IT之家 5 月 9 日音书，上个月底，DeepSeek 开动灰度测试“识图风物”。该风物并非简便的笔墨 OCR，而是终于具备了图片识别阐明才调。

字据最新用户反应，DeepSeek 也曾大范围通达“识图风物”供用户体验，当今险些悉数测试账号都能看到该进口。但截止IT之家发稿，DeepSeek 中的“识图风物”仍标注为“图片阐明功能内测中”。

如图所示，领有灰度测试履历的用户会发现，输入框上方与“快速风物”和“各人风物”并排，出现了一个全新的“识图风物”按钮。

在具体的实测体验中，开启该风物后，用户不错径直上传图片让 DeepSeek“看”宇宙，其才调领域远超简便的笔墨索要。

在基础的图像识别鸿沟，它告捷变身为又名“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 不仅精致态状了纹理与材质，致使准确预计出某件玉器属于 18 世纪清代乾隆时期的“痕都斯坦立场”；在面临烧脑的逻辑题时，它不异展现出硬核的推理才调，在一项需要在脑海中拼合立方体的高难度空间推理题中，固然不开想考风物容易给出误差谜底，但一朝开启深度想考并奢侈了长达 4 分钟傍边的时期，最终给出了正确的谜底；此外，它还被考据了极强的“网感”，上传时卑鄙行的色彩包或梗图，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差异出特朗普和鲁路修），致使能解读出小猫的无奈心计，准确阐明网民的转失笑点；在分娩力方面，它还不错充任全能的“截图转码器”，径直将包含代码、复杂 UI 界面的技艺评释或网页截图进行剖析，索要出悉数笔墨，致使能一键反向生成可交互的 HTML 代码，开云kaiyun(中国)连原网页的跳转按钮都能西颦东效地给予回答。

伴跟着识图风物的上线，DeepSeek 上月底还公开了其背后的多模态模子技艺细节，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 发布的技艺评释阐述注解，传统多模态大模子在面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，但在推理经过顶用“左边阿谁大的”等朦胧的当然话语构建逻辑链时，很容易因态状不准导致提防力漂移。

DeepSeek 给出的解法是，将点、领域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”。这种翻新框架使得模子在推理时就像东说念主类用“赛博手指”在脑海中精确指出办法物一样，边想边指，从而完好处理了复杂空间布局中的逻辑困难。

更令东说念主钦慕的是，这种高效的框架在施走运算中对算力资源终点友好，在处理一张 800×800 分辨率的图片刻，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片刻则需要消耗约 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致使迥殊了前沿模子的水平。

另外需要指示的是，刚学会“睁眼”的 DeepSeek 并莫得寰球遐想中那么完好。抽象无数用户实测反应来看，当今的识图风物仍存在几处彰着不及：

率先是常识库更新的滞后性，在某些测试中，固然模子的推理经过和分析逻辑王人备正确，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，因其常识库停留在 2025 年，固然能通过副屏细节预计出旧型号，但仍给出了王人备误差的具体型号；

其次，在面临数图中老虎数目、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省略情趣，致使巧合在经过永劫期“深度想考”后，反而出现了更严重的幻觉，导致最终逻辑崩溃。

还有少许需要明确的是开云体育，当今 DeepSeek 上线的识图风物骨子上是纯视觉阐明模块，它主要靠拢在图片识别与分析层面，尚未集成图像生成、视频阐明或跨模态交互等更为广义的多模态功能。