廣東
在DeepSeek一記V4重拳徹底引爆科技圈的五天后，DeepSeek內部負責多模態的研究員陳小康在X上發布了這么一條帖子，并且附上了文字：
Now, we see you.
（圖源：雷科技）
沒錯，就是字面意思。
當所有人還在為V4的價格和編碼能力而驚嘆時，DeepSeek突然開測識圖模式，全網熱議了一整年的多模態能力總算是落地了。
這更新速度，真心讓人覺得梁文鋒是不是為了不被網友做成不務正業的梗圖，連夜把開發團隊鎖在了機房里。
需要注意的是，這次測試并非全量測試，而是小范圍的灰度測試，只有部分用戶能在DeepSeek官方App或網頁版里看到，此時輸入欄上方除了原有的快速模式、專家模式外，還會新增識圖模式按鈕，并標注“圖片理解功能內測中”。
（圖源：雷科技）
不巧的是，筆者的同事們全部都沒能被灰度測試到，被DeepSeek官方抽到的人數居然高達0人！
幸運的是，筆者居然還真就成了那萬中無一的天選之人。
既然這么巧合，小雷不給大家測試一番，多少有點過意不去。這次我精心選擇了12張圖片，讓大家好好看看DeepSeek到底能看到什么？
理解能力強，知識庫待更新
話不多說，我們直接從畫面描述開始測試。
之所以將這個放在第一位，是因為這是視覺理解在實際場景中應用最多的一項功能。
以我們日常生活為例，在路邊看到一株叫不出名字的奇葩植物，或者想找找某款穿搭的同款鏈接，甚至是在異國他鄉對著滿屏外文菜單發愁時，大家現在的第一反應多半是拍張照丟給AI問一句：“這是啥？”
這種“所見即所問”的交互，本質上就是在考驗模型的視覺理解功底。
而這次我準備了三張圖用作測試，分別是一張Coser圖像、我在博物館里的見聞以及一張信息量繁雜的活動現場圖片。
（圖源：雷科技）
提示詞：請詳細描述一下這張圖，字數控制在250字以內。
對于第一張圖片，DeepSeek的回答是這樣的：
（圖源：雷科技）
沒錯，DeepSeek不但完整描述了整個畫面細節，而且還認出了圖片里的角色，甚至還把拍攝這種圖片中的背景、打光等元素等如實還原出來，用這套文字去文生圖模型里直接就能還原一張高度類似的圖片。
要知道，這個效果可是沒開思考模式的。
對于第二張圖片，DeepSeek的回答是這樣的：
（圖源：雷科技）
不打開思考模式的情況下，這次回答就是很單純的畫面描述，沒有對于物品的解析，但是描述本身還是挺到位的，而且最后還是能看出來這款物品富有濃郁的中東或中亞藝術風情，很可能是一件珍貴的宮廷或宗教禮儀用具。
那么，要是我打開思考模式呢？
這下開始解析了，首先是對物品進行拆解，定義它是什么、有什么特征、所處的環境怎么樣。
（圖源：雷科技）
然后就開始下定義了，它認為是清代痕都斯坦風格。
（圖源：雷科技）
那么清代痕都斯坦風格是啥呢？根據Wiki解釋，這是18世紀清朝乾隆時期引入的中亞伊斯蘭風格玉器，主要源自北印度莫臥兒王國。
剛好，我去看的就是莫臥兒王國展，還真給它找出來了。
（圖源：雷科技）
對于第三張圖片，DeepSeek的回答是這樣的：
（圖源：雷科技）
除了畫面描述、文字信息讀取，這次它還果斷判斷這是屬于中國建博會·廣州的活動現場圖片，只能說圖片理解這塊確實沒毛病嗷。
當然了，上面這些內容都是看圖說話，那么更新一點的信息識別如何呢？
這次我準備了近些年的三張圖片，提示詞：圖片里的東西是什么？并說出你的依據，字數控制在200個字以內。
（圖源：雷科技）
對于第一張圖片，DeepSeek的回答是這樣的：
（圖源：雷科技）
嗯...至少能從圖片里看出寶可夢的信息，但是《Pokopia》這款游戲還是太新了，明顯不在DeepSeek的知識庫里。
對于第二張圖片，DeepSeek的回答是這樣的：
（圖源：雷科技）
這次倒是判斷得很準確，這確實是一張從3dm扒下來的FM24戰術圖。
對于第三張圖片，DeepSeek的回答是這樣的：
（圖源：雷科技）
不難看出，它確實缺乏了最新的產品信息，但居然能通過副屏來判斷成小米11 Ultra，只能說DeepSeek識圖在邏輯這塊真的拿捏了。
邏輯問題，同樣搞不定
接下來，我們來試試元素識別。
這部分，說人話就是考驗AI的眼力見了，里面有些題目，哪怕是真人來了也不一定能做出來。
誒，順便看看DeepSeek會不會也是個色盲。
這類圖片在網上那叫一個多啊，我干脆直接上谷歌搜羅了這些圖來測試用，大家也別客氣。
（圖源：雷科技）
先測第一個，提示詞：請直接告訴我這張圖中有幾只老虎。
讓人想不到的是，這個問題居然能讓DeepSeek開始自我博弈起來，不斷地否認自己上一次數出來的結果，最后更是在兩次數出6只老虎的情況下，堅定地回答了7只出來。
（圖源：雷科技）
問題在于，這圖里有10只老虎，這就讓人很尷尬了。
再測第二個，提示詞：這張圖中隱藏著一組數字，請你直接告訴我其中有幾個數字，它們分別是什么。
（圖源：雷科技）
咋說呢，這個圖之前就難倒過所有AI， DeepSeek同樣沒有能識別出來。
第三張圖也是如此，可以說，這一類基于反色、碎塊化的圖片，依然是視覺理解的一生之敵。
（圖源：雷科技）
最后是三道圖形邏輯題，之前DeepSeek-V4在做邏輯題的時候表現就一般，不知道應對圖形邏輯題的效果如何。
據說這三道都是行測例題，我們讓DeepSeek來解答一下。
（圖源：雷科技）
第一道，思考了整整三分鐘。
（圖源：雷科技）
答案是錯的，正確答案是D。這圖的邏輯其實還挺好懂的，就是前面兩格單白/單黑的地方，第三格是白的，前面兩格雙白/雙黑的地方，第三格就是黑的。
第二道題自然也是不負眾望，錯！
沒想到，在我已經失去希望的情況下，經過六分鐘深度思考后，這第三道題，居然是讓DeepSeek給答對了！
（圖源：雷科技）
我反復試了兩遍，只能說這道題它確實能推理出來，雖說是采用算數的形式，但確實實現了零的突破。
只能說，行測備考你用這個，這輩子也是有了。
總結：識圖只是前菜，多模態大招還在路上
完整測試下來，小雷我對DeepSeek這次的識圖能力算摸透了。
只能說DeepSeek基礎識圖的準確率其實還是比較高的，然后它的推理思路本身也算有條不紊，但是目前知識庫里保存的信息還不夠多，而且面對難度較高的極限測試，基本上就沒有能做對的時候。
但是，這次起碼不會出現思考半天吧啦吧啦沒完沒了的情況。
（圖源：DeepSeek）
在我看來，這次識圖更像是過渡期的開胃菜，這個識圖模式，更接近一個掛載在DeepSeek-V4主干上的視覺理解模塊，而并非DeepSeek-V4本身的多模態能力。
但至少，它證明DeepSeek團隊在視覺理解上已經跑通了，這明顯是在為接下來的原生多模態大招鋪路?？梢灶A見的是，補上這塊短板后，整個國產模型的格局必然會再次發生改變。
至于沒拿到資格的也別急，就DeepSeek目前這個效果，豆包和千問其實夠用了。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
