DeepSeek大领域盛开“识图模式”，正式跨入图文交互时期

起源：网络转载作者：IT之家功夫：2026-05-09

5 月 9 日新闻，上个月底，DeepSeek 起头灰度测试“识图模式”。该模式并非单一的文字 OCR，而是终于具备了图片鉴别理解能力。

凭据最新用户反馈，DeepSeek 已经大领域盛开“识图模式”供用户履历，目前险些所有测试账号都能看到该入口。但截至IT之家发稿，DeepSeek 中的“识图模式”仍标注为“图片理解职能内测钟妆。

如图所示，占有灰度测试资格的用户会发现，输入框上方与“急剧模式”和“专家模式”并列，出现了一个全新的“识图模式”按钮。

在具体的实测履历中，开启该模式后，用户能够直接上传图片让 DeepSeek“看”世界，其能力天堑远超单一的文字提取。

在基础的图像鉴别领域，它成功变身为一名“博物学家”，例如有网友上传了在博物馆拍摄的不明文物，开启“深度思虑”后，DeepSeek 不仅具体描述了纹理与材质，甚至正确揣度出某件玉器属于 18 世纪清代乾隆时期的“痕都斯坦风格”；在面对烧脑的逻辑题时，它同样展示出硬核的推理能力，在一项必要在脑海中拼合立方体的高难度空间推理题中，固然不开思虑模式容易给出谬误答案，但一旦开启深度思虑并耗费了长达 4 分钟左右的功夫，最终给出了正确的答案；此表，它还被验证了极强的“网赣妆，上传时下盛行的表情包或梗图，它能精准鉴别合照中的人物（例如从一张合影中同时精确分辨出特朗普和鲁路建），甚至能解读出幼猫的无奈感情，正确理解网民的转失笑点；在出产力方面，它还能够充任全能的“截图转码器”，直接将蕴含代码、复杂 UI 界面的技术汇报或网页截图进行解析，提取出所有文字，甚至能一键反向天生可交互的 HTML 代码，连原网页的跳转按钮都能原封不动地予以复原。

陪伴着识图模式的上线，DeepSeek 上月底还公开了其背后的多模态模型技术细节，颁布了一种名为“Thinking with Visual Primitives（以视觉原语思虑）”的主题框架。

据 DeepSeek 颁布的技术汇报诠释，传统多模态大模型在面对密集场景时存在一种名为“指代天堑”的困境，模型固然能看见图片，但在推理过程中用“左边那个大的”等吞吐的天然说话构建逻辑链时，很容易因描述禁绝导致把稳力漂移。

DeepSeek 给出的解法是，将点、天堑框等代表空间地位的视觉元素直接融入模型的推理链条，使其成为“思想的根基单元”。这种创新框架使得模型在推理时就像人类用“赛博手指”在脑海中精确指出指标物一样，边想边指，从而美满解决了复杂空间布局中的逻辑难题。

更令人惊叹的是，这种高效的框架在现实运算中对算力资源极度敦睦，在处置一张 800×800 分辨率的图片时，DeepSeek 仅亏损约 90 个 tokens，而 GPT 和 Claude 等其他主流模型在处置一致图片时则必要亏损约 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甚至超过了前沿模型的水平。

另表必要提醒的是，刚学会“睁眼”的 DeepSeek 并没有各人设想中那么美满。综合大量用户实测反馈来看，目前的识图模式仍存在几处显著不及：

首先是知识库更新的滞后性，在某些测试中，固然模型的推理过程和分析逻辑齐全正确，但最终答案却张冠李戴 —— 例如在鉴别某款 2025 年底颁布的最新型号手机时，因其知识库停顿在 2025 年，固然能通过副屏细节揣度出旧型号，但仍给出了齐全谬误的具体型号；

其次，在面对数图中老虎数量、视错觉等高难度反直觉图形标题时，它的答案依然存在很大的不确定性，甚至有时在经过长功夫“深度思虑”后，反而出现了更严沉的幻觉，导致最终逻辑崩溃。

还有一点必要明确的是，目前 DeepSeek 上线的识图模式性质上是纯视觉理解？，它重要集中在图片鉴别与分析层面，尚未集成图像天生、视坡讽解或跨模态交互等更为广义的多模态职能。

DeepSeek大领域盛开“识图模式”，正式跨入图文交互时期

伟德体育咸宁网站设计，数智化定造专业团队