文丨晓静

裁剪｜徐青阳

" Soon， we see you. "

DeepSeek 多模态团队负责东谈主陈小康在 X 平台发出这么一句话。配图中，DeepSeek 瑰丽性的蓝色鲸鱼，一只眼睛被玄色眼罩蒙住，另一只摘下了眼罩。

4 月 29 日，DeepSeek 正在网页端和 App 端灰度测试"识图格式"，与"快速格式""各人格式"比肩，用户干预后可上传图片，并让 DeepSeek 对图片践诺进行交融、态状和分析。部分用户如故不错平素使用，另一些用户暗示诚然能看到进口，但会收到"识图格式暂不行用，请稍后再试"的指示。

但更准确地说，此次灰度上线的是多模态交融智商，而不是圆善意旨上的多模态生成智商。所谓"多模态"，并不一定意味着同期具备识图、生图、语音、视频等沿途智商。只好模子梗概处理不啻一种输入模态，举例文本与图片，就不错被称为多模态智商。

但从腾讯科技体验来看，DeepSeek 此次绽开的主如果图片交融，也即是"看图、读图、分析图"，尚未看到图像生成、视频交融或跨模态生成智商上线。

Deepseek 识图智商测试

实测 Deepseek 还不具备图片生成智商

从居品界面看，"识图格式"并不是毛糙附加在输入框中的图片上传功能，而是被放在与"快速格式""各人格式"统一级的居品进口中。用户干预后，页面会知道"使用识图格式驱动对话"，输入框旁也出现图片上传按钮。这表现 DeepSeek 正在将视觉交融看成一个寂寞格式进行灰度，开云app在线体育并不是仅看成文本模子的赞助功能。

但现阶段，"识图格式"的居品定位更接近视觉问答、图片交融和截图分析，而非访佛文生图、图生图的视频或图像生成器用。

事实上，DeepSeek 并不是第一次作念多模态。

早在 2024 年，DeepSeek 就发布过 DeepSeek-VL 系列模子，主打果然寰宇视觉话语交融，消散图表、网页、公式、科学文件、当然图片等场景。尔后，DeepSeek 又推出过 Janus 系列，尝试将多模态交融和视觉生成放在协调框架下；Janus-Pro 曾经被视为 DeepSeek 在图像生成场地的一次弥留尝试。此外，DeepSeek 还发布过 DeepSeek-OCR，强调从诳言语模子角度重新友融视觉编码器的作用，面向文档、截图和结构化信息识别。

从本领悟径看，"识图"相似不是毛糙 OCR。OCR 主要处分的是图片中笔墨的识别，比如截图、单据、文档和表格；视觉话语模子则要进一步交融图片践诺，包括物体关系、图表含义、页面结构、场景态状和用户意图。

关于 DeepSeek 此次灰度的"识图格式"而言，底层看起来可能更像是勾通 OCR 与文本推理模子完成图片分析。

但当今，DeepSeek 官方尚未败露"识图格式"的底层模子称号、参数边界、纯熟神态和绽开贪图。DeepSeek API 文档当今仍主要知道 V4 Preview、V4-Pro、V4-Flash、1M 险峻文和器用调用等智商，并未出现 Vision、Image Input 或识图关系接口。这意味着，至少在 API 层面，DeepSeek 多模态智商尚未平定绽开。

但这一步对 DeepSeek 仍然弥留。以前一年，DeepSeek 的中枢标签主要洽商在推明智商、开源、低本钱和长险峻文。不管是 R1 如故 V4 Preview，DeepSeek 更卓越的齐是文本推理和 Agent 场景智商。"识图格式"的出现开云app在线体育官网，意味着 DeepSeek 可能行将在多模态智商上发力。