近日，国产AI大模型DeepSeek正式向公众开放了“识图模式”体验功能。这并非简单的OCR文字提取，而是真正具备了图像内容理解与分析的综合能力，标志着DeepSeek在图文多模态交互领域迈入了实质性应用阶段。
根据众多用户实测反馈，目前绝大多数测试账号的输入框上方均已出现“识图模式”按钮，与原有的“快速模式”“专家模式”并列。不过，该功能仍标注为“图片理解功能内测中”，表明其仍在持续优化与迭代过程中。
实测能力覆盖多类应用场景
在实际使用中，开启识图模式后，用户可直接上传本地图片进行交互。其能力远超基础的图文识别，展现出广泛的应用潜力。在图像识别与知识问答方面，它能扮演“智能博物顾问”的角色。例如，有用户上传博物馆未知文物照片，在启用“深度思考”功能后，模型不仅细致描述了器物的纹饰与材质特征，甚至精准判断出某件玉器属于18世纪清代乾隆时期的“痕都斯坦风格”玉雕。
在逻辑与空间推理任务上，其表现同样可圈可点。面对需要立体拼合的高难度空间推理题，普通模式下容易出错，但在开启深度思考并经过约4分钟推理后，模型最终输出了正确答案。此外，该模式还展现出较强的网络文化理解力，能够准确识别热门表情包或梗图中的经典人物与情节，并能解读图像所传达的情绪与幽默内涵。
技术创新框架与显著效率优势
随着功能上线，官方同步披露了其背后的多模态技术架构，其核心是一种名为“Thinking with Visual Primitives（基于视觉原语的思考）”的创新框架。该框架旨在解决传统多模态模型在复杂场景中常出现的“指代模糊”问题。其关键创新在于，将点、边界框等代表空间位置的视觉元素直接融入模型的推理链条，使其成为思维过程的基本单元。
这种设计使得模型在推理时能够像人类一样精确“指向”图像中的特定物体，从而有效破解复杂空间布局中的逻辑难题。更值得关注的是其突出的效率优势：在处理一张800×800分辨率的图片时，DeepSeek仅需消耗约90个tokens，而其他主流多模态模型则通常需要870到1100个tokens。在多项权威基准测试中，其性能表现已达到甚至部分超越了当前一些前沿模型。
现存局限与发展前景展望
当然，处于发展初期的视觉理解模型并非完美。综合用户反馈，当前的识图模式仍存在几点明显局限。首先是知识库更新存在延迟，可能导致推理过程正确但最终结论过时。例如，在识别2025年底发布的最新款手机时，由于知识截止日期为2025年，模型虽能通过设计细节推断出品牌系列，却可能给出错误的具体型号。
其次，在面对视觉错觉图形或包含大量对象的复杂计数题时，其回答的稳定性仍有提升空间，有时长时间“深度思考”后反而可能产生逻辑幻觉。此外需要明确的是，当前功能定位为纯视觉理解模块，主要专注于静态图片的识别、分析与问答，尚未集成文生图、图像编辑、视频理解等更广泛的多模态生成与理解能力。
总体而言，DeepSeek识图模式的大范围开放，为用户带来了全新的AI图文交互体验。其创新的技术路径与高效的运算表现，展现了国产大模型在多模态赛道上的竞争力。尽管在知识实时性、复杂推理鲁棒性等方面仍面临挑战，但这无疑是DeepSeek拓展AI应用边界的关键一步，也为智能助手、教育、电商、内容审核等场景的落地提供了新的想象空间。
