IT之家 5 月 9 日音信，上个月底，DeepSeek 启动灰度测试“识图情势”。该情势并非粗浅的翰墨 OCR，而是终于具备了图片识别浩大才智。

凭证最新用户响应，DeepSeek 照旧大范围绽放“识图情势”供用户体验，现在险些整个测试账号皆能看到该进口。但限度IT之家发稿，DeepSeek 中的“识图情势”仍标注为“图片浩大功能内测中”。

如图所示，领有灰度测试经历的用户会发现，输入框上方与“快速情势”和“大众情势”并排，出现了一个全新的“识图情势”按钮。

在具体的实测体验中，开启该情势后，用户不错径直上传图片让 DeepSeek“看”天下，其才智范畴远超粗浅的翰墨索要。

在基础的图像识别限制，它到手变身为别称“博物学家”，举例有网友上传了在博物馆拍摄的不解文物，开启“深度想考”后，DeepSeek 不仅详备形容了纹理与材质，以致准确忖度出某件玉器属于 18 世纪清代乾隆时期的“痕皆斯坦作风”；在濒临烧脑的逻辑题时，它雷同展现出硬核的推理才智，在一项需要在脑海中拼合立方体的高难度空间推理题中，固然不开想考情势容易给出无理谜底，但一朝开启深度想考并奢华了长达 4 分钟傍边的时候，最终给出了正确的谜底；此外，它还被考证了极强的“网感”，上传时卑鄙行的样子包或梗图，它能精确识别合照中的东说念主物（举例从一张合影中同期精确分别出特朗普和鲁路修），以致能解读出小猫的无奈情谊，准确浩大网民的转失笑点；在坐褥力方面，它还不错充任全能的“截图转码器”，径直将包含代码、复杂 UI 界面的时刻阐明或网页截图进行流露，索要出整个翰墨，以致能一键反向生成可交互的 HTML 代码，开云体育中国官网入口连原网页的跳转按钮皆能陈陈相因地给以报告。

伴跟着识图情势的上线，DeepSeek 上月底还公开了其背后的多模态模子时刻细节，公布了一种名为“Thinking with Visual Primitives（以视觉原语想考）”的中枢框架。

据 DeepSeek 发布的时刻阐明讲授，传统多模态大模子在濒临密集场景时存在一种名为“指代鸿沟”的逆境，模子固然能看见图片，但在推理进程顶用“左边阿谁大的”等暧昧的当然谈话构建逻辑链时，很容易因形容不准导致留心力漂移。

DeepSeek 给出的解法是，将点、范畴框等代表空间位置的视觉元素径直融入模子的推理链条，使其成为“想维的基本单位”。这种改变框架使得模子在推理时就像东说念主类用“赛博手指”在脑海中精确指出意见物一样，边想边指，从而完满贬责了复杂空间布局中的逻辑贫瘠。

更令东说念主咋舌的是，这种高效的框架在施走运算中对算力资源特殊友好，在处理一张 800×800 分辨率的图移时，DeepSeek 仅消耗约 90 个 tokens，而 GPT 和 Claude 等其他主流模子在处理同等图移时则需要消耗约 870 到 1100 个 tokens，且 DeepSeek 在多项计数与空间推理的基准测试上达到了比肩以致额外了前沿模子的水平。

另外需要教导的是，刚学会“睁眼”的 DeepSeek 并莫得大众遐想中那么完满。空洞无数用户实测响应来看，现在的识图情势仍存在几处显著不及：

当先是学问库更新的滞后性，在某些测试中，固然模子的推理进程和分析逻辑透彻正确，但最终谜底却张冠李戴 —— 举例在识别某款 2025 年底发布的最新式号手机时，因其学问库停留在 2025 年，固然能通过副屏细节忖度出旧型号，但仍给出了透彻无理的具体型号；

其次，在濒临数图中老虎数目、视错觉等高难度反直观图形题目时，它的谜底依然存在很大的不细目性，以致随机在经过万古候“深度想考”后，反而出现了更严重的幻觉，导致最终逻辑崩溃。

还有小数需要明确的是，现在 DeepSeek 上线的识图情势施行上是纯视觉浩大模块开云中国，它主要聚积在图片识别与分析层面，尚未集成图像生成、视频浩大或跨模态交互等更为广义的多模态功能。