智東西（公眾號：zhidxcom）
作者 |? 陳駿達
編輯 |? 云鵬
智東西4月29日報道，剛剛，DeepSeek的多模態(tài)能力已經(jīng)開啟灰度測試?，F(xiàn)在，被選中的用戶會發(fā)現(xiàn)，DeepSeek首頁多了一個“識圖模式”的入口。上傳圖片后，DeepSeek能像人一樣理解畫面，不管是物體還是場景，而不是像過去僅能識別文字。
多位DeepSeek研究員第一時間發(fā)文宣傳了這一新功能。DeepSeek研究員陳德里稱，這一功能來自DeepSeek的“天才多模態(tài)同事們”，小鯨魚現(xiàn)在有了看見世界的能力。
▲DeepSeek多位研究員宣布識圖模式的灰度上線（圖源：X平臺）
我們也有幸被灰度到了，并迅速進行了一波測試。
首先是基本的識物能力，我們上傳了一張兔子的照片，識圖模式下DeepSeek一眼就判斷出兔子的品種，并且可以描述這只兔子的姿態(tài)。
我們給DeepSeek上了點難度，上傳了一張來自它老家杭州知名景點靈隱寺的照片，圖中僅有右下角的路燈上有草書寫就的“靈隱寺”字樣，不過對人類來說這些字樣也有點難懂。我們要求DeepSeek判斷這是哪里，并報出圖城市的經(jīng)緯度。
根據(jù)建筑風格和路燈上的字樣，DeepSeek很快判斷出這里是靈隱寺，給出的坐標準確無誤。其生成速度也很快，未開啟思考模式時，一眨眼的功夫就好了。
我們又上傳了一張包含視覺陷阱的圖片，這張圖中幾個物品的擺放很容易讓人誤以為圖中有個人坐在椅子上。
這樣的題目同樣沒能難倒DeepSeek，它判斷圖中有墻面修補痕跡、垃圾收集區(qū)、雜物等等，沒有被視覺陷阱蒙騙。
DeepSeek的視覺模式支持深度思考，我們上傳了一張隨手拍的照片，圖中沒有任何文字參考，看看DeepSeek能否根據(jù)蛛絲馬跡判斷出位置。
開啟推理后，DeepSeek的視覺能力明顯增強了。它可以分步驟拆解畫面信息，能看到前景、中景、背景的所有信息，然后將地標特征與地理區(qū)域匹配，直接判斷出山脈是燕山山脈、建筑風格在北京昌平等郊區(qū)很常見。
最后它直接把范圍收窄到北京昌平區(qū)或者海淀山后地區(qū)，其中某些猜測選項離我的實際距離已經(jīng)不到10公里。未來如果接入聯(lián)網(wǎng)搜索，DeepSeek很可能就順著網(wǎng)線把我家地址給開盒了。
我們還嘗試了熱門的看手相玩法，上傳后，DeepSeek第一眼先把左右手看錯了，我們上傳的圖片是左手，它判斷成了右手。
進入實際分析后，DeepSeek對手相形態(tài)的描述基本符合事實，分析得也是頭頭是道，不過具體該相信多少，這就見仁見智了。
結語：DeepSeek多模態(tài)拼圖，終于補齊
在過去很長一段時間里，DeepSeek多模態(tài)能力的缺失一直是一個遺憾。DeepSeek一直維持著多模態(tài)的相關研究，并曾在早期發(fā)布開源多模態(tài)模型Janus等成果。不過，DeepSeek一直未在其產(chǎn)品中向公眾提供多模態(tài)能力。
AI走向多模態(tài)已經(jīng)成為不可逆轉的大趨勢。多模態(tài)內容所蘊藏的豐富信息可以擴展AI認知這一世界的觸角，也更貼近人類本身理解世界的方式。目前，DeepSeek的識圖模式還只是一個測試功能，不過它已經(jīng)讓我們看到了其在視覺解析與跨模態(tài)推理上的潛力。
