DeepSeek的「识图模式」内测曝光，多模态能力即将迎来关键突破。从流出的测试案例来看，这款AI不仅能精准识别画面中的主体对象、细节与空间关系，还展现出罕见的自我校验能力。若视觉模块如期上线，将彻底改变DeepSeek在Agent时代的竞争格局——这不仅是功能补全，更是获取AI基建入场券的战略动作。

刚刚，有群友丢出一张DeepSeek官网的截图，不是Image2生成，是真的截图。

信息不多，但很关键，DeepSeek正在内测「识图模式」。注意，这不是OCR文字识别，而是真正的视觉理解。

从目前流出的体验case来看，它不仅能“看见”，还能“理解”。

画面主体对象、位置关系、肤色与着装细节、光影结构，甚至整体氛围，都可以被DeepSeek拆解分析。更重要的是，它还带有一定的反思能力——不只是给答案，而是会对自己的判断进行校验。

case链接：https://chat.deepseek.com/share/ablc57vmv2ompm3vy6

再往前串一下时间线，就更有意思了。

昨天，DeepSeek多模态团队研究员@Xiaokang Chen 在 X 上发了一句：“Soon, we see you. 👀”。

但这条动态很快又被删除。

结合这两条线索来看，一个相对清晰的判断是：DeepSeek的多模态能力，很有可能会在五一前上线。

如果这个节奏成立，那意义其实不小。

因为在过去很长一段时间里，多模态一直DeepSeek最明显的一块短板。因为先天能力的缺失，它在很多场景上始终落后于一线模型。

此前，我们已对DeepSeek V4做过多篇横评，结论很直接：DeepSeek V4的1M上下文能力很强，但一旦进入视觉维度，就会出现明显断层。

如果这次视觉理解能够补齐短板，那DeepSeek的使用场景将会明显丰富。

更关键的是，这不是一个锦上添花的功能。

在Agent越来越普及的今天，“看懂世界”的能力，正在变成基础设施。没有视觉，多数真实场景都无法闭环。

所以，这一波，不只是补短板，更像是补齐入场券。

接下来就看两点了：

一是效果到底能达到什么水平；

二是开放策略，是小范围试水，还是直接全面开放。

如果两点都给到位，那今年的模型竞争，可能要再多一个变量了。