好的，遵照您的要求，我将根据提供的内容，以《DeepSeek 刚刚上线的多模态识图模式》为主题，为您总结生成一篇文章。
---
近期，人工智能领域再次迎来一个引人注目的事件：以强大的文本和代码能力著称的DeepSeek，悄然为其产品矩阵补上了一块关键拼图——多模态识图能力。这一切的开端，源于DeepSeek多模态团队研究员在社交平台发布的一张图片：品牌标志性的鲸鱼摘下了眼罩，配文“Now, we see you”（现在，我们能看见你了）。这一充满象征意义的举动，迅速引发了业界的广泛关注。
紧随其后，部分用户发现，DeepSeek的网页版和App端在原有的“快速模式”和“专家模式”之外，新增了一个名为“识图模式”的选项，并标注有“图片理解功能内测中”。这标志着DeepSeek正式开启了其多模态能力的灰度测试，产品能力从纯文本对话延伸至图文交互领域。
从早期获得测试资格用户的反馈来看，DeepSeek的“识图模式”展现了相当不错的综合能力。它不仅仅是简单的OCR文字识别，而是能够真正理解图片内容。在基础的看图说话任务上，它能详细描述画面细节，识别图中角色、物品，甚至分析光影氛围和构图。有用户测试用一张博物馆藏品的照片，它能准确分析出其风格、推断其来源（如清代痕都斯坦风格玉器）。对于包含复杂文字和设计的海报，它也能高效提取大部分信息。此外，它还能理解一些网络“梗图”的笑点，并进行本土化的解释，展现了其结合视觉信息和背景知识的推理能力。
然而，作为尚在内测中的初版功能，DeepSeek的识图能力也表现出一定的“神鬼二象性”——时而惊艳，时而“翻车”。在处理一些高难度的视觉挑战时，它仍有进步空间。例如，在经典的“数手指”或在复杂图案中计数的任务上，它会出现数错的情况。面对一些精心设计的视觉错觉图片，它虽然能分析出正确的色彩信息，但有时仍会被“欺骗”，无法得出正确答案。有用户用一张倒置的城市夜景图测试，它会误认为是空间站拍摄的地球照片。这些实例表明，模型在处理极限、非常规或需要深度逻辑推理的视觉任务时，表现尚不稳定。
更引人关注的是其背后的技术实现。伴随着识图模式的内测，一份名为《Thinking with Visual Primitives》（以视觉原语思考）的技术报告被短暂公布后又迅速撤下，引发了业内的热烈讨论。根据已披露的信息，DeepSeek为解决多模态模型在复杂推理中的“指代鸿沟”问题，提出了一种创新框架。
所谓“指代鸿失”，指的是模型虽然能“看见”图像，但在进行多步推理时，很难用模糊的自然语言（如“左边那个”）精确、持续地指向图像中的某个具体对象，从而导致逻辑混乱。DeepSeek的解决方案，被形象地比喻为“给AI装上了一根手指”。它让模型在思考过程中，使用“视觉原语”（点和边界框）来辅助推理。当模型需要处理一个视觉对象时，它会在内部的“思维链”中直接嵌入该对象的坐标或边界框，就像人类用手指点着东西思考一样。这种方法将抽象的语言逻辑锚定在具体的图像物理坐标上，大大提高了复杂场景下（如走迷宫、路径追踪、精细计数）推理的准确性和稳定性。
从更宏观的行业视角看，DeepSeek上线识图模式是一个重要的战略补全。在当今主流大模型普遍具备多模态能力的背景下，这一功能的缺失曾被视为DeepSeek的明显短板。补齐视觉能力不仅使其产品体验向GPT-4o、Gemini等顶尖模型看齐，更重要的是，为未来发展更强大的AI Agent（人工智能体）奠定了基础。因为AI Agent要真正在现实世界中执行任务，就必须具备理解截图、网页界面、图表等视觉信息的能力。
DeepSeek的“识图模式”虽然仍在初期灰度测试阶段，表现有好有坏，但其背后新颖的“视觉原语思考”技术框架，以及这一功能对DeepSeek整体战略的补强，都预示着这家以技术和效率著称的公司，正在多模态领域迈出坚实而关键的一步。这头“摘下眼罩的鲸鱼”将如何观察并影响这个世界，值得行业持续期待。
