DeepSeek的「鲸鱼」，终于睁开了眼睛。
今日，DeepSeek负责多模态开发的研究员陈小康在X平台发布了一条动态：Now, we see you。配图里，DeepSeek标志性的鲸鱼logo摘下了眼罩。
几乎在同一时间，用户发现DeepSeek网页版悄然上线了「识图模式」。在该模式下，用户可以上传图片，由模型进行内容理解与分析。不过，这一功能目前尚未全量推送，仅有部分用户获得了入口权限，雷科技（ID：leitech）已第一时间获得灰度测试资格，具体内容可以关注稍后的雷科技相关内容。
说实话，DeepSeek之前的爆火，靠的就是文本推理上的性价比奇迹。V3和R1用极低的训练成本，干出了接近甚至超越闭源巨头的逻辑推理能力，直接把行业价格打下来，但短板也很明显：它一直只能读文，不能看图。
这在日常用起来特别别扭，别人传张Excel截图让Claude直接分析数据，或者给Gemini一张草图让它生成代码，这些操作以往在DeepSeek上都玩不了。它可以写代码、解数学题、写大纲，但遇到一张图片，它只能说一声抱歉。
但，要做平台级AI，视觉理解始终是绕不开的，DeepSeek也不例外。
现实世界里大量信息根本不以文字形式存在，发票、报表、路牌、商品包装、设计稿、朋友圈截图等等，如果AI连这些都读不了，它的实用性就被砍了一大半。
如今识图模式的到来，意味着DeepSeek的产品能力正式从纯文本对话延伸至图文交互领域，补齐了其与GPT、Gemini等主流多模态大模型之间的关键差距。
但不可否认的是，DeepSeek现在推出识图模式，压力不小。
GPT的视觉理解已经相当成熟，而Gemini本来就是多模态原生架构，Claude对图表和文档的解析也越来越强。用户胃口早就被养刁了，DeepSeek想在这个领域再当一次黑马，光能看图不够，还得有点绝活。
比如结合它擅长的推理能力，看着一张数据图表推导出商业趋势，或者对着一张电路图给出维修建议，那才是真正的差异化。
大胆猜测，在视觉理解能力开放之后，DeepSeek后续可能还会逐步开放图像生成、视频理解等更高阶的能力。如果能把专家模式的深度思考与识图模式的视觉理解的结合，那DeepSeek未来在复杂图文推理场景中的表现值得期待。
鲸鱼摘了眼罩只是第一步，但它「看见」了之后，能不能给出让人眼前一亮的回答？能不能做出差异化？做出一些颠覆行业的事情，哪怕只是一点点，这才是我们熟悉的DeepSeek。
