如何评价 DeepSeek 刚刚上线的多模态「识图模式」？

这算是对我最不友好的消息之一了。

因为我前段时间刚刚出版了一本书，名字叫《AI效率革命》，主要内容就是根据DeepSeek来基础AI能力来源构思的，原谅我这个名字可能太宏大了，但是编辑建议这样可能会更有受众一些。

这本书在前段时间出版我觉得还挺幸运的，正好赶在DS V4发布，同时它还恰好没有多模态能力。

同时，它还提到了在未来会把多模态能力融到模型里面，我想着怎么也得几个月吧。

没想到，不到一个星期，DS就把识图模式上线了。

实体书的出版周期太长了，去年写的，那个时候就是基于DS短时间内不会上多模态为大基础的，然后差不多一年才出版，但是这本书的内核本身就不太依赖于模型，AI的使用方法论跟模型是隔离的，所以我觉得它的价值还在。（有实力的朋友可以支持下，过几天我会抽奖送一批出去）

至于这个识图模式，我觉得最值得讨论的有三件事：

一：5天的时间差

DeepSeek V4，4月24日上线。 识图模式，4月29日开始灰度测试。 时间差：5天。

如果识图是V4原生能力的一部分，这两件事应该同时发布，或者在同一个公告里出现。

它没有。

V4的技术报告里，多模态能力被明确列为"未来方向"。也就是说，V4在发布时就不是多模态模型—它是纯文本，视觉理解能力不在其中。

识图模式是另外一件事，5天后单独上线。

二：底层模型是否公开

识图模式用的是哪个模型？暂时没有消息公布。

从时间线和公开的论文推断，识图模式最可能的基础是DeepSeek-VL2—2024年12月发布的视觉语言模型，专门做图像理解，和V4是完全不同的产品线。

如果这个推断是对的，用户现在在识图模式里用的，是一个升级版的模型。

这没有问题，VL2是专门的视觉模型，做这件事没什么不合适。

三：是否是原生多模态

多模态基本上是现在大模型的标配。

单纯的实现它并不再是复杂的问题，而大家在等的是native multimodal：从预训练阶段就整合了视觉信息的架构，类似Gemini 3.1那种，视觉和语言能力在模型底层就是融合的。

原生多模态才比较有噱头。

DeepSeek V4大概率不是。

现有的资料说明V4是纯文本模型，识图是5天后上线的单独模块，底层模型还可能是VL2而不是V4。这更接近GPT-4V的方式，视觉是附加能力，不是原生能力。

接下来看什么

识图模式的上线意味着基础设施已经稳定，V4能跑起来，周边功能可以开始积累。

真正的变量是两个：native multimodal什么时候来（V4技术报告把它列为"未来方向"，可能是下一代模型的目标），以及昇腾芯片上的推理优化能到什么水平（决定DeepSeek能以什么成本扩展服务规模）。

我的判断：识图现在值得尝试（如果被灰度到的话），文档/OCR场景是真实的强项。