IT之家 5 月 9 日音讯，上个月底，DeepSeek 运转灰度测试“识图方法”。该方法并非浮浅的翰墨 OCR，而是终于具备了图片识别交融才能。

凭据最新用户反应，DeepSeek 还是大范围灵通“识图方法”供用户体验，现在着实所有这个词测试账号齐能看到该进口。但放胆IT之家发稿，DeepSeek 中的“识图方法”仍标注为“图片交融功能内测中”。

如图所示，领有灰度测试履历的用户会发现，输入框上方与“快速方法”和“大家方法”并排，出现了一个全新的“识图方法”按钮。

在具体的实测体验中，开启该方法后，用户不错成功上传图片让 DeepSeek“看”宇宙，其才能鸿沟远超浮浅的翰墨提真金不怕火。

在基础的图像识别限度，它到手变身为别称“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 不仅详确形容了纹理与材质，致使准确算计出某件玉器属于 18 世纪清代乾隆时期的“痕齐斯坦作风”；在面临烧脑的逻辑题时，它不异展现出硬核的推理才能，在一项需要在脑海中拼合立方体的高难度空间推理题中，诚然不开想考方法容易给出乖张谜底，但一朝开启深度想考并破费了长达 4 分钟傍边的时辰，最终给出了正确的谜底；此外，它还被考据了极强的“网感”，上传时卑劣行的表情包或梗图，它能精确识别合照中的东谈主物（举例从一张合影中同期精确差别出特朗普和鲁路修），致使能解读出小猫的无奈神志，准确交融网民的转失笑点；在出产力方面，它还不错充任全能的“截图转码器”，成功将包含代码、复杂 UI 界面的时间证实或网页截图进行认知，提真金不怕火出所有这个词翰墨，致使能一键反向生成可交互的 HTML 代码，滚球app官网下载连原网页的跳转按钮齐能领导若定地赐与还原。

伴跟着识图方法的上线，DeepSeek 上月底还公开了其背后的多模态模子时间细节，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 发布的时间证实证明，传统多模态大模子在面临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，但在推理进程顶用“左边阿谁大的”等粗率的当然话语构建逻辑链时，很容易因形容不准导致夺目光漂移。

DeepSeek 给出的解法是，将点、鸿沟框等代表空间位置的视觉元素成功融入模子的推理链条，使其成为“想维的基本单位”。这种革新框架使得模子在推理时就像东谈主类用“赛博手指”在脑海中精确指出策画物一样，边想边指，从而完好处治了复杂空间布局中的逻辑波折。

更令东谈主咋舌的是，这种高效的框架在试验运算中对算力资源至极友好，在处理一张 800×800 分辨率的图眨眼间，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眨眼间则需要消耗约 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卓绝了前沿模子的水平。

另外需要提示的是，刚学会“睁眼”的 DeepSeek 并莫得环球假想中那么完好。空洞宽敞用户实测反应来看，现在的识图方法仍存在几处彰着不及：

领先是常识库更新的滞后性，在某些测试中，诚然模子的推理进程和分析逻辑统统正确，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，因其常识库停留在 2025 年，诚然能通过副屏细节算计出旧型号，但仍给出了统统乖张的具体型号；

其次，在面临数图中老虎数目、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省略情味，致使未必在经过万古辰“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，现在 DeepSeek 上线的识图方法骨子上是纯视觉交融模块滚球app中国官网下载入口，它主要集合在图片识别与分析层面，尚未集成图像生成、视频交融或跨模态交互等更为广义的多模态功能。