实测DeepSeek V4识图:文档理解封神,复杂场景翻车率超50%
简单任务交给快速模式,2-3秒出答案。物体识别、场景描述、简单文字提取这些日常场景,DeepSeek V4已经能稳定应对。3
翻车案例集中在四类:空间推理严重遮挡物计数逆光识别。测试者用王者荣耀角色"空空儿"测试,DeepSeek识别成了"阴阳师·安倍晴明";一张有两人被严重遮挡的照片,初次识别只显示1人;逆光拍摄的植物照片给出了错误答案,而豆包一次识别成功。
10个场景翻车5个以上。但这不是终点——放大图片重试后,部分识别错误能被修正。这说明模型"看得见",只是推理链路还不够稳。
技术底牌:7000倍压缩背后是什么
同等尺寸,Claude Sonnet 4需要870个token,GPT-4o需要1100个。极低token消耗让1M超长上下文在多模态场景同样成立,一张年报图表+几千字分析可以一次性喂给模型。6
文档场景是强项。知乎用户实测规则表格识别率接近100%,还自带格式还原。相比之下,复杂自然场景的视觉推理还有明显短板。7
横向对比:多模态赛道谁在领跑
| 维度 | DeepSeek V4 | GPT-4o | Claude 3.5 | Gemini 2.0 Pro |
|---|---|---|---|---|
| 多模态评分 | 82 | 88 | 85 | 90 |
| 首token延迟 | 350ms | 380ms | 420ms | 410ms |
| 百万token成本 | ¥2/M输入 | 约$5/M输入 | 约$4/M输入 | 约$3.5/M输入 |
| 中文处理 | 95分 | 75分 | 75分 | 80分 |
| 长文档处理 | 75分 | 85分 | 88分 | 90分 |
综合实测数据:Gemini 2.0 Pro在图表理解与超长文档上优势最大,Claude 3.5代码与推理全能,GPT-4o多模态表现稳定。DeepSeek V4多模态82分在前三里垫底,但价格是GPT-4o的1/50。8
选型建议:什么时候该用它
- 用
文档/表格类图片理解,规则版面识别效率接近100%,且成本极低 - 用
中文为主的图像问答、截图转代码,中文场景DeepSeek无悬念最强 - 慎用
复杂空间推理、多人遮挡、模糊图片等高阶视觉任务,当前翻车率高 - 换
追求多模态全能表现、复杂Agent任务,GPT-4o和Claude仍是首选
识图模式值得等。技术底子扎实、文档场景已可用、价格屠夫优势明确,唯一缺的是时间让复杂场景的推理链稳定下来。早期尝鲜做文档类需求,稳;用它替代GPT-4o处理产品图分析,暂时还不行。
内测仍在进行中,全面开放时间待官方确认。
当前文章无评论,是时候发表评论了