DeepSeek V4的多模态能力正迎来关键突破。此前关于V4的验证中，“原生多模态”尚处未兑现状态，而随着多模态负责人陈小康发布名为“Now, we see you”的公告，V4视觉模式正式开启灰度测试。这一更新意味着DeepSeek V4从纯文本模型向多模态理解模型的实质性跨越。
视觉模式的技术能力解析
灰度测试中的DeepSeek V4视觉模式，核心能力在于对图像内容的深度理解与结构化输出。与早期版本仅支持OCR（光学字符识别）不同，新版本能够识别图像中的物体、场景、人物关系，并基于这些信息进行逻辑推理和问答。
据公开的技术演示，V4视觉模式在以下场景中表现突出：
- 复杂图表解读 ：能够解析包含多维度数据的柱状图、折线图，并总结趋势。
- 文档理解 ：对包含文字、表格、图标的混合文档进行结构化提取。
- 场景描述 ：准确描述照片中的物体、动作和环境，并回答关于图像内容的提问。
- 代码截图识别 ：从UI设计图、代码截图中提取逻辑并生成对应代码。
从OCR到多模态理解的演进路径
DeepSeek V4的视觉能力演进，遵循了行业通用的技术路径。最初的DeepSeek-VL2模型主要依赖预训练的视觉编码器与语言模型拼接，在跨模态对齐上存在局限。V4视觉模式则采用了更紧密的融合架构，将视觉特征直接嵌入Transformer的注意力机制中，减少了信息损失。
这一架构变化带来的直接效果是：模型不再需要先将图像“翻译”成文字描述再进行处理，而是能够直接理解图像中的空间关系、颜色对比、形状轮廓等非结构化信息。这使得V4在应对“图中文字被部分遮挡”或“物体处于复杂背景中”等场景时，表现优于纯OCR方案。
灰度测试的实际表现与局限
在灰度测试阶段，V4视觉模式表现出较高的识别准确率，特别是在英文文档和标准化图表上。但在中文手写体、街拍照片中的小字、以及低分辨率图像上，仍存在识别错误或信息遗漏的情况。
此外，测试用户反馈显示，V4视觉模式对图像中物体数量的统计不够精确，例如在密集人群照片中，对人数的估算存在偏差。在推理能力方面，模型能够完成简单的逻辑判断，但面对需要多步推理的视觉问答任务时，回答的连贯性和准确性仍有提升空间。
从实用价值来看，V4视觉模式对以下用户群体有直接帮助：需要从大量图表、报告中提取信息的分析师；需要从UI设计稿生成代码的开发者；以及需要辅助理解复杂文档内容的普通用户。但该功能目前尚未对全部用户开放，且使用场景受限于灰度测试的配额。
