多模态小测：DeepSeek 视图模式翻车，豆包竟成黑马？

风云雨 2026-06-18 19:35 1

今天 DeepSeek 突然内测「视图模式」，我好奇之下顺手测了把多模态识图能力，顺便拉上几位国产选手和 Gemini 来场简单测试。结果…… 小鲸鱼连梁叔叔（梁文锋）都没认出来，反倒是豆包让我刮目相看。

测试场景

任务：识别图片中的人物（梁文锋）从 Google 上随便找的一个图片。

参赛模型：
- DeepSeek V4.1 Flash （疑似）
- 豆包（Instant）
- Kimi 2.6
- MiniMax M3
- Gemini 3.1 Pro

结果速览

模型	识别结果	评价
DeepSeek V4.1 Flash	^-^ 未认出	200 多 B 的参数量加上 Thinking，连 “梁叔叔” 都没认出来
豆包	^-^ 正确	出乎意料地准，字节 To C 果然有两把刷子
Kimi	^-^ 不错	表现可圈可点
MiniMax	^-^ 翻车	一如既往的…… 糟糕
Gemini 3.1 Pro	^-^ 答错	意外翻车，没想到 Gemini 连多模态也没赢

原始截图

豆包测试结果

DeepSeek 视图模式测试结果

Kimi 测试结果

MiniMax 测试结果

Gemini 3.1 Pro 测试结果

简单点评

DeepSeek：虽然大众期待度高，但视图模式刚内测，识别能力还有待打磨，至少这次 “人脸识别” 没及格。

豆包：本次最大惊喜，字节在端侧和多模态上的积累确实扎实。

Kimi：稳扎稳打，保持中上水平。

MiniMax：需要加油，几乎每次测试都垫底。

Gemini：本以为会轻松获胜，结果翻车，真的是 ** 美国豆包 **。

小结

一次不严谨但有趣的 “认人” 小测试。在细粒度视觉识别上，各家的差距比想象中更大。

如果你也在用视图模式，不妨自己测测看 —— 说不定你的 “梁叔叔” 能认出来呢？^-^

（注：本文仅为个人体验，不代表模型最终能力，测试版本和 prompt 可能影响结果。）

最新回复 (19)

兰兰 06-18 19:43

1楼

据说这个多模态的模型是lite小模型（？）所以未必有200+b？

以及豆包和kimi应该是有联网？具体看看思维链吧。

我倒觉得多模态能不能看出来人是谁都无所谓，主要看有了多模态以后的UI能力有没有提升

以及kimi和豆包的数据量恐怕没那么小哦
风云雨楼主 06-18 19:43

2楼

豆包敢卖会员，还是在To C 有积累和自信的。

豆包手机端确实符合使用自觉。
Doori Kiss 06-18 19:44

3楼

豆包的多模态一直是强项啊。我记得它们还有实时屏幕阅读服务
Snowl 06-18 19:44

4楼

豆包的多模态好应该没有意外

seedance视频生成模型就很惊艳
风云雨楼主 06-18 19:44

5楼

kimi没有联网，我把联网关闭了。

豆包是Instant 模式，没有思考过程。

deepseek flash v4 的基模是200多B，基膜应该没有改变吧
兰兰 06-18 19:45

6楼

具体不清楚，记得当时刚灰度的时候，多模态好像是个小模型，输出比flash还快一倍（））
风云雨楼主 06-18 19:46

7楼

kimi纯靠自己知识库的
雪梨纽西兰希思露甘奶迪 06-18 19:48

8楼

Gemini真是美国唐包了，怎么会变成这样！
风云雨楼主 06-18 19:48

9楼

比Flash还小，deepseek 练个这么小的多模态模型应该没有用吧
Yunfei Chen 06-18 19:49

10楼

哈哈哈..
兰兰 06-18 19:49

11楼

或许有，应该是选择了新的技术，搞个小模型和同体量比较一下，看看能不能走这条路

但目前看来是数据库太小了
SC 06-18 19:50

12楼

vision banana 已经证明了生图模型是通用视觉模型… 字节生图积累还是很深
项太傅 06-18 19:51

13楼

豆包的识图一直都很强，后面降智了，现在是阉割的。
风云雨楼主 06-18 19:52

14楼

nano banana 也不行，真成美国豆包了
无敌暴龙战士 06-18 19:52

15楼

豆包识别图片我个人感觉是最强的那个梯队了。比gemini和gpt都强一点
Cartoon 06-18 19:53

16楼

用bot接的Mimo-v2.5试了下，好像也识别不出来
tomfly 06-18 19:55

17楼

到底是他们之间谁蒸馏了谁，gemini的答案简直了。
hohoho 06-18 19:55

18楼

网页版的
HLAIA光子 06-18 19:57

19楼

佬

严格来讲你比的不是多模态，而是知识库 ^-^

测试多模态，我建议佬可以从形状、空间、物品区分、样式描述这些方面切入