5 月 9 日，DeepSeek 的“识图模式”迎来明显提速。继 4 月底小范围灰度测试后，DeepSeek 已经向更多测试账号开放图片理解入口。

在对话界面中，“识图模式”与“快速模式”“专家模式”并列出现，虽然页面仍提示“图片理解功能内测中”，但这已经足以说明：DeepSeek 正在把多模态能力放到更核心的产品位置。

过去一段时间，DeepSeek 给外界最深的印象是文本推理、代码能力、成本效率和开源生态；但在 ChatGPT、Gemini、Claude 等产品持续把语音、图片、视频、屏幕理解融入日常工作流后，单纯的文本能力已经不再足够。

用户真正需要的是一个能读文档、看截图、识图表、理解页面结构，甚至能把图片里的信息转化为下一步行动的 AI 助手。

从目前公开测试反馈看，DeepSeek 识图模式并不只是把图片里的文字提取出来。

它更接近图像理解：可以识别图片中的物体、结构、人物关系、图表信息和上下文语义，并根据用户提问给出解释。

比如，一张网页截图不只是被识别为“有文字的图片”，模型需要理解页面层级、按钮位置、提示信息和用户真正想解决的问题；一张图表也不只是读取数字，而是要看出趋势、异常点和业务含义。

这也是多模态大模型真正有价值的地方。OCR 解决的是“读字”，多模态理解解决的是“看懂”。前者像扫描仪，后者才更像助手。

原因很直接：AI 产品竞争已经从“谁会聊天”进入“谁能处理真实世界输入”。

文本是最低门槛，图片、音频、视频、文件、屏幕和工具调用才是下一阶段的核心入口。谁能把这些输入统一到一个稳定、低成本、响应快的系统里，谁就更接近真正的 AI 助手。

DeepSeek 过去的优势在于性价比和推理能力。如果识图模式能延续其高效率路线，就可能在企业办公、教育解题、工业巡检、图表分析、电商内容审核、客服质检等场景中打开更大空间。

DeepSeek 识图模式大范围内测，会直接加剧国内大模型在多模态方向的竞争。此前，通义千问、Kimi、豆包、智谱、文心等产品都在不断强化文件理解、图片理解和智能体能力。

DeepSeek 此次补上视觉入口后，竞争焦点将不再只是“谁的文本回答更好”，而是“谁能把多模态能力做得更便宜、更快、更稳、更适合中文场景”。