近日，DeepSeek开始灰度测试识图模式，并大范围开放给用户体验。
在具体的实测体验中，开启该模式后，用户可以直接上传图片让DeepSeek“看”世界，其能力边界远超简单的文字提取。比如，网友上传在博物馆拍摄的不明文物并开启“深度思考”后，模型不仅详细描述该文物纹理材质，还准确推断出其年代风格；面对时下流行的表情包或梗图，它也能准确理解。
DeepSeek“开眼”，与其他主流大模型有何能力差异？有哪些优势和不足？科技日报记者就此采访了有关专家。
第一问：DeepSeek识图模式与豆包等其他大模型有何区别？
“与其他大模型相比，DeepSeek识图模式的核心区别集中在技术路径、算力消耗和交互逻辑上。”赛迪顾问人工智能与大数据研究中心分析师白润轩说。
他解释道，DeepSeek识图模式以“视觉原语思考”为核心。这一核心框架主打精准空间推理和复杂场景解析，而非单纯的文字OCR（光学字符识别）或基础识别。而豆包等模型更侧重结合联网搜索提升识别时效性，多依赖传统图像编码后进行文本理解，空间推理精度稍弱。
同时，这一框架在实际运行中“算力友好”。白润轩介绍，DeepSeek处理800×800分辨率图片仅消耗约90个tokens（词元），远低于GPT等主流模型，响应速度更快。
此外，DeepSeek识图模式为独立入口，专注纯视觉理解，不额外启用联网功能，而豆包等大模型会自动联动搜索。
第二问：“视觉原语思考”的核心创新点在哪？
伴随识图模式的上线，DeepSeek还公开了其背后的多模态模型技术细节，并公布了“视觉原语思考”核心框架。
“这一框架的核心创新点在于跳出主流模型‘堆分辨率’的思路，聚焦解决传统多模态模型的‘指代鸿沟’困境。”白润轩解释。
传统多模态大模型在面对密集场景时存在一种名为“指代鸿沟”的困境，模型虽然能看见图片，但在推理过程中用“左边那个大的”等模糊的自然语言构建逻辑链时，很容易因描述不准导致注意力漂移。
而“视觉原语思考”框架将点、边界框等空间视觉元素作为“思维”基本单元，融入模型推理全过程，这就像给模型装上了一根“赛博手指”，让AI在推理时能在“脑海”中精确指出目标物，边想边指，大幅提升复杂空间布局、密集计数等场景的推理精度。
第三问：目前存在的不足及改进方向是什么？
在白润轩看来，DeepSeek识图模式目前主要存在三项不足。
一是知识库更新偏滞后。其模型训练数据截至2025年，识别2025年底后发布的新型产品易出现型号误判。
二是高难度场景表现还不稳定。面对视错觉图片、复杂物体计数等反直觉任务时，模型给出的答案稳定性不足，偶发逻辑崩溃。
三是功能边界较窄。目前仅支持纯视觉理解，暂不具备图像生成、视频理解及跨模态创作能力，且高并发时段偶有解析失败、响应延迟的情况。
“建议后续加快知识库迭代、优化反直觉场景算法；同时拓展多模态功能，进一步提升系统稳定性以适配更多用户的需求。”白润轩说。
近日，DeepSeek开始灰度测试识图模式，并大范围开放给用户体验。
在具体的实测体验中，开启该模式后，用户可以直接上传图片让DeepSeek“看”世界，其能力边界远超简单的文字提取。比如，网友上传在博物馆拍摄的不明文物并开启“深度思考”后，模型不仅详细描述该文物纹理材质，还准确推断出其年代风格；面对时下流行的表情包或梗图，它也能准确理解。
DeepSeek“开眼”，与其他主流大模型有何能力差异？有哪些优势和不足？科技日报记者就此采访了有关专家。
第一问：DeepSeek识图模式与豆包等其他大模型有何区别？
“与其他大模型相比，DeepSeek识图模式的核心区别集中在技术路径、算力消耗和交互逻辑上。”赛迪顾问人工智能与大数据研究中心分析师白润轩说。
他解释道，DeepSeek识图模式以“视觉原语思考”为核心。这一核心框架主打精准空间推理和复杂场景解析，而非单纯的文字OCR（光学字符识别）或基础识别。而豆包等模型更侧重结合联网搜索提升识别时效性，多依赖传统图像编码后进行文本理解，空间推理精度稍弱。
同时，这一框架在实际运行中“算力友好”。白润轩介绍，DeepSeek处理800×800分辨率图片仅消耗约90个tokens（词元），远低于GPT等主流模型，响应速度更快。
此外，DeepSeek识图模式为独立入口，专注纯视觉理解，不额外启用联网功能，而豆包等大模型会自动联动搜索。
第二问：“视觉原语思考”的核心创新点在哪？
伴随识图模式的上线，DeepSeek还公开了其背后的多模态模型技术细节，并公布了“视觉原语思考”核心框架。
“这一框架的核心创新点在于跳出主流模型‘堆分辨率’的思路，聚焦解决传统多模态模型的‘指代鸿沟’困境。”白润轩解释。
传统多模态大模型在面对密集场景时存在一种名为“指代鸿沟”的困境，模型虽然能看见图片，但在推理过程中用“左边那个大的”等模糊的自然语言构建逻辑链时，很容易因描述不准导致注意力漂移。
而“视觉原语思考”框架将点、边界框等空间视觉元素作为“思维”基本单元，融入模型推理全过程，这就像给模型装上了一根“赛博手指”，让AI在推理时能在“脑海”中精确指出目标物，边想边指，大幅提升复杂空间布局、密集计数等场景的推理精度。
第三问：目前存在的不足及改进方向是什么？
在白润轩看来，DeepSeek识图模式目前主要存在三项不足。
一是知识库更新偏滞后。其模型训练数据截至2025年，识别2025年底后发布的新型产品易出现型号误判。
二是高难度场景表现还不稳定。面对视错觉图片、复杂物体计数等反直觉任务时，模型给出的答案稳定性不足，偶发逻辑崩溃。
三是功能边界较窄。目前仅支持纯视觉理解，暂不具备图像生成、视频理解及跨模态创作能力，且高并发时段偶有解析失败、响应延迟的情况。
“建议后续加快知识库迭代、优化反直觉场景算法；同时拓展多模态功能，进一步提升系统稳定性以适配更多用户的需求。”白润轩说。
英国科学家首次创造了一个新颖的实验平台，即“量子龙卷风”。它能模拟超流体氦中的黑洞，使研究人员能更详细地观察类似黑洞的行为以及与周围环境的相互作用。通过对超流体氦表面微波动力学的观 记者3月20日从中国科学技术大学获悉，该校郭光灿院士团队在量子态分辨研究中取得重要进展：他们在最小资源消耗的量子态分辨问题中首次提出了全局最优自适应策略，并发展了自适应集体测量实验技术， 记者3月19日从天津大学获悉，该校环境学院刘庆岭教授团队与吉林大学于吉红院士团队以及天津工业大学梅东海教授团队合作，证明了无有机模板剂合成的具有OFF和ERI拓扑共生结构的Cu-T催化剂具有优 近日，我国“主要作物丰产增效科技创新工程”重点专项“优质双季超级稻丰产增效技术研发与集成示范”项目，在湖南岳阳宣布启动。据了解，该项目主要聚焦优质双季超级稻丰产增效技术研发，着力探明双 近日，美国纽约州立大学石溪分校科学家菲格罗阿等人在一篇发表于《自然·量子信息》上的论文中称，他们通过把两个独立的光子存储在铷气里，首次在室温条件下构建了一个量子存储器网络。鉴于 回望一加去年的整体节奏，如果要用一个词来总结其数字系列和Ace系列的概况，那就是“卷”！从外观质感、内存性能到整机体验，与友商的相互竞争中，一加表现的都比较强势，搭配清晰的产品定位策略和稳扎稳打 。本文链接：DeepSeek开放识图模式 AI装上了“赛博手指”http://www.sushuapos.com/show-2-16253-0.html
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
上一篇： 读懂空气DNA中的隐形“生命档案”