▲DeepSeek多位研究员宣布识图模式的灰度上线（图源：X平台）
我们也有幸被灰度到了，并迅速进行了一波测试。
首先是基本的识物能力，我们上传了一张兔子的照片，识图模式下DeepSeek一眼就判断出兔子的品种，并且可以描述这只兔子的姿态。
我们给DeepSeek上了点难度，上传了一张来自它老家杭州知名景点灵隐寺的照片，图中仅有右下角的路灯上有草书写就的“灵隐寺”字样，不过对人类来说这些字样也有点难懂。我们要求DeepSeek判断这是哪里，并报出图城市的经纬度。
根据建筑风格和路灯上的字样，DeepSeek很快判断出这里是灵隐寺，给出的坐标准确无误。其生成速度也很快，未开启思考模式时，一眨眼的功夫就好了。
我们又上传了一张包含视觉陷阱的图片，这张图中几个物品的摆放很容易让人误以为图中有个人坐在椅子上。
这样的题目同样没能难倒DeepSeek，它判断图中有墙面修补痕迹、垃圾收集区、杂物等等，没有被视觉陷阱蒙骗。
DeepSeek的视觉模式支持深度思考，我们上传了一张随手拍的照片，图中没有任何文字参考，看看DeepSeek能否根据蛛丝马迹判断出位置。
开启推理后，DeepSeek的视觉能力明显增强了。它可以分步骤拆解画面信息，能看到前景、中景、背景的所有信息，然后将地标特征与地理区域匹配，直接判断出山脉是燕山山脉、建筑风格在北京昌平等郊区很常见。
最后它直接把范围收窄到北京昌平区或者海淀山后地区，其中某些猜测选项离我的实际距离已经不到10公里。未来如果接入联网搜索，DeepSeek很可能就顺着网线把我家地址给开盒了。
我们还尝试了热门的看手相玩法，上传后，DeepSeek第一眼先把左右手看错了，我们上传的图片是左手，它判断成了右手。
进入实际分析后，DeepSeek对手相形态的描述基本符合事实，分析得也是头头是道，不过具体该相信多少，这就见仁见智了。
结语：DeepSeek多模态拼图，终于补齐
在过去很长一段时间里，DeepSeek多模态能力的缺失一直是一个遗憾。DeepSeek一直维持着多模态的相关研究，并曾在早期发布开源多模态模型Janus等成果。不过，DeepSeek一直未在其产品中向公众提供多模态能力。
