DeepSeek识图模式全量开放：以视觉原语思考，补齐多模态短板？

DeepSeek 的识图模式大范围开放，已与「快速模式」「专家模式」并列为一级入口。
上传图片就能识别、理解、推理，不再是那个只能认字的 OCR 了。

V4 发布之初，人们高呼价格屠夫，但明显的短板也摆在眼前：纯文本模型，看不了图。
所以对 Kimi K2.6、Qwen 3.6 这些已经具备多模态能力的选手，冲击还不算致命。你可以安慰自己，DeepSeek 再便宜，至少它看不了图。
现在这个理由不存在了。

我首先抛出一个最关心的问题：DeepSeek API 支持图片理解吗？
答案是支持，但实际上还没到位。我去 AI 编程工具 Trae 里看了一下，这里还是纯文本推理，并未匹配图片理解能力。

随手截取了一个代码调试的界面，直接丢给 DeepSeek 的识图模式，看看实际表现如何。

答案是对的，说明能力已经有了，就等全面到位。

先说技术，这次的识图并不是简单外挂一个视觉模块。
DeepSeek 发了一篇论文叫《Thinking with Visual Primitives》，以视觉原语思考。
核心创新在于，将点坐标和边界框直接嵌入推理链条，模型一边推理一边「指点」，像人用手指点着数硬币一样。
这解决了传统多模态模型最大的痛点——指代鸿沟。AI 能看见图，但用自然语言描述「左边那个大的红色物体」太过模糊，复杂场景下一描述就飘，一飘就错。
DeepSeek 的做法是让模型在推理时直接输出视觉坐标，比如「找到一只熊[452,23,804,411]，正在爬树」，精准定位，不靠猜。

更狠的是效率。一张 756×756 的图片，DeepSeek 仅消耗 81 个视觉条目，压缩比高达 7056 倍。同等尺寸下，Claude Sonnet 4.6 要 870 个 token，GPT-5.4 要 1100 个，这可以说是架构级的差异。

V4 发布的时候，直接冲击的是国内纯文本大模型同行，比如 MiniMax、智谱的 GLM 系列等。
这次加上图片理解能力，会进一步冲击 Kimi K2.6、Qwen 3.6 等多模态大模型。
即使多模态能力还没完全追上，差距也在快速缩小。DeepSeek 的杀手锏是价格，当能力差距不大但价格差很多的时候，大部分用户会用脚投票。

Token 便宜加上能看图，在 coding 这个变现最快的赛道上，非常值得期待。

总结一下，V4 补强了性能，识图模式填平了视觉短板，而传闻 6 月发布的 V4.1 将进一步补全 API 与企业工具链。
这样的迭代节奏，真不给同行留活路。