鱼羊 发自 凹非寺
量子位 | 公众号 QbitAI
今天，你被DeepSeek识图模式灰度到了吗？
大家对DeepSeek的多模态属实期待了太久太久，如今惊喜紧随V4的发布而来，没等DeepSeek官方释出更多信息，民间已经从各个方向开始挖掘“识图”背后的种种蛛丝马迹。
还真有不少发现。
比如，DeepSeek识图模式背后，看上去是一个独立于V4 flash/pro的新模型。
又比如，DeepSeek在V4技术报告里的“未来展望”，实际上可能都做的差不多了……
今天眼睛一睁，俺也喜提灰度，这就来展示一下实测成果。
实测DeepSeek识图模式
在识图模式下，可以选择是否开启深度思考。
非思考模式下，这个DeepSeek视觉模型的速度非常快，比闪电五连鞭还要快。
点击发送键，几乎无需等待，答案就吭哧吭哧冒了出来。
那么思考和非思考模式下，DeepSeek识图模式的推理能力会有什么样的差别？
推理能力
先上一道空间推理题：要想使右侧图形在不旋转的情况下拼合成左侧的正方体造型，还需在问号处添加的图形是哪个？
非思考模式秒给答案，然后……秒错。
开启深度思考后，DeepSeek成功闯关，给出了正确答案D。
但可以看到，它思考这个问题整整用了4分多钟。
这个思考过程的冗长程度，我们可以直观地感受一下——
在思考的中段，其实DeepSeek已经找到了正确答案：
但马上就是一个“等等”，然后……又绕了一大堆。
这个问题有人也在DeepSeek研究员陈小康的推文下反馈了。
再试试图片找不同：找出两张图片中所有的不同点。
非思考模式下，DeepSeek很快找到了7处不同。
可以很明显地看出，其中幻觉不少，比如第5点托盘里的钥匙不知道是怎么来的，第7点苹果和香蕉之间也没有白色的空盘子。
思考模式这次则只用了16秒的时间，找出了12处不同。
但……不知道是不是图片本身的原因，幻觉更多了。
实用功能
推理部分还有进步空间，那么在实用功能方面，DeepSeek的识图模式是否靠谱呢？
试试OCR。
把DeepSeek V4技术报告的摘要丢进DeepSeek识图模式，不开深度思考的情况下，它依然是闪电出结果，还贴心地给开源链接给超链了。
纯文本看上去问题不大，再看看表格DeepSeek能不能hold住。
没什么问题，格式上也能用markdown码得整整齐齐。
而更受欢迎的一种新玩法是，把网页图片发给DeepSeek，它直接能给你复原出HTML来（非思考模式就能实现）。
其中的按钮都是可用的，比如给出API文档的链接，它能自动配置好实现跳转。
DeepSeek还能顺利通过“隐藏图片”测试。
但在色盲测试中，偶见翻车。
根据识图模式自己的回答，它的知识和DeepSeek V4 flash/pro一样，截止到2025年5月。
而从它的世界知识中，有博主发现了端倪：视觉模型知道Ta，而V4 flash/pro则并不了解Ta。
是不是说，识图模式中的视觉模型，是独立训练的？
验证了一下，flash不联网的时候确实没有关于这位主包的知识。但识图模式则找到了2026年4月的信息。
做的比说的更快
目前，DeepSeek的识图模式还在灰度测试当中，陈小康透露灰度范围正在逐步扩大。
实测下来坦白说，DeepSeek Vision还有不少可以精进之处。
但话说回来，谁又能想到DeepSeek的多模态，来的这么快呢？
当DeepSeek在V4的技术报告中写下，“我们也正在努力将多模态能力整合到我们的模型中”，大家都以为这还只是个优先级没那么高的目标，不少朋友都在惋惜的同时，也认同“资源有限的情况下优先做好纯文本是对的”。
而现在看来，DeepSeek做到的或许比外界想象的更多、更快。
那么论文中提到的“在MoE和稀疏注意力架构之外，将积极探索模型稀疏性的其他新维度”，是不是也……
参考链接：
[1]https://x.com/teortaxesTex/status/2049422327914332307?s=20
[2]https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf
优配网客服电话提示：文章来自网络，不代表本站观点。
