问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
2026年4月30日，大模型厂商DeepSeek在推出新一代基座模型DeepSeek-V4仅5天后，正式开启多模态识图功能灰度测试，移动端与网页端同步上线功能入口。实测显示，该模型在视觉还原、文物逻辑推理、图片文字提取等场景表现优异，仅在抗干扰图像识别、复杂图形推理等场景仍存在优化空间。
不少参与内测的用户最近发现，DeepSeek的输入栏左侧多了一个醒目的相机标识，点击即可进入“识图模式”，上传图片后最快3秒就能得到针对性的解析结果，入口旁标注的“图片理解功能内测中”字样，也坐实了外界此前对其布局多模态能力的猜测。
近一年来，全球头部大模型厂商均将多模态交互能力作为核心迭代方向，OpenAI的GPT-4o、谷歌的Gemini系列都已实现相对成熟的视觉交互能力，国内厂商也在密集跟进相关布局。
此前DeepSeek凭借长文本处理、代码生成能力在垂直领域积累了大量用户，此次上线识图功能，本质是补上了能力版图的重要一块。而距离DeepSeek-V4正式发布仅过去5天的迭代速度，也远超行业平均1-3个月的版本更新周期，引发了业内的广泛讨论。
从目前曝光的内测数据来看，DeepSeek的识图能力在主流场景下已经达到行业头部水平：在基础的画面描述、人物环境识别任务中，视觉内容描述还原度接近95%，基本不会出现关键元素遗漏；开启“思考模式”后，模型还能实现深度逻辑推理，比如根据文物的纹样、材质特征推导其所属朝代与艺术风格，对摄影作品的构图、光线运用也能给出专业分析。
同时，模型对图片中的印刷体、手写体文字提取准确率也达到了行业主流水准，可直接识别表格、票据中的结构化信息。当然，现阶段的测试版本也存在明显短板：在处理碎块化、反色等强干扰图像时，识别准确率会出现明显下滑；在元素计数、复杂几何图形推理等任务中，响应速度和准确率仍有较大提升空间。
此次识图功能的灰度测试，标志着DeepSeek正式从纯文本、代码大模型，转向全能力的通用大模型厂商。
业内分析认为，接下来DeepSeek很可能将视觉能力和自身已有的代码、长文本优势结合，推出更多垂直场景的应用：比如支持UI设计稿直接生成前端代码，或是解析图文混合的长文档、学术论文，进一步覆盖办公、设计、文旅等多个领域的用户需求。而随着头部厂商的密集迭代，多模态交互的成本也会持续下降，普通用户使用“能看会听”的AI服务的门槛会越来越低。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号