2. Linux.do
  3. deepseek 视觉能力好拉呀

deepseek 视觉能力好拉呀

Jack min 2026-09-14 22:28 1

如图

今天用 deepseek 解释数学题把我气坏了，原来是根本就没识别对图像。

gpt 对比 deepseek 对手写矩阵笔记识别测试

补充 kimi 测试结果






识别出了点问题，但还算成功


补充千问 qwen 测试



第一个成功了，第二个矩阵识别失败


原图 模型思考时间要很久，欢迎大家测试

最新回复 (13)
  • 佬友记 09-14 22:32
    1楼

    gpt还是权威，deepseek就是瞎编，没想到kimi也这么强，小看了

  • 咪叭 09-14 22:33
    2楼

    deepseek主打一个优惠降本，视觉模型的参数量没有那么高，


    另外可以试着排查一下，图片的分辨率参数是否正确（虽然默认是高清原图


    而且deepseek刚做视觉没多久，估计还不够好

  • RzMY 09-14 22:33
    3楼

    这种问题可以请Gemini，Gemini擅长多模态，而且数学能力还不错，免费且量大管饱

  • zhy 09-14 22:33
    4楼

    我记得以前deepseek我输入一张图片以后，居然会识别不了其中存在文字，当时都震惊我了，感觉现在已经好一些了

  • 佬友记 09-14 22:34
    5楼

    很早之前的版本用的是ocr，现在是多模态

  • Jack min 楼主 09-14 22:37
    6楼

    谢谢，刚拿 gemini 识别成功，速度不错

  • あ 09-14 22:42
    7楼

    这图你给AI看确实很难看出来，但是你给它配个harness，它可能就会给你对图片进行处理然后识别出正常内容后再去思考，可能效果会好些。而如果想要直接识别出来，确实就得拿视觉能力强一些的模型，比如Gemini

  • ychell 09-14 22:50
    8楼

    你拿gpt的视觉能力要求ds那确实为难ds了，gpt的视觉能力一直都是最顶那档的

  • unsafetrait 09-14 22:51
    9楼

    其实视觉上最好的是GEMINI，国产最好应该是KIMI或QWEN，然后才是GLM，最后是DeepSeek，没错它的视觉是很差，简单说就是个大号的OCR甚至不如OCR，基本上还是要靠日志的，有点半残的残疾带眼睛的GLM 5.3的意思，但是GPT其实视觉上不如GEMINI或CLAUDE模型，GPT也是出名的视觉小垃圾

  • SwiftUI 09-14 22:52
    10楼

    如图，拍了一个答辩画质但是真人肯定能认出来是啥的图
    [image]
    以Gemini 3.8flash跑五次的答案为基准
    得分分别如下(一共5题 测试五次)
    [image]
    [image]
    其中名字后面的是渠道（带O的是Opencode G是bigmodel D是deepseek官方 N是我自己反代的各种套餐比如antigravity和opencode还有commandcode）
    …


    可以试试Qwen3.8flash 这个我测试印刷文本识别仅次于Gemini 不知道对于这种手写的准确度咋样

  • 乌雅·兆惠 09-14 22:53
    11楼

    有时识别不出文字，清晰的电脑字体

  • ychell 09-14 22:55
    12楼

    gemini就不说了，确实视觉很强，所以我说gpt是最顶级那档的，Claude我记得4.5时期视觉很拉的，现在赶上来了嘛

  • unsafetrait 09-15 07:06
    13楼

    还是不太行，我们做过大量测试，GPT的视觉比DEEPSEEK肯定好，但是和GLM差不多的级别，属于半斤八两，看不懂游戏截图、错误位置、看不懂游戏特效，就最新的GPT6也一样的，这块似乎他们就没怎么去改过


    KIMI K3可以看懂，QWEN可以看懂，最强还是GEMINI，看懂了，还帮你分析 ^-^

* 帖子来源Linux.do
附近帖子
返回
飞读
随机推荐