实测 DeepSeek 识图模式：推理耗时4分钟却秒错，但HTML复原与OCR表现惊艳
今天，你被DeepSeek识图模式灰度测试覆盖了吗？
大家对DeepSeek多模态功能的期待已经持续了相当长的时间。随着V4版本的发布，惊喜接踵而至。在官方尚未披露更多细节之前，各路技术爱好者已从不同角度挖掘出关于“识图”能力的诸多线索。
确实有不少发现。
例如，DeepSeek的识图模式背后，似乎是一个独立于V4 flash/pro的全新模型。
再比如，DeepSeek在V4技术报告中提到的“未来展望”，实际上可能已经基本实现。
今天一睁眼，我也幸运地获得了灰度测试资格，下面就来展示一下实测结果。
实测 DeepSeek 识图模式
在识图模式下，用户可以选择是否开启深度思考功能。
非思考模式下，这个DeepSeek视觉模型的响应速度极快，点击发送键后几乎无需等待，答案便会迅速生成。
那么，在思考与非思考模式下，DeepSeek识图模式的推理能力究竟有何差异？
推理能力
先来一道空间推理题：要使右侧图形在不旋转的情况下拼合成左侧的正方体造型，问号处应添加哪个图形？
非思考模式秒给出答案，但……秒错。
开启深度思考后，DeepSeek成功闯关，给出了正确答案D。
然而，它思考这个问题整整耗时4分多钟。
这个思考过程的冗长程度，我们可以直观感受一下——在思考的中段，DeepSeek其实已经找到了正确答案：
但紧接着就是一个“等等”，随后绕了一大圈。
这个问题也有人向DeepSeek研究员陈小康反馈过。
再试试图片找不同：找出两张图片中所有的不同点。
非思考模式下，DeepSeek很快找到了7处不同。
可以明显看出，其中存在不少幻觉，比如第5点托盘里的钥匙来源不明，第7点苹果和香蕉之间也没有白色的空盘子。
思考模式这次只用了16秒，找出了12处不同。
但……不知道是否与图片本身有关，幻觉反而更多了。
实用功能
推理部分还有提升空间，那么在实用功能方面，DeepSeek的识图模式表现如何？
试试OCR。
将DeepSeek V4技术报告的摘要图片输入识图模式，不开深度思考的情况下，它依然闪电出结果，还贴心地将开源链接生成为超链接。
纯文本看起来问题不大，再试试表格DeepSeek能否胜任。
没有问题，格式上也能用Markdown整齐呈现。
而更受欢迎的一种新玩法是，将网页截图发给DeepSeek，它就能直接复原出对应的HTML代码（非思考模式即可实现）。
其中的按钮都是可用的，比如给出API文档的链接，它能自动配置好实现跳转。
DeepSeek还能顺利通过“隐藏图片”测试。
但在色盲测试中，偶尔会出现翻车情况。
根据识图模式自己的回答，它的知识截止日期与DeepSeek V4 flash/pro相同，均为2025年5月。
而从它的世界知识中，有博主发现了端倪：视觉模型了解“Ta”，而V4 flash/pro则对此一无所知。
这是否意味着，识图模式中的视觉模型是独立训练的？
验证了一下，flash不联网时确实没有关于这位主包的知识。但识图模式则找到了2026年4月的信息。
行动比承诺更快
目前，DeepSeek的识图模式仍处于灰度测试阶段，陈小康透露灰度范围正在逐步扩大。
实测下来坦白说，DeepSeek Vision还有不少可以精进之处。
但话说回来，谁又能想到DeepSeek的多模态功能来得如此之快呢？
当DeepSeek在V4技术报告中写下“我们也正在努力将多模态能力整合到我们的模型中”时，大家都以为这只是一个优先级不高的目标，不少朋友在惋惜的同时，也认同“资源有限的情况下优先做好纯文本是对的”。
而现在看来，DeepSeek做到的或许比外界想象的更多、更快。
那么论文中提到的“在MoE和稀疏注意力架构之外，将积极探索模型稀疏性的其他新维度”，是不是也……
参考链接：
[1]https://x.com/teortaxesTex/status/2049422327914332307?s=20
[2]https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：http://www.itsolotime.com/archives/32798
