DeepSeek史诗级更新！原生多模态“识图模式”上线，284B大模型实测有多强？

2026年6月18日，国内大模型领域迎来了一次备受瞩目的重大更新——DeepSeek“识图模式”正式在网页端和App端同步上线。

长期以来，DeepSeek凭借极高的性价比和强大的纯文本推理能力横扫科技圈。而这一次更新，标志着它终于在主线产品中，首次向用户开放了原生的图像理解能力。以往“死磕”纯文本的DeepSeek，多模态时代真的要来了。

伴随着识图模式的上线，DeepSeek也大方公布了其背后的多模态技术框架——“Thinking with Visual Primitives（以视觉原语思考）”。据官方透露，该技术基于一个拥有284B（2840亿）参数的超大视觉多模态推理模型。这背后的实际体验究竟如何？我们第一时间进行了深度实测。

一、DeepSeek识图模式核心能力：它能帮你干什么？

与其说它是一个人脸或像素识别工具，不如将DeepSeek的“识图模式”理解为一个高智商的“图像理解与结构化分析引擎”。它的核心强项在于处理图像中的文字、图表和深层逻辑，具体覆盖以下四大应用场景：

1、深度阅读与文本提取（智能OCR）：能快速、精准地提取图片、PDF、Word、Excel、PPT等文件中的所有文字信息。无论是将一张表格照片直接还原成Excel格式，还是对一份英文公告截图进行即时翻译，它都能轻松搞定。

2、复杂图表与公式解析：能够直接“看懂”并分析复杂的财务表格、高数公式、工业工程图纸等，并结合用户的提问进行多步逻辑推理。

3、场景与常见物体识别：虽然为了隐私安全没有搭载人脸识别模块（无法认出照片里的具体人物），但它对常见物品、知名建筑的识别极其精准。例如，上传一张上海外滩的照片，它能逐一准确点出东方明珠等地标建筑。

4、深层语义与“梗图”理解：它的图像语义理解能力非常人性化，甚至能看懂网络暴火的“表情包”和“梗图”背后的笑点在哪里。

二、真实评测体验：速度与准确度表现如何？

为了测试这个284B参数多模态模型的真实含金量，我们进行了一轮实拍图测验。

实测案例：我们上传了一张包含复杂街景和地标的实拍照片。DeepSeek在短短21秒内，不仅准确点出了画面中的四个主要地标建筑，甚至还结合画面细节，准确推测出其中一座白色桥梁为“金水桥”。

在日常办公和学习场景中，针对新闻截图、复杂表格、论文单页、高难度数学公式，DeepSeek表现出的理解速度和准确度，已经完全达到了高频生产力工具的实用标准。

三、手把手教学：如何正确开启DeepSeek识图功能？

不少用户反馈上传图片后只有简单的文字识别，这大概率是因为你没有开启“视觉开关”。请按照以下步骤正确操作：

1.找到入口并激活“眼睛”图标

网页端：登录DeepSeek官网（www.deepseek.com），在对话输入框左侧可以清晰地看到一个“相机”图标，点击即可上传本地图片或文档。

App端：进入对话界面，点击底部输入栏右侧的“+”号，选择“上传文件”或“图片”。

关键一步：上传图片后，务必勾选或开启输入框下方的“识图”开关（眼睛图标）。如果不点亮它，系统只会默认调用基础的OCR文字识别，无法启动背后的284B多模态视觉推理能力。

2.支持的格式与限制条件

为了确保上传成功，请注意以下参数限制：

1、格式支持：完美支持JPG、PNG等主流图片格式，以及包含图片的PDF、Word、Excel、PPT等复合文档。（注意：部分用户反馈WebP、GIF等动图格式暂不支持，建议转换后上传）。

2、文件大小：单张图片或文档最大不超过100MB。

3、上传数量：极为厚道，单次对话最多支持同时上传50张图片。

四、进阶调教小技巧：让AI读图更精准

想让DeepSeek的图表分析更符合预期，建议在输入Prompt（提示词）时加入以下技巧：

技巧一：采用“分步提问法（CoT）”

面对信息量炸裂的工程图或财务报表，不要丢一句话就让它总结。可以引导它分步思考，例如：“第一步，请帮我描述这张图表的整体结构；第二步，提取出高增长区段的数据A；第三步，结合行业背景分析其未来的发展趋势。”

技巧二：前置赋予“专业角色”

在提问前，先给DeepSeek设定一个垂直领域的专家身份，它的输出质量会大幅提升。例如：“你现在是一名资深注册会计师（CPA），请帮我评估这张公司三季度成本结构图的合理性，并指出潜在的财务风险。”

作为长期霸榜的国产大模型顶流，DeepSeek此次多模态能力的补齐，无疑让其生产力属性再次进化。

你测试过这个新功能了吗？欢迎在评论区分享你的使用体验。