DeepSeek视觉模式灰度上线 研究员确认支持真实图像理解

闻乐 发自 凹非寺

DeepSeek 的视觉功能真的来了！

DeepSeek 研究员陈小康率先发帖，用一条简短的消息点爆了开发者社区—— “Now, we see you. 👀 现在，我们看到你了。”

这条动态在云栈社区的技术圈子里也立刻炸开了锅，大家纷纷猜测：多模态这最后一张拼图是不是终于要拼上了？没过多久，另一位核心研究员陈德里也确认：V4 视觉模式已正式进入灰度测试阶段。

小鲸鱼能“看见”了，这事儿本身就像个信号：通用大模型的感知能力，正以肉眼可见的速度从实验室往外涌。

已经具备真实图像理解能力

你要知道，在此前版本中上传图片时，模型只能走 OCR 路线，也就是单纯把图片里的文字扒出来。下图就是旧版界面的典型状态，底部还写着“仅识别图片中的文字”。

但今天的灰度更新算是跨了一大步。被灰度选中的“幸运鹅”发现，首页已经冒出了醒目的“识图模式”入口，下面紧跟着一行“图片理解功能内测中”的小字提示。

先来看看效果怎么样。一位获测用户分享的截图显示，他上传了一张无明显文字的星巴克饮品照片，DeepSeek 的测试版不仅正确识别出了抹茶星冰乐、透明杯型与奶油覆盖等细节，还经过 4 秒思考输出了完整且通顺的英文描述。这说明模型确实在“理解”画面内容，而不是只做字符扫描。

V4，满血归来

放出这两条爆炸性消息的研究员，可个个都不是“路人甲”。

陈小康，北京大学博士、DeepSeek 多模态研究组负责人。他主导的两项多模态工作，随便拎一个出来都是顶会常客：一个是 Janus 系列，专门搞统一的多模态理解与生成；另一个是 DeepSeek-VL2，基于 MoE 架构的视觉语言模型。

换句话说，DeepSeek 现在能“睁眼看世界”，就是他带团队硬刚出来的。

而另一位陈德里则长期扎根语言模型、对齐策略、训练策略以及模型泛化能力等核心方向。过去两年，从 V2、V3 到 R1，几乎所有重要发布里都能找到他的名字，这一次 V4 也绝不例外。他最近还专门发帖回顾了长期路线：DeepSeek-V3 发布于 2024 年 12 月 26 日，V4 发布于 2026 年 4 月 24 日，相隔 484 天。

API 价格已经“打骨折”之后，现在视觉能力又火速补上——还有多少惊喜是我们没猜到的？

不得不说，在多模态这条拼图上，DeepSeek V4 这一轮是真真切切地满血归来了。

参考链接：
[1] https://x.com/victor207755822
[2] https://x.com/PKUCXK/status/2049381471669080209