıt sadece hesaplamalarınızı daha net hale getirir, çözüm stratejisinin bir parçası değildir.

DeepSeek tamamen farklı bir şey yapacak.

Bu alan etiketlerini doğrudan modelin çıkarım sürecine entegre ederek, onları çıkarımın organik bir parçası haline getirdiler. Model düşündüğünde, sadece “Bir köpek gördüm” gibi bir dil açıklaması vermiyor, aynı zamanda “Bir köpek gördüm, burada: [[x1,y1,x2,y2]]” şeklinde çıktı üretiyor.

Bu mekanizma, DeepSeek tarafından "nedenlerini düşünürken işaret etme" (point while it reasons) olarak adlandırılır.

Modelin her adımı, görüntünün belirli koordinatlarına dayanır.

Teknik raporda şu örnek verilmiştir: Model, başlangıç noktasından hareket ederek keşfetmeye, geri dönüp tekrar denemeye devam etmiş ve nihayetinde, her bir koordinatın labirentte geçilen bir noktaya karşılık geldiği tam bir koordinat yolu oluşturmuştur.

Bu sayede model, çıkarım sürecinde “yolunu kaybetmez”. Kendi ne söylediğini, neyi kastettiğini karıştırmaz. Her görsel nesnenin açık bir uzamsal referans noktası olur ve çıkarım süreci izlenebilir ve doğrulanabilir hale gelir.

Bu teknik yol, OpenAI'nin yönüyle ilginç bir karşılaştırma oluşturuyor.

OpenAI, o3 ve o4-mini'nin resmi tanıtımında "görsellerle düşünme" kavramını açıkça belirtti; bu, modelin görselleri akıl yürütme zincirine dahil edebildiğini ve görselleri kırpma, yakınlaştırma, döndürme gibi yöntemlerle işleyebildiğini ifade ediyor. Bu yönün odak noktası, görsellerin kendisinin akıl yürütme zincirinin bir parçası haline getirilmesidir; model, akıl yürütme süreci sırasında yeni görseller oluşturabilir, görselleri değiştirebilir ve görsellerle işlem yapabilir.

OpenAI'nin yolu, görsel, kod, arama, dosya ve araç çağrısının birlikte çalıştığı genel yeteneklere odaklanır. Model, çeşitli görsel görevleri esnek bir şekilde işlemek için güçlü bir "görsel çalışma masasına" sahiptir.

DeepSeek'in yolu daha semboliktir. Koordinatları düşünce zincirine dahil eder. Model, çıkarım metninde açıkça sınırlayıcı kutuların ve noktaların koordinatlarını yazar, görsel nesneleri çıkarım sırasında yeniden kullanılabilir sabit noktalara dönüştürür.

Bu, OpenAI'nin görsel çıkarımını içsel olarak gerçekleştirmesine ve kullanıcının yalnızca nihai cevabı ve gerekli açıklamaları görmesine neden olurken, ortadaki görsel işleme sürecinin kara kutu kalmasına yol açar. DeepSeek ise ortadaki görsel referans noktalarını bilinçli olarak açık hale getirerek çıkarım sürecini tamamen şeffaf hale getirir.

DeepSeek bunu yaparak, çıkarım süreci daha kolay eğitilebilir, denetlenebilir ve puanlanabilir. Bu aynı zamanda format, kalite ve görev düzeyindeki ödüllerin tasarlanmasını da kolaylaştırır. Özellikle labirent ve yol izleme gibi görevlerde, yolun geçerliliği ve izlenen yolun kapsama oranı gibi unsurlar için daha ayrıntılı geri bildirim verilebilir.

Model sadece doğru cevapları çıkarmayı öğrenmekle kalmadı, aynı zamanda görsel temeller kullanarak çıkarım yapma yöntemini de öğrendi.

DeepSeek raporunda, modellerinin görselleri işlerken diğer önde gelen modellere kıyasla çok daha az token kullandığı, kolayca gözden kaçırılan ancak son derece önemli bir ayrıntı var.

Rapor, 800×800 çözünürlüğe sahip bir görüntüyü işlemek için farklı modellerin tükettiği token miktarını gösteren bir karşılaştırma tablosu içeriyor.

Gemini-3-Flash yaklaşık 1100, Claude-Sonnet-4.6 yaklaşık 870, GPT-5.4 yaklaşık 740, Qwen3-VL yaklaşık 660, DeepSeek yaklaşık 361 ve KV önbelleğinde yalnızca yaklaşık 90 giriş tutulur.

Bu fark biraz değil. DeepSeek, Gemini'nin yalnızca üçte biri kadar token kullanıyor ve KV önbellek girdileri ise yaklaşık onda biri kadar.

Bu aşırı verimlilik nasıl sağlanıyor?

DeepSeek, "Sıkıştırılmış Seyrek Dikkat" (Compressed Sparse Attention, CSA) adlı bir mekanizma kullandı.

Bunu şöyle anlayabilirsiniz: Bir aile fotoğrafını arkadaşınıza gösterirken, "soldan 237. pikselden başlayarak kırmızı bir alan var..." demezsiniz, doğrudan "solda annem, sağda babam" dersiniz.

DeepSeek-ViT, önce görüntüyü daha az görsel token'a sıkıştırır, CSA ise bu görsel token'ların KV önbelleğindeki temsillerini daha da sıkıştırır.

Bu mekanizma DeepSeek-V4-Flash modelinde zaten kullanılmıştı ve şimdi görsel çoklu modallikte uygulanmaktadır.

Spesifik sıkıştırma süreci şöyledir. 756×756 boyutunda bir görüntü, 571536 pikselden oluşur. Bu pikseller önce ViT ile işlenir ve 14×14'lük patch boyutuyla bölünerek 2916 patch token oluşturulur. Daha sonra 3×3'lük mekansal sıkıştırma uygulanır; her 9 bitişik token, kanal boyutunda bir token olarak sıkıştırılır ve 324 görsel token elde edilir.

Bu 324 token, büyük dil modeline ön doldurma için girer. Sonrasında, CSA mekanizması bu görsel tokenleri KV önbelleğinde 4 kat daha sıkıştırır ve nihayetinde yalnızca 81 giriş bırakır.

571536 pikselden 81 KV önbellek girdisine kadar, toplam sıkıştırma oranı 7056 katıdır.

Genel olarak büyük AI şirketleri, hesaplama kaynaklarını zorla biriktirme yöntemlerini kullanırken, DeepSeek bilgi teorisi düzeyinde tercihler yaparak yalnızca en açık ve anlaşılır bilgileri bırakır.

En doğrudan sonucu, çıkarım hızının çok daha hızlı hale gelmesidir.

Görüntü token sayısı, modelin çıkarım gecikmesini doğrudan etkiler. Otoregresif üretme sürecinde, her yeni token oluşturulduğunda model, önceki tüm token'ların KV önbelleği üzerinde dikkat hesaplaması yapar. Eğer bir görüntü 1000 token kaplıyorsa, her üretimde bu 1000 token üzerinde dikkat hesaplaması yapılır. Ancak sadece 90 token kaplıyorsa, hesaplama yükü büyük ölçüde azalır.

Robotik görme, otomatik sürüş, gerçek zamanlı video analizi gibi gerçek zamanlı yanıt gerektiren uygulamalarda, çıkarım hızındaki artış karar verici bir rol oynamaktadır.

Ayrıca bellek kullanımını da azaltır.

KV önbelleği, büyük modellerin çıkarımında bellek darboğazıdır. Özellikle uzun bağlam veya toplu çıkarım sırasında KV önbelleği büyük miktarda GPU belleği tüketir. DeepSeek, görsel tokenların KV önbelleğini 90 girdiye sıkıştırır; bu, aynı donanımda daha fazla görüntü işleme veya daha uzun çok aşamalı diyaloglar işleme imkanı sunar.

Bu, gerçek dünyada uygulama açısından çok önemlidir. Birçok şirketin çok modelli modelleri laboratuvar ortamında iyi performans gösterir, ancak gerçek dünyada uygulandığında maliyet sorunları yaşar. Her bir resim için tüketilen token sayısı arttıkça, çıkarım maliyeti artar ve desteklenebilen eşzamanlı kullanıcı sayısı azalır. DeepSeek'in verimlilik avantajı, ölçeklendirilmiş dağıtımda büyür.

Aynı zamanda modelin bağlam kapasitesini dolaylı olarak artırmıştır.

Bir resim 1000 token yer kaplıyorsa, 128k bağlam penceresinde yalnızca 100'den fazla resim yerleştirilebilir. Ancak sadece 300 token yer kaplıyorsa, 400'den fazla resim yerleştirilebilir. Bu, çoklu resimli diyaloglar, uzun video analizleri ve büyük miktarlarda belge anlama gerektiren senaryolar için kritik öneme sahiptir.

DeepSeek modeli, bir diyalogda daha fazla görüntü işlemeyi sağlar, onlarca hatta yüzlerce resmi karşılaştırmalı olarak analiz edebilir ve videolardaki uzun vadeli değişiklikleri izleyebilir.

En önemli şey eğitim maliyetidir.

Raporun ana konusu muhakeme verimliliği olsa da, bu sıkıştırma mekanizması eğitim aşamasında da etkilidir. Daha az görsel token, daha küçük bir hesaplama grafiği, daha hızlı bir eğitim hızı ve daha düşük donanım gereksinimleri anlamına gelir.

DeepSeek, daha az kaynakla daha iyi sonuçlar elde etme konusunda ünlüdür. R1'in takviyeli öğrenme eğitimiyle başlayıp V4'ün MoE mimarisine ve şimdiki görsel çoklu modalliklerine kadar bu verimlilik öncelikli felsefe sürekli devam etmektedir.

Ancak burada kritik bir sorun var. Sıkıştırma bilgi kaybına neden olur mu?

DeepSeek, sıkıştırmanın bilgi kaybına neden olacağını reddetmedi. İddiası, bu uzamsal çıkarım ve sayma görevleri kümesinde, sıkıştırılmış temsillerin hâlâ yeterince etkili olduğunu söylemektedir.

Her adımda, çıkarım için en önemli bilgiler korunur, fazlalıklar ve gürültü atılır.

Aslında önce bahsedilen DeepSeek'in görsel temel mekanizması, kendi başına bir bilgi sıkıştırma şeklidir. Bir sınırlayıcı kutu, bir nesneyi tam olarak tanımlamak için yalnızca 4 sayı kullanır; bir nokta, bir konumu işaretlemek için yalnızca 2 sayı kullanır. Bu ayrık semboller, orijinal piksellerden çok daha yüksek bir bilgi yoğunluğuna sahiptir.

Deney sonuçlarına göre, bu sıkıştırma performansı zarar vermemiş, bazı görevlerde iyileşme sağlamıştır.

Bu, birçok görsel çıkarım görevi için sorunun yeterince net görmemekten ziyade uygun bir temsil yöntemi bulunamamasından kaynaklandığını gösterir.

Bu verimlilik avantajı, çok modlu akıl yürütmenin daha büyük modeller, daha fazla hesaplama gücü veya daha yüksek maliyetlere ihtiyaç duymadığını da kanıtlamaktadır.

DeepSeek'in doğuşundan bu yana, bu şirketin bir gizli çizgisi vardı: "Gerçek akıl, hesaplama gücüde değil, sorunun temelini anlamada yatıyor."

Görsel akıl yürütmenin ne gerektirdiğini gerçekten anladığınızda, o kadar çok tokene ihtiyacınız olmaz. Uygun temsili bulduğunuzda, o kadar büyük bir modele ihtiyacınız olmaz.

Bu açıdan bakıldığında, DeepSeek'in aşırı verimliliği bir amaç değil, bir yan ürün. Gerçek amaç, görsel akıl yürütme için doğru paradigmayı bulmaktır. Verimlilik, bu paradigmayı doğru olduğunu kanıtlamaktadır.

DeepSeek, raporda sınırlamalar bölümünde, mevcut yöntemin bazı sorunlarını açıkça listeliyor. Bu sorunlar, teknik detaylardaki küçük hatalar değil, görsel akıl yürütmenin bir sonraki aşamasını işaret ediyor.

İlk soru tetikleyici kelime bağımlılığıdır.

Rapor, mevcut "görsel temellerle düşünme" yetisinin etkinleştirilmesi için açık tetikleyici kelimeler gerektirdiğini açıkça belirtiyor. Yani, model henüz "ne zaman çerçeve çizmesi veya nokta koyması gerektiğini" doğal ve özerk bir şekilde karar veremiyor.

Bu, modelin görsel primitiflerin ne zaman gerekli olduğunu ve ne zaman dilin yeterli olduğunu gerçekten öğrenmediği anlamına gelir.

İdeal durumda, model görevin doğasına göre kendi kendine karar vermelidir. Ancak kullanıcı “Görselde kaç tane köpek var?” diye sorduğunda, model otomatik olarak görsel temel moduna geçmeli ve sayım için sınırlayıcı kutular kullanmalıdır.

Teknik olarak, bu, modelde bir meta-bilinç katmanı kurmayı gerektirir. Bu meta-bilinç katmanı, mevcut görevin karmaşıklığını değerlendirebilir, saf dilsel çıkarımın yeterli olup olmadığını belirleyebilir ve görsel temel öğeleri çağırıp çağırmayacağını karar verebilir.

DeepSeek şu anda bu metakognitif katmanı gerçekleştirmemiş olsa da, yönünü net bir şekilde belirlemiştir. Gelecek sürümlerde modelin dışsal tetikleyicilere değil, kendi kendine çıkarım stratejileri belirlemeyi öğrenmesi mümkün olabilir.

İkinci sorun çözünürlük sınırıdır.

Rapor, giriş çözünürlüğü sınırlamaları nedeniyle modelin ince ayrıntılı senaryolardaki performansının yeterli olmadığını ve çıktıların görsel temel öğelerinin bazen yeterince kesin olmadığını belirtiyor.

Bu sorun, DeepSeek'in verimlilik öncelikli stratejisiyle ilgilidir. Token sayısını kontrol etmek için görsel token aralığı 81 ile 384 arasında sınırlanmıştır. Bu aralığın dışındaki görüntüler ölçeklendirilir.

Bu tasarım çoğu senaryoda mantıklıdır, ancak çok yüksek doğruluk gerektiren görevlerde sınırlarla karşılaşır. Örneğin, tıbbi görüntü analizinde küçük lezyonların tanınması, endüstriyel kalite kontrolünde ince kusurların tespiti gibi senaryolar yüksek çözünürlük gerektirir.

DeepSeek, raporda bu sorunun mevcut yüksek çözünürlüklü yöntemlerin entegrasyonuyla çözülebileceğini belirtti. Yani, görsel temel çerçeveleri ve geleneksel yüksek çözünürlüklü kırpma yöntemleri birbirine karşıt değil, birbirini tamamlayıcı.

DeepSeek'in bir karışım çözümü sunmasını düşünüyorum.

Genel görevler için sıkıştırılmış görsel temsiller ve görsel primitiflerle akıl yürütme kullanılarak yüksek verimlilik korunur. İnce ayrıntılı analiz gerektiren bölgeler için dinamik olarak yüksek çözünürlüklü kırpma çağrılır ve daha detaylı görsel bilgiler çıkarılır. Bu sayede hem genel verimlilik korunur hem de yerel doğruluk gereksinimleri karşılanır.

Bu karışık yöntemin anahtarı, modelin hangi bölgelerin yüksek çözünürlükte işlenmesi gerektiğini belirlemeyi öğrenmesidir. Bu da yine önceki metakognitif soruna dönmektedir.

Üçüncü soru, senaryolar arası genelleştirmedir.

Rapor, karmaşık topolojik akıl yürütme sorunlarını çözmek için noktaları görsel temel olarak kullanmanın hâlâ zor olduğunu ve modelin senaryolar arası genelleme kapasitesinin sınırlı olduğunu belirtiyor.

Bu sorun, labirent navigasyonu ve yol izleme görevlerinde daha belirgin şekilde ortaya çıkıyor. DeepSeek, kendi oluşturduğu test setinde %66,9 ve %56,7 doğruluk oranlarına ulaştı ve diğer modelleri geçti, ancak bu sayılar hâlâ yeterli değil.

Daha önemlisi, bu görevlerin tümü sentetik veriler üzerinde eğitildi ve test edildi. Labirentler algoritmik olarak oluşturuldu ve yol izleme eğrileri programatik olarak çizildi. Model, gerçek haritalarda yol planlama veya karmaşık boru şemalarında bağlantıları izleme gibi gerçek dünya topolojik akıl yürütme sorunlarıyla karşılaştığında performansı düşebilir.

DeepSeek'in yöntemi, genelleme yeteneğini artırmak için büyük ölçekli ve yüksek çeşitlilikte veri kullanmaktır. 97.984 veri kaynağı taramışlar, sıkı filtreleme sonrası 31.701'ini korumuş ve nihayetinde 40 milyondan fazla örnek elde etmişlerdir. Labirent ve yol izleme görevlerinde de mümkün olduğunca çok değişkenliği kapsamak amacıyla çeşitli topolojiler, görsel stiller ve zorluk seviyeleri tasarlamışlardır.

Ancak veri çeşitliliği, genelleme yeteneğinin sadece bir parçasıdır. Model, topolojik akıl yürütmenin özünü gerçekten anlıyor mu, yoksa sadece eğitim verilerindeki kalıpları mı hatırlıyor?

Ayrıca, DeepSeek'in görsel temelleri, özel veri formatları, eğitim süreçleri ve değerlendirme yöntemleri gerektiren yeni bir temsil sistemidir ve mevcut çoklu modlu ekosistemle tam olarak uyumlu değildir.

Çoğu çok modallı veri seti ve değerlendirme standartları, geleneksel “görsel + metin” paradigmalarına dayanarak tasarlanmıştır ve görsel primitifleri dikkate almamaktadır. DeepSeek modelini bu standartlar üzerinde değerlendirmek için ya görsel primitif işlevi kapatılmalı ya da değerlendirme yöntemi yeniden tasarlanmalıdır.

Bu çalışmayı yeniden oluşturmak veya geliştirmek isteyen diğer araştırmacılar, tüm veri ve eğitim sürecini yeniden kurmak zorundadır, bu da engel oldukça yüksektir.

DeepSeek, bu sorulara raporunda değinebilmesi, çalışmalarına dair farkındalığa sahip olduğunu gösteriyor.

Bu, mükemmel bir cevap vermekten daha değerli olabilir. Çünkü toplumsal ilerlemeyi genellikle cevaplar değil, sorular harekete geçirir.