DeepSeek大范围开放识图模式 实现图文交互并公布高效多模态技术框架

据悉，DeepSeek已大范围开放其“识图模式”供用户体验，该模式并非简单的文字识别，而是具备了真正的图片理解能力。在实测中，它能识别文物并推断其历史风格，解答高难度空间推理题，理解网络梗图情绪，并能将截图中的代码或界面解析并还原为可交互的HTML代码。

同时，DeepSeek公布了其多模态模型的技术细节，核心是“以视觉原语思考”框架。该框架将点、边界框等视觉元素直接融入推理链，解决了传统模型在密集场景中的“指代鸿沟”问题，使推理更精准。此外，该框架在算力上极具效率，处理图片消耗的tokens远低于其他主流模型，并在多项基准测试中达到领先水平。

需要指出的是，目前上线的识图模式仍标注为内测，功能集中于视觉理解与分析，暂不支持图像生成或视频理解等更广泛的多模态功能。