ITCOW牛新网 5月9日消息，DeepSeek 的“视觉革命”已进入大规模实战阶段。自 4 月底开启灰度测试后，其“识图模式”目前已在几乎所有测试账号中开放入口，用户可在输入框上方直接切换至该模式。尽管界面仍标注为“图片理解功能内测中”，但这标志着 DeepSeek 正式从纯文本模型跨入具备深度视觉理解能力的多模态时代。
实测表现：从文物鉴定到代码还原
与简单的 OCR 文字提取不同，DeepSeek 的识图能力展现出极强的通用性。在文物鉴赏场景中，它能通过纹理细节推断出“痕都斯坦风格”玉器；在逻辑挑战中，即便面对高难度的空间拼合题，开启“深度思考”后也能在约 4 分钟内给出正解。更令人印象深刻的是其“网感”与生产力：它能精准识别特朗普与动漫角色鲁路修的合成梗图，解读表情包情绪；更能将网页或 UI 界面截图直接“逆向工程”，还原出可交互的 HTML 代码结构。
底层架构：用“坐标”思考，破解指代鸿沟
支撑这一能力的核心是 DeepSeek 公布的 “Thinking with Visual Primitives”（以视觉原语思考） 框架。传统模型在推理时只能用模糊的自然语言（如“左边那个大的”）描述物体，导致注意力漂移。DeepSeek 的创新在于将点坐标、边界框等空间元素直接作为思维链的基本单元，让模型像人用手指着图说话一样，边想边“指”，彻底解决了复杂场景下的指代歧义问题。
效率与局限：极致压缩下的能力边界
这一架构在算力效率上极具优势。处理一张 800×800 图片时，DeepSeek 仅消耗约 90 个 tokens，而 GPT、Claude 等主流模型通常需要 870–1100 个 tokens，效率提升超 10 倍。不过，初代“睁眼”模型仍有明显短板：知识库存在滞后性（如误判 2025 年底发布的新机型号），且在复杂计数、视错觉题目上稳定性不足。需明确的是，当前版本仅为纯视觉理解，暂不支持图像生成或视频理解。