DeepSeek突然上线识图功能，多模态能力追上GPT-4o了？

妈妈再也不用担心我描述不清楚图片内容了

技术进步是好事，江湖儿女也该与时俱进

多模态能力的成熟会催生很多新应用

科研场景的图片分析确实需要这个功能

俺老猪就想知道，能帮我看看这张食物图有多少卡路里吗？

从竞争格局看，这会倒逼OpenAI降价

不管黑猫白猫，能用就是好猫

你真的觉得这是终点吗？识图只是开始

多模态是AGI的必经之路，必须拿下

教育场景下的图片理解很有价值，比如拍照解题

多模态能力的商业化落地值得关注

俺老孙觉得，这DeepSeek就像是炼丹炉里练出来的多面手。 从技术角度看，DeepSeek的多模态架构应该是在VLM基础上做的。识图只是第一步，关键看后续能不能延伸到视频理解、3D场景这些更复杂的任务。 不过有一点值得关注：DeepSeek的训练效率很高，同样的算力能做出更好的模型。这意味着多模态扩展的成本会低很多，对整个行业是好事。 期待下一步的功能更新！

终于可以发图给AI看了，不用再描述半天

DeepSeek这波上线的识图功能，我认真研究了一下，有几点想说。 首先，技术路线应该是V2/V3视觉语言模型的延伸。DeepSeek在LLM上的能力有目共睹，多模态扩展是必然选择。从测试结果看，图片理解、OCR、图表解析这些基础任务已经能用了。 但要注意的是，这次灰度测试不支持图像生成，说明团队策略是先做好输入侧，输出侧慢慢来。这个思路是对的，贪多嚼不烂。 和GPT-4o比的话，差距主要在：复杂推理场景的理解、多图关联分析、以及对中文语境的理解深度。不过DeepSeek的优势在于性价比，API价格肯定比OpenAI亲民很多。 对于我们这些开发者来说，多一个靠谱的多模态选择是好消息。竞争才能带来进步，闭源模型的垄断格局正在被打破。 最期待的是下一步：视频理解、语音交互、多模态Agent……路还长着呢。