大家好，我是冷逸。

先給結論：DeepSeek識圖模式來了，能用，但跟你們期待的多模態不是一回事。

4月29日下午，陳小康在X上發了這么一條："Now, we see you." 配圖是兩只鯨魚logo，一只還戴著海盜眼罩，一只已經睜開了眼睛。

我看到那一刻，第一反應：這營銷做得有點秀。

（這句話是AI說的，別罵我…）

但有意思的是，這是他24小時內第二次發類似內容。前一天他發過"Soon, we see you."發完很快就刪掉了。一刪一發，很明顯在等一個時機。果然，和這條推文幾乎同步，已經有部分用戶在DeepSeek官方App的輸入欄上方，發現了第三個按鈕："識圖模式"，標注"圖片理解功能內測中"。

灰度測試，正式開始了。

1. 到底發了什么

這件事的時間節點很值得注意。

DeepSeek V4正式發布是4月24日，V4-Pro（1.6T參數）和V4-Flash（284B參數），都支持1M token上下文，都是純文本模型。識圖模式在V4發布的第5天就上了灰度，快得有點出乎意料。

但問題是，V4技術報告在"局限與未來方向"這節，白紙黑字寫著：下一步工作之一是"將多模態能力融入模型體系"。

所以，識圖模式跟V4是什么關系？從灰度體驗的輸出風格來判斷，更接近是一個掛在V4主干上的視覺理解模塊，而不是外界過去半年瘋傳的"原生多模態V4"。

說白了：視覺理解 ≠ 原生多模態生成。

那識圖模式到底能用到什么程度？從已經被灰度到的用戶實測來看，基礎識圖準確率挺高。

場景描述、OCR、文字提取，不開思考模式也能給出相當結構化的回答；開了思考模式，甚至能推斷博物館展品的文化背景，比如把一件玉器判斷為"清代痕都斯坦風格"，也就是莫臥兒王國的工藝風格，這一步推理其實已經超出"看圖說話"的范疇了。

但知識庫的局限很明顯。最新的產品、游戲、品牌，識不出來。讓它看一張FM24戰術圖，認出來了；讓它看一款2025年底發布的手機，判斷錯了；但居然通過副屏推斷出了舊型號，這邏輯鏈還挺能打的。

復雜圖形邏輯題，比較拉。讓它數圖里的老虎，數了三遍，每次數字不一樣，最后給了個錯的。

這類基于反色、碎塊化的視覺推理，還是視覺模型的硬傷，DeepSeek也沒逃過。

2. 帶傷上陣的多模態團隊

這次識圖模式發布背后，有一個很多人沒注意到的背景。

DeepSeek的多模態團隊，過去大半年走了不少人。多模態核心貢獻者阮翀，去了自動駕駛公司元戎啟行，出任首席科學家；OCR系列核心作者魏浩然，春節前后離職；R1推理負責人郭達雅，以年薪億元的價碼去了字節跳動Seed團隊；初代大模型核心作者王炳宣，也去了騰訊。

這四個人，剛好覆蓋了DeepSeek最核心的四條技術主線：基座模型、推理、OCR、多模態。

V4技術報告近300人名單里，有10個名字被標注了"已離職"。

DeepSeek做了一件讓很多人覺得有風骨的事：把離職的人也放進了致謝名單，注明貢獻。有人說這是"AI界黃埔軍校"，這個評價我不覺得過譽，但它背后也是一個真實的留人困境，大廠拿著2到3倍薪資和八位數總包，確實很難頂。

也正因為如此，陳小康這次連續兩條推文才顯得有點不尋常。這是DeepSeek多模態團隊近三個月來，第一次以產品形式對外釋放進展。

某種程度上，這是一次"我們還在"的宣示。

帶傷打仗，我覺得，這才是DeepSeek現在的真實狀態。

3. 行業沒有等你

再說說外部壓力。DeepSeek識圖模式上灰度這一天，身邊的競爭對手沒有一個在歇著。

字節跳動的Doubao-Seed-2.0-Pro，在SuperCLUE-VLM最新評測里拿下總榜第一，90.66分，超過谷歌Gemini-3.1 Pro的89.35分。這是中文場景多模態評測的目前最高水位。

阿里在3月下旬發布了Qwen3.5-Omni，原生全模態架構，基于超過1億小時音視頻數據預訓練，215項SOTA，官方說通用音頻理解全面超越Gemini-3.1 Pro，而且宣稱文本和視覺能力沒有因為多模態而降智。

Kimi在4月底發布K2.6，多模態和Agent方向同時推進。

商湯的SenseNova U1也在同一周開源，單一框架整合多模態理解、推理和生成。

這個賽道，現在基本上是"王不見王，全都在同一周發"的狀態。國產多模態，已經進入肉搏期。

有一個細節值得記?。憾拱?025年底的月活已經超過了DeepSeek。這說明純文本能力再強，產品化落地和用戶覆蓋才是這一階段真正拉開差距的事。識圖模式的到來，是DeepSeek在補這塊短板。

4. 性價比，才是真正的牌

DeepSeek在純文本上能打贏，核心還是兩件事：性能夠用，價格足夠低。V4-Pro的API價格已經是歷史低點，這條邏輯有沒有可能在多模態上復制？

如果能，它的影響可能比前幾輪價格戰來得更猛烈?，F在多模態API的調用成本，對絕大多數開發者來說還是一道真實的門檻。如果DeepSeek能把視覺理解的API打到地板價，甚至再來一次那種"99%降價"的打法，這個市場格局就真的會變。

說實話，這才是我最想看到的那張牌。

Qwen3.5-Omni的能力很強，但如果DeepSeek的多模態API比它便宜十倍，開發者會怎么選？

識圖模式目前是灰度內測，還沒有全量，很多人還看不到。

從現有能力判斷，基礎視覺理解已經可用，這是DeepSeek多模態路線產品化的第一步。但離"原生多模態"還有距離，V4技術報告里那句"下一步工作"，說的大概就是這件事。

陳小康那句"Now, we see you."，我覺得是個雙關。

一方面跟用戶說：DeepSeek的眼睛，睜開了。另一方面，大概也是跟整個行業說：我們看到你們了，別以為我們不在。

但問題是，對手可沒等你。

字節在追，阿里在趕，Kimi在超，個個都不是省油的燈。

DeepSeek這次補多模態，來得有點晚，人才也走了不少，但有一點沒變：它還是那個最有可能把成本打穿的選手。

這對嗎？說實話，我不知道。

但我知道，接下來幾個月，一定會很好看。