4 月 30 日消息，DeepSeek 昨日开启「识图模式」测试，与现有的「快速模式」、「专家模式」并列，具备完整的多模态图像理解能力，并非简单的 OCR 文字识别。
从实测表现来看，DeepSeek 识图模式的整体准确率较高，在不开启思考模式的情况下，最快半秒即可给出回答。对于电影剧照、抽象图片、商品图等常见场景，识别与理解表现良好。
更值得关注的是其思考过程：在描述画面内容之外，还会主动追问发布者身份、图像隐喻与潜台词，并在推理过程中多次自我纠正，甚至在给出结论前，自发列出问题逐一验证前提假设，呈现出接近人类阅读习惯的推理逻辑。
不过，识图模式目前仍存在明显局限。经典的「数手指」测试中，DeepSeek 首次作答出错，自称「数晕了」，但在用户引导或提示后能够给出正确答案。
此外，识图过程暂不支持联网搜索，仅依赖模型自身知识库作答，对于较新的事物，如苹果今年推出的吉祥物「Finder 酱」，无法识别。
而就在昨天，DeepSeek 多模态团队研究员 Xiaokang Chen 在 X 上发文「Now, we see you. 👀」，并配图 DeepSeek 鲸鱼吉祥物从「蒙眼」到「睁眼」的对比，外界普遍将其解读为多模态新模型即将上线的预告。
声明：内容来源公开的各类媒体平台，若收录的内容侵犯了您的权益，请联系邮箱，本站将第一时间处理。