“Soon, we see you.”
DeepSeek 多模态团队负责人陈小康在 X 平台发出这样一句话。配图中，DeepSeek 标志性的蓝色鲸鱼，一只眼睛被黑色眼罩蒙住，另一只摘下了眼罩。
4月29日，DeepSeek 正在网页端和 App 端灰度测试“识图模式”，与“快速模式”“专家模式”并列，用户进入后可上传图片，并让 DeepSeek 对图片内容进行理解、描述和分析。部分用户已经可以正常使用，另一些用户表示虽然能看到入口，但会收到“识图模式暂不可用，请稍后再试”的提示。
但更准确地说，这次灰度上线的是多模态理解能力，而不是完整意义上的多模态生成能力。所谓“多模态”，并不一定意味着同时具备识图、生图、语音、视频等全部能力。只要模型能够处理不止一种输入模态，例如文本与图片，就可以被称为多模态能力。
但从腾讯科技体验来看，DeepSeek 这次开放的主要是图片理解，也就是“看图、读图、分析图”，尚未看到图像生成、视频理解或跨模态生成能力上线。
从产品界面看，“识图模式”并不是简单附加在输入框中的图片上传功能，而是被放在与“快速模式”“专家模式”同一级的产品入口中。用户进入后，页面会显示“使用识图模式开始对话”，输入框旁也出现图片上传按钮。这说明 DeepSeek 正在将视觉理解作为一个独立模式进行灰度，并不是仅作为文本模型的辅助功能。
但现阶段，“识图模式”的产品定位更接近视觉问答、图片理解和截图分析，而非类似文生图、图生图的视频或图像生成工具。
事实上，DeepSeek 并不是第一次做多模态。
早在 2024 年，DeepSeek 就发布过 DeepSeek-VL 系列模型，主打真实世界视觉语言理解，覆盖图表、网页、公式、科学文献、自然图片等场景。此后，DeepSeek 又推出过 Janus 系列，尝试将多模态理解和视觉生成放在统一框架下；Janus-Pro 也曾被视为 DeepSeek 在图像生成方向的一次重要尝试。此外，DeepSeek 还发布过 DeepSeek-OCR，强调从大语言模型角度重新理解视觉编码器的作用，面向文档、截图和结构化信息识别。
从技术路径看，“识图”通常不是简单 OCR。OCR 主要解决的是图片中文字的识别，比如截图、票据、文档和表格；视觉语言模型则要进一步理解图片内容，包括物体关系、图表含义、页面结构、场景描述和用户意图。
对于 DeepSeek 这次灰度的“识图模式”而言，底层看起来可能更像是结合 OCR 与文本推理模型完成图片分析。
但目前，DeepSeek 官方尚未披露“识图模式”的底层模型名称、参数规模、训练方式和开放计划。DeepSeek API 文档目前仍主要显示 V4 Preview、V4-Pro、V4-Flash、1M 上下文和工具调用等能力，并未出现 Vision、Image Input 或识图相关接口。这意味着，至少在 API 层面，DeepSeek 多模态能力尚未正式开放。
但这一步对 DeepSeek 仍然重要。过去一年，DeepSeek 的核心标签主要集中在推理能力、开源、低成本和长上下文。无论是 R1 还是 V4 Preview，DeepSeek 更突出的都是文本推理和 Agent 场景能力。“识图模式”的出现，意味着 DeepSeek 可能即将在多模态能力上发力。
