DeepSeek终于「开眼」！首发深度实测：12张图看清它的识图极限
在DeepSeek一记V4重拳彻底引爆科技圈的五天后，DeepSeek内部负责多模态的研究员陈小康在X上发布了这么一条帖子，并且附上了文字： Now, we see you. （图源：雷科技） 没错，就是字面意思。 当所有人还在为V4的价格和编码能力而惊叹时，DeepSeek突然开测识图模式，全网热
在DeepSeek一记V4重拳彻底引爆科技圈的五天后，DeepSeek内部负责多模态的研究员陈小康在X上发布了这么一条帖子，并且附上了文字：
Now, we see you.
（图源：雷科技）
没错，就是字面意思。
当所有人还在为V4的价格和编码能力而惊叹时，DeepSeek突然开测识图模式，全网热议了一整年的多模态能力总算是落地了。
这更新速度，不禁让人怀疑，梁文锋是不是为了不被网友做成“不务正业”的梗图，连夜把开发团队锁在了机房里。
需要注意的是，这次测试并非全量测试，而是小范围的灰度测试。只有部分用户能在DeepSeek最新App或网页版里看到，此时输入栏上方除了原有的快速模式、专家模式外，还会新增一个识图模式按钮，并标注“图片理解功能内测中”。
（图源：雷科技）
有趣的是，笔者的同事们全部都没能被灰度测试到，被DeepSeek最新抽到的人数居然高达0人！
幸运的是，笔者居然还真就成了那万中无一的天选之人。
既然这么巧合，不给大家测试一番，多少有点过意不去。这次精心选择了12张图片，让大家好好看看DeepSeek到底能看到什么？
理解能力强，知识库待更新
话不多说，我们直接从画面描述开始测试。
之所以将这个放在第一位，是因为这是视觉理解在实际场景中应用最多的一项功能。
以日常生活为例，在路边看到一株叫不出名字的奇葩植物，或者想找找某款穿搭的同款链接，甚至是在异国他乡对着满屏外文菜单发愁时，大家现在的第一反应多半是拍张照丢给AI问一句：“这是啥？”
这种“所见即所问”的交互，本质上就是在考验模型的视觉理解功底。
而这次准备了三张图用作测试，分别是一张Coser图像、博物馆里的见闻以及一张信息量繁杂的活动现场图片。
（图源：雷科技）
提示词：请详细描述一下这张图，字数控制在250字以内。
对于第一张图片，DeepSeek的回答是这样的：
（图源：雷科技）
DeepSeek不但完整描述了整个画面细节，而且还认出了图片里的角色，甚至连拍摄背景、打光等元素都如实还原了出来。用这套文字去文生图模型里，直接就能还原一张高度类似的图片。
要知道，这个效果可是没开思考模式的。
对于第二张图片，DeepSeek的回答是这样的：
（图源：雷科技）
不打开思考模式的情况下，这次回答就是很单纯的画面描述，没有对于物品的解析，但是描述本身还是挺到位的。最后还能看出来这款物品富有浓郁的中东或中亚艺术风情，很可能是一件珍贵的宫廷或宗教礼仪用具。
那么，要是我打开思考模式呢？
这下开始解析了。首先是对物品进行拆解，定义它是什么、有什么特征、所处的环境怎么样。
（图源：雷科技）
然后就开始下定义了，它认为是清代痕都斯坦风格。
（图源：雷科技）
那么清代痕都斯坦风格是啥呢？根据Wiki解释，这是18世纪清朝乾隆时期引入的中亚伊斯兰风格玉器，主要源自北印度莫卧儿王国。
刚好，去看的就是莫卧儿王国展，还真给它找出来了。
（图源：雷科技）
对于第三张图片，DeepSeek的回答是这样的：
（图源：雷科技）
除了画面描述、文字信息读取，这次它还果断判断这是属于中国建博会·广州的活动现场图片。只能说，图片理解这块确实没毛病。
当然了，上面这些内容都是看图说话。那么更新一点的信息识别如何呢？
这次准备了近些年的三张图片，提示词：图片里的东西是什么？并说出你的依据，字数控制在200个字以内。
（图源：雷科技）
对于第一张图片，DeepSeek的回答是这样的：
（图源：雷科技）
嗯...至少能从图片里看出宝可梦的信息。但是《Pokopia》这款游戏还是太新了，明显不在DeepSeek的知识库里。
对于第二张图片，DeepSeek的回答是这样的：
（图源：雷科技）
这次倒是判断得很准确，这确实是一张从3dm扒下来的FM24战术图。
对于第三张图片，DeepSeek的回答是这样的：
（图源：雷科技）
不难看出，它确实缺乏了最新的产品信息，但居然能通过副屏来判断成小米11 Ultra。只能说，DeepSeek识图在逻辑这块真的拿捏了。
逻辑问题，同样搞不定
接下来，我们来试试元素识别。
这部分，说人话就是考验AI的眼力见了。里面有些题目，哪怕是真人来了也不一定能做出来。
顺便看看DeepSeek会不会也是个色盲。
这类图片在网上那叫一个多啊，干脆直接上谷歌搜罗了这些图来测试用，大家也别客气。
（图源：雷科技）
先测第一个，提示词：请直接告诉我这张图中有几只老虎。
让人想不到的是，这个问题居然能让DeepSeek开始自我博弈起来，不断地否认自己上一次数出来的结果。最后更是在两次数出6只老虎的情况下，坚定地回答了7只出来。
（图源：雷科技）
问题在于，这图里有10只老虎，这就让人很尴尬了。
再测第二个，提示词：这张图中隐藏着一组数字，请你直接告诉我其中有几个数字，它们分别是什么。
（图源：雷科技）
咋说呢，这个图之前就难倒过所有AI， DeepSeek同样没有能识别出来。
第三张图也是如此。可以说，这一类基于反色、碎块化的图片，依然是视觉理解的一生之敌。
（图源：雷科技）
最后是三道图形逻辑题。之前DeepSeek-V4在做逻辑题的时候表现就一般，不知道应对图形逻辑题的效果如何。
据说这三道都是行测例题，我们让DeepSeek来解答一下。
（图源：雷科技）
第一道，思考了整整三分钟。
（图源：雷科技）
答案是错的，正确答案是D。这图的逻辑其实还挺好懂的，就是前面两格单白/单黑的地方，第三格是白的；前面两格双白/双黑的地方，第三格就是黑的。
第二道题自然也是不负众望，错！
没想到，在已经失去希望的情况下，经过六分钟深度思考后，这第三道题，居然是让DeepSeek给答对了！
（图源：雷科技）
反复试了两遍，只能说这道题它确实能推理出来。虽说是采用算数的形式，但确实实现了零的突破。
只能说，行测备考你用这个，这辈子也是有了。
总结：识图只是前菜，多模态大招还在路上
完整测试下来，对DeepSeek这次的识图能力算摸透了。
DeepSeek基础识图的准确率其实还是比较高的，然后它的推理思路本身也算有条不紊。但是目前知识库里保存的信息还不够多，而且面对难度较高的极限测试，基本上就没有能做对的时候。
但是，这次起码不会出现思考半天吧啦吧啦没完没了的情况。
（图源：DeepSeek）
从测试结果来看，这次识图更像是过渡期的开胃菜。这个识图模式，更接近一个挂载在DeepSeek-V4主干上的视觉理解模块，而并非DeepSeek-V4本身的多模态能力。
但至少，它证明DeepSeek团队在视觉理解上已经跑通了，这明显是在为接下来的原生多模态大招铺路。可以预见的是，补上这块短板后，整个国产模型的格局必然会再次发生改变。
至于没拿到资格的也别急，就DeepSeek目前这个效果，豆包和千问其实够用了。
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。