D 神又开播了？真的假的？
DeepSeek 憋了这么久的大招，最近终于开始尽情释放。上周他们刚悄咪咪地把 V4 端上来，紧接着就是两波大降价——梁神，你又来普度众生了？
今天，它忽然给我推了一条灰测通知：DeepSeek 有多模态能力了，准确来说是识图。
验过了，牌是真的。
想尝鲜的差友现在就可以打开你的 DeepSeek 瞅一眼。
如果界面里多出一个「识图模式」，恭喜你，你就是被内测到的幸运儿，可以直接白嫖真正的多模态版 V4。
DeepSeek 自家的研究员陈小康也按捺不住发了条推文：我们鲸鱼终于长眼睛了，再也不是国服盲僧。
大伙儿反应这么激动，实在是因为 DeepSeek 缺多模态这事儿已经被诟病太久了。国外三巨头 ChatGPT、Gemini、Claude 早就有了多模态能力，国内豆包、千问等模型也做得非常出色。
而你，作为被寄予厚望的国产之光，这么多年连张图都「看」不懂，只能靠 OCR 识别图片里的文字，体验这块确实拉了一大截。
现在，这块短板终于被补上了。
话不多说，直接上测试。
首先，它确实摆脱了传统 OCR，能真正「看」见图片全貌。
比如我们给它一张用蓝色写的「这是一行红字」。如果只用传统 OCR，它顶多识别出文字是「这是一行红字」，绝对识不出颜色。
而开启视觉模式后，它可以精准识别出这是一行蓝色的「红字」，甚至 get 到了我的幽默。
不光如此，它还有了视觉推理能力。
这张梗图大家都见过吧？相信以差友的智商，绝对看得懂它在玩什么。
于是我发给 DeepSeek，让它帮我进行笑点解析。
它一番思考过后，不光看出来了，还顺便做了个本土化翻译——「金大利亚」「银大利亚」「铜大利亚」，有点忍俊不禁。
接着我又发了一张同事开车时随手拍的照片，其实挺糊的，只有些外观、光效上的信息可以分析。
结果它还是猜出来了——这辆车确实是斯巴鲁，而且思考 13 秒就给出了结论。
考虑到 D 老师是数学高手，我们又给它传了一张数学相关的梗图。说实话世超差点都没看懂，是哥们丈育了。
D 老师的解释依旧非常完美。
不光整明白了简单运算，它甚至看出了里面的几个谐音梗：取实部就是去掉虚数「i」，也就是去掉「眼睛」（Eye）；倒三角 ∇ 是梯度（Grad），刚好跟 Graduate（毕业）沾边，所以给小脸带上了学士帽。
已经忘记数学知识的差友们可以逐字复盘一下。
顺便呢，我也测了几个生活中的问题，比如这个 3.5mm 插头该插哪里。
这个方头 USB 口又该插哪里。
虽然很简单，但它能理解我没对上焦的随手拍，也算能胜任日常任务了。
但其实，根据世超的实测，D 老师目前这个版本，也没有到天下无敌的地步。
比如咱给它丢了一张非常美丽的地球夜景。
DeepSeek 也看得蛮清楚的，说这张照片来自国际空间站。
但其实，你们把照片翻过来看看，就会发现它只是一张晚霞下的城市——这是倒悬过来的视角……
然后我丢给了公认的多模态高手 Gemini……它还真看出来了。不是，降智了都这么强吗？
还是没能让多模态之王用尽全力吗，哈吉鲸。
包括对一些人脸的识别，也是偶尔抽风。比如我把豆包的图片扔给了它，它给我识别的是啥呢——B站 UP 主罗翔。
还有这个经典的视错觉问题：这俩球明显不一样大吧？结果 D 老师一番思考跟我说，俩球一样大。
不过我也去扒了一下它的思考过程，其实它早就看出来右边的球更大，但因为仔细读题，觉得这是给它的错觉，所以选择「欺骗自己」，说它们一样大了……可能是强化学习强化太猛了吧。
综合评价，可以给到一个「神鬼二象性」——夯的时候夯，拉的时候拉完了……
但话又说回来，DeepSeek 刚长出眼睛，咱还是得给它一些适应这个世界的时间。
最后，现在的 AI 巨头大乱斗，早已过了那个只看跑分、只看文本输出能力的新手村阶段。
Coding 水平、多模态能力、调用工具的丝滑程度等等等等，基本上缺一不可。
但之前大 D 老师在多模态能力上的缺席，总让人觉得可惜。有种大伙都哼哧哼哧做事干活了，DeepSeek 却因为缺胳膊少眼，Agent 能力大打折扣。
毕竟，目前绝大部分模型的 API 都带多模态，或者至少是带图片输入能力的。
也期待 DeepSeek 能把识图的多模态能力，尽快更新到 V4 新模型的 API 上面吧。
要知道，之前蒙着眼睛，已经和不少对手打得有来有回了……现在揭下眼罩，用到 Claude Code、龙虾、Cowork 等等工具上的表现，估计还会有一大波提升。
另外，按照 DeepSeek 这段时间吐泡泡刷存在感的频率，估计还有一堆连招等着出手呢。
不多说了，看 D 老师表演吧。
发表于 3 小时前
|
查看: 5|
回复: 0
