---
title: "引用鸿沟 (Reference Gap)"
domain: "Multimodal AI / Visual Reasoning"
tags: [reference-gap, multimodal, spatial-reasoning, grounding]
sources: [[thinking-with-visual-primitives]]
---

# 引用鸿沟 (Reference Gap)

> 自然语言在连续视觉空间中无法提供精确、无歧义的空间指代——这是导致 MLLM 空间推理逻辑崩溃的根本瓶颈。

## 定义

Reference Gap（引用鸿沟）由 DeepSeek-AI 在「Thinking with Visual Primitives」中提出，指自然语言固有的指代模糊性：当模型需要在复杂空间布局中进行多步推理时，语言描述（如「左边的红色物体」）无法唯一确定视觉实体，导致推理链断裂。

## 与感知鸿沟的区别

| 鸿沟类型 | 问题本质 | 现有方案 | 是否已解决 |
|----------|----------|----------|-----------|
| [[perception-gap|感知鸿沟]] | 模型「看不清楚」细节 | 高分辨率裁剪、动态 patching | 部分解决 |
| **引用鸿沟** | 模型「说不清楚」指代 | 视觉原语 | 本文提出 |

>「Seeing is not reasoning」——即使完美感知，没有精确的空间指代机制，推理仍会崩溃。

## 典型表现

- **密集计数**：语言无法逐个指代「第 N 个物体」，导致重复计数或遗漏
- **空间关系推理**：「在 A 左边、B 右边的物体」在拥挤场景中高度歧义
- **拓扑推理**：迷宫探索中无法用语言精确描述不规则路径的连通性

## 解决方案

[[visual-primitives|视觉原语]]：将 bounding boxes 和 points 直接嵌入思维链，使模型能够「边指边想」，将抽象的语言概念锚定在具体的图像坐标上。

## 相关概念

- [[visual-primitives|视觉原语]] — 解决引用鸿沟的核心机制
- [[perception-gap|感知鸿沟]] — 互补瓶颈
- [[multimodal-large-language-model|多模态大语言模型]] — 场景