DeepSeek识图模式正式上线，多模态能力补齐最后一块短板

图片

6月18日，DeepSeek多模态研究员Xiaokang Chen在X平台宣布，DeepSeek识图模式已在网页端和App端正式上线，与原有的"快速模式"、"专家模式"并列作为一级对话入口。

这是DeepSeek从纯文本模型向原生多模态引擎演进的关键一步。该功能曾于4月底开启灰度测试，5月9日大范围开放，6月18日全量上线。

功能特性

用户开启识图模式后，可直接上传图片、截图或含图表的文档，搭配文字提问让模型进行视觉理解与推理。

核心能力包括三个方面：

基础视觉理解：物体识别、场景描述、文字OCR提取。

结构化信息解析：文字、表格、数学公式的识别和提取。

画面描述与推理：对复杂图像进行结构化描述，支持逻辑推理链条，并支持开启"深度思考"进行多步推理。

不同于传统仅做文字提取，DeepSeek识图模式依托自研视觉理解框架，可对日常实物、复杂表格、数学公式、工程图纸及场景语义进行深度分析。

技术架构

DeepSeek识图模式采用"语义优先"的视觉编码方案。

传统多模态模型处理图片时，通常将图片切分为patch，每个patch编码成token后与文本token一起送入大模型。这种方式token消耗较大，一张高清图片可能占用上千token。

DeepSeek的方案不同。视觉编码器按语义含义压缩图像信息，重复纹理和无信息区域被压缩，关键语义部分保留。这种方案使token消耗大幅降低，同等图片的token用量远低于GPT-4o。

识图模式背后可能是一个独立于V4 flash/pro的新模型。有用户发现，识图模式的知识库与V4 flash/pro不完全一致，包含部分V4版本不具备的信息。

实测表现

根据多方测试，DeepSeek识图模式呈现以下特点：

速度方面，非思考模式响应极快，点击发送后几乎无需等待即可获得结果。

OCR能力方面，技术报告截图、表格、手写笔记等均可准确识别，markdown格式表格输出准确。测试显示，即使是有遮挡的图片，模型也能通过推理能力识别出被遮挡的文字。

推理能力方面存在差异。空间推理题中，非思考模式响应快但准确率低；开启深度思考后准确率提升，但思考时间较长。

图片找不同测试中，非思考模式较快找到7处不同，但存在幻觉现象；思考模式找到12处不同，但幻觉数量增加。

此外，模型通过了"隐藏图片"测试，但在色盲测试中出现翻车。

与竞品对比

维度

DeepSeek V4 Pro

GPT-4o

Claude 3.5

Qwen-VL-Max

图像理解

⭐⭐⭐⭐

⭐⭐⭐⭐⭐

⭐⭐⭐⭐⭐

⭐⭐⭐⭐

OCR能力

⭐⭐⭐⭐⭐

⭐⭐⭐⭐

⭐⭐⭐⭐

⭐⭐⭐⭐

Token成本

低

高

中

低

推理能力

⭐⭐⭐⭐⭐

⭐⭐⭐⭐

⭐⭐⭐⭐⭐

⭐⭐⭐⭐

中文场景

⭐⭐⭐⭐⭐

⭐⭐⭐

⭐⭐⭐

⭐⭐⭐⭐⭐

DeepSeek在OCR能力和中文场景中具有优势，Token成本较低。图像理解和推理能力方面，GPT-4o和Claude表现更优。

当前局限

根据测试，DeepSeek识图模式存在以下限制：

不支持联网搜索，仅基于知识库回答，无法识别最新内容

文件格式支持有限，不支持HEIF格式图片

极限视觉场景（低分辨率、强噪点图像）识别率受限

复杂图表的数据精确提取稳定性不足

视频理解能力暂未开放

API接入

DeepSeek Vision兼容OpenAI API格式。接入参数如下：

base_url：https://api.deepseek.com

model：deepseek-v4-pro

可开启thinking参数增强复杂图像分析，但会显著增加响应时间。

行业影响

DeepSeek识图模式全量上线，使国产大模型在多模态赛道的竞争进入新阶段。

此前，Kimi、通义千问、智谱等模型已支持图片理解，但推理能力和编程能力不及DeepSeek。DeepSeek补齐多模态后，形成"推理+编程+视觉"的完整能力栈，对其他国产模型形成竞争压力。

从成本角度看，DeepSeek的语义优先方案降低了视觉能力的token消耗，同等图片调用成本约为GPT-4o的五分之一到十分之一。这一成本优势可能推动多模态应用场景的扩展。

后续关注

DeepSeek方面表示，公司正推进新一轮融资，目标金额500亿元，并计划于下月推出V4.1版本更新。

后续需关注的问题包括：幻觉问题的优化进展、推理效率的提升、联网能力的开放，以及视频理解功能的上线时间。