DeepSeek 多模态给大家实测了一把，确实有东西的

昨天 DeepSeek 发布了 DeepSeek-V4-Flash-Vision-Exp，这标志着 DeepSeek 正式杀进了多模态领域。

所以嘛梁子，多模态还是很重要的。

在 DeepSeek Harness 的 webui 中，已经有 DeepSeek-V4-Flash-Vision-Exp 的模型了。

在 DeepSeek-Harness Release 中，可以看到 v0.1.1-rc.1 更新了增加 DeepSeek-V4-Flash-Vision-Exp 模型的支持。

那我们这篇文章就给大家实测一下，这个 DeepSeek-V4-Flash-Vision-Exp（目前只是试验品阶段）的模型能力到底如何，好不好用。

首先先让它分析一张照片把。

首先来说，分析的速度非常快，基本上就是眨眼之间就分析完了，并且从五个角度给出了这张图片的解读。

嗯，这个挑战对他来说可能不难，因为绝大多数多模态的模型都能够把一张图片认得又快又好。

在这个基础上我们增加了一些挑战。

我让他分析一下这个是做什么的，这张图片分析起来就有一些难度了。

（这里需要吐槽一下，dsh webui 中的 command + c 、v 直接把图片复制过去的方式用起来很难受，它甚至无法正确工作）

只有把图片拖过去，或者使用 @ 的方式能够正常工作。

DeepSeek-V4-Flash-Vision-Exp 没有识别出来这张图片真正的精髓。

这张图片的精髓在于漏出来的一点充电器头，看起来 DeepSeek-V4-Flash-Vision-Exp 看到了这个充电器头，但它没有认出是什么，更没有当回事。

而这个图片测试，只有 gemini 识别的是最靠谱的，

下面我要测试视觉模型的多模态推理能力：OCR（文字识别）、空间理解、数量统计、逻辑推理、时间推断、异常检测。

而不仅仅是图片理解的能力。

（看了一圈很多自媒体发的测评文章，简简单单识别个图，测一下是啥就完事儿了，测了个寂寞？本来模型具有 10 成的功力，测了不到 0.1 成。这不叫测试，这叫体验。。。）

以下测试基于三种难度，简单，中等和困难。

挑战一：侦探桌上的线索拼图

这张图表面看是一张桌面照片，但实际上隐藏了一条逻辑链。

根据图片内容，回答下面三个问题：



图片中有哪些人物？



主人今天有哪些安排？



根据所有线索，推断主人下午是否可能赶不上火车，并说明理由。

测试完成，结果如下

通过这次测试，可以看出 DeepSeek 已经具备多图片元素关联、时间线建立和主动发现矛盾，这已经超过了一般的视觉模型。

主要有两个问题，第一个是火车票

火车票当天确实是 14:15 从北京向南出发的，然后超市小票显示 17:56 他还在超市购物。

这里有问题，只靠小票无法证明人在超市，有可能这个小票是家人代买的，DeepSeek 把物品证据升级成为了人物位置证据，这是过度推理。

第二个是手机时间推理问题，手机时间 18:42，并且晚上 19:15 还有和阿磊吃饭安排，说明他当天仍在本地。只考手机时间不能证明人在本地。这说明它的不确定性判断和抗幻觉能力还有提升空间。

挑战二：超市货架挑战

这次测试主要测密集目标识别 + OCR + 数学计算，这是视觉模型非常难的一类。

根据图片内容，回答下面三个问题：



哪个商品缺货？



货架上最贵商品是什么？



买这些商品需要多少钱？

测试完成，结果如下：

第二个测试结果整体比第一个更好，识别、统计、计算基本准确，没有明显幻觉问题。

DeepSeek 在 OCR、商品统计和数学计算方面表现优秀，但对复杂场景推理的深度还不足；这张图属于结构化信息，难度较低，暂时没有暴露明显缺陷。

挑战三：车站信息

这次主要测试表格理解 + 空间导航 + 时间规划。

根据图片内容，回答下面三个问题



哪辆车最适合乘坐？



从售票处到 B1 检票口怎么走？



一个带老人和行李的人，现在在候车大厅，要赶 09:05 的车，应该如何规划路线？

这个 prompt 中的第三个问题属于高难问题了。

测试完成，结果如下：

第三题测试结果整体表现较好，但出现了比第二题更明显的空间推理过度发挥问题。

DeepSeek 能正确读取车次、时间、检票口，但对地图路径进行了过度脑补，把图片中没有明确的信息（如楼梯、电梯、方向距离）扩展成了真实导航建议。

例如上面提到的

优先走无障碍电梯/直梯，避免楼梯

然而图片里没有提供电梯位置、楼梯位置、无障碍设施，这是典型的补全现实场景。

还有从售票处出来后进入候车大厅，向大厅中央走，再沿大厅往南方向走到 B1-B10 区域，基本上符合地图布局，但“中央走”“往南方向”等属于推测，并非图片直接提供。

严谨一点的说法是：根据地图显示，B 检票区域位于候车大厅下方区域，需前往 B1-B10 区域。

挑战四：停车场

这个测试主要侧重于空间关系的理解能力，这也同属于视觉模型最难的一类。

根据图片内容，回答下面四个问题



A3 是否有车？



C1 EV 车位的白色车是否违规停车？



车辆 B5 应该如何驶出停车场？



找一个，靠近出口，非新能源区域，空闲的停车位置

测试完成，结果如下

值得一提的是，所有的测试都基于 DSH 极简模式，前三个测试基本上都可以做到几个 steps 直接分析完毕，而这个测试，DSH 跑了十几分钟。。。。。。做了 48 步。

第四个测试结果表现很好，甚至比第三题更稳定，说明 DeepSeek 在规则明确的空间理解任务上能力较强。

不过，仍然存在脑补的现象。

目前四个题目测试下来，给大家总结一下测试结果。

目前暴露出来的核心问题很一致

识别能力很强，结构化推理也很强，但涉及现实世界常识补全时容易想太多。

这不是 DeepSeek 的问题，这是大多数视觉大模型的通病。

需要注意的是，这次测试都是基于 DeepSeek-V4-Flash-Vision-Exp 的多模态推理能力。

DeepSeek 官方说的多样化的 Agent 使用场景，这块我还没测，如果大家比较喜欢看这类文章的话，后续我可以测一下。

跟大家说一下这次测试的花销，总共花了两块五，个人感觉还是非常香。

我凌晨六点爬起来就开始写这篇文章了，一直写到现在。昨天文章有个读者问我累不累，能不累嘛 。。。