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。