IT之家 5 月 9 日音讯，上个月底，DeepSeek 开动灰度测试“识图口头”。该口头并非简单的笔墨 OCR，而是终于具备了图片识别结合才略。

阐明最新用户反应，DeepSeek 还是大范围盛开“识图口头”供用户体验，现在险些所有测试账号都能看到该进口。但收尾IT之家发稿，DeepSeek 中的“识图口头”仍标注为“图片结合功能内测中”。

如图所示，领有灰度测试经历的用户会发现，输入框上方与“快速口头”和“大众口头”比肩，出现了一个全新的“识图口头”按钮。

在具体的实测体验中，开启该口头后，用户不错径直上传图片让 DeepSeek“看”寰宇，其才略鸿沟远超简单的笔墨索求。

在基础的图像识别规模，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 不仅驻扎态状了纹理与材质，致使准确臆度出某件玉器属于 18 世纪清代乾隆时期的“痕都斯坦立场”；在靠近烧脑的逻辑题时，它相同展现出硬核的推理才略，在一项需要在脑海中拼合立方体的高难度空间推理题中，诚然不开想考口头庞易给出造作谜底，但一朝开启深度想考并破钞了长达 4 分钟傍边的时期，最终给出了正确的谜底；此外，它还被考证了极强的“网感”，上传时下贱行的色彩包或梗图，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情谊，准确结合网民的转失笑点；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 界面的技能评释或网页截图进行瓦解，索求出所有笔墨，致使能一键反向生成可交互的 HTML 代码，中国开云连原网页的跳转按钮都能葫芦依样地赐与归附。

伴跟着识图口头的上线，DeepSeek 上月底还公开了其背后的多模态模子技能细节，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 发布的技能评释评释，传统多模态大模子在靠近密集场景时存在一种名为“指代鸿沟”的窘境，模子诚然能看见图片，但在推理历程顶用“左边阿谁大的”等暗昧的当然讲话构建逻辑链时，很容易因态状不准导致防范力漂移。

DeepSeek 给出的解法是，将点、鸿沟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”。这种转换框架使得模子在推理时就像东说念主类用“赛博手指”在脑海中精确指出磋议物一样，边想边指，从而完整处罚了复杂空间布局中的逻辑贫困。

更令东说念主神往的是，这种高效的框架在执交运算中对算力资源十分友好，在处理一张 800×800 分辨率的图俄顷，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俄顷则需要消耗约 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高出了前沿模子的水平。

另外需要教导的是，刚学会“睁眼”的 DeepSeek 并莫得全球设想中那么完整。概括无数用户实测反应来看，现在的识图口头仍存在几处显著不及：

最初是学问库更新的滞后性，在某些测试中，诚然模子的推理历程和分析逻辑满盈正确，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，因其学问库停留在 2025 年，诚然能通过副屏细节臆度出旧型号，但仍给出了满盈造作的具体型号；

其次，在靠近数图中老虎数目、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不敬佩性，致使无意在经过万古期“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中国开云，现在 DeepSeek 上线的识图口头骨子上是纯视觉结合模块，它主要王人集在图片识别与分析层面，尚未集成图像生成、视频结合或跨模态交互等更为广义的多模态功能。