deepseek正式跨入图文交互时代DeepSeek通过大范围开放“识图模式”，正式补齐了自身长久以来的多模态短板，标志着其AI助手彻底告别纯文本时代，迈入全新的图文交互纪元。📸 识图模式全面开放与核心体验5月9日，DeepSeek将“识图模式”从灰度测试扩展至大范围用户，目前绝大多数测试账号均已在输入框上方看到与“快速模式”“专家模式”并列的全新入口。该模式并非单纯的OCR文字提取，而是赋予了AI真正的视觉语义理解能力。在实测中，用户上传图片后，DeepSeek展现出了以下多维度的处理能力：生活与文化解读：能够化身“博物学家”，识别文物纹理并推断其历史年代（如准确辨别清代痕都斯坦风格玉器）；同时对网络热梗、表情包甚至复杂合影中的人物情绪具备极强的“网感”理解力。硬核逻辑推理：配合深度思考模式，能够处理高难度的空间拼合逻辑题，通过长达数分钟的计算给出正确解法。生产力工具转换：作为“截图转码器”，不仅能解析复杂UI界面的技术报告，还能反向一键生成可交互的HTML代码，甚至完美复原原网页的跳转按钮。🧠 底层技术：“以视觉原语思考”DeepSeek此次视觉能力的跃升，得益于其创新的多模态框架——“以视觉原语思考”（Thinking with Visual Primitives）。打破“指代鸿沟”：传统模型在处理密集场景时，容易因使用“左边那个大的”等模糊自然语言导致注意力漂移。该框架将点、边界框等代表空间位置的视觉元素直接转化为模型推理的思维基本单元，如同用“赛博手指”精确指代目标。极致算力效率：这种架构极大降低了对计算资源的消耗。处理一张800×800分辨率的图片，DeepSeek仅消耗约90个tokens，而同期其他主流模型通常需要消耗870至1100个tokens，且空间推理基准测试表现处于前沿水平。 deepseek正式跨入图文交互时代