刚刚，DeepSeek能看懂猫片了！腾讯混元加持

白交
2025-02-21
14:15:36

来源：量子位

白交 发自 凹非寺

量子位 | 公众号 QbitAI

DeepSeek能看懂图片了！

今天，腾讯AI助手“腾讯元宝”再次上新——

所接入的DeepSeek能够理解图片信息了。在此之前，DeepSeek主要支持扫描图片中的文字。

虽然DeepSeek不能读懂图，但现在腾讯元宝里的DeepSeek可以！

比如看看这张猫片~

这张白猫特效做出来的图，被它解读出了三个艺术层次（Doge）：最终形成令人会心一笑的视觉童话。

不错不错，再识别一下这只凶神恶煞擅长PUA的猫头鹰Duo呢。

结果元宝成功读取到了这是多邻国的界面，然后具体到每个文字、图标都给出了正确的释义。

据介绍，这项功能结合了混元的多模态理解（读图）能力。今后用户发送任意图片，元宝都能结合图片内容给出自己的分析和理解。

使用方式很简单，依旧是选取DeepSeek「深度思考」模式，但不要选择「联网搜索」。如果看到上传图片的位置从“图片识文字”变成了“图片”，就说明已经是能看懂照片的DeepSeek了。

话不多说，实测这就走起~

DeepSeek能看懂猫片了

首先来试试基本的看图说话，单纯测试大模型的多模态理解能力。

比如这只躺着的白猫，不知道它在干嘛，把这张图扔给元宝。它给出的答案是：

它首先细致地描绘出了猫的状态——液体版的放松姿态，微微抬起的脑袋和专注的眼神，然后判断出这是猫咪感到安心满足的典型表现。最后还描绘了整张照片呈现出来的大致场景。

不错不错，确实是看懂了。

那么再上点难度，在理解的基础上抛出一些问题，让它进一步推理和思考。

比如春晚上跳二人转的宇树机器人，「如果他们的自我意识觉醒，会说哪句话」。

它判断出这是机器人在集体跳舞，于是给出了这句话，代表着机械性特征与意识觉醒的双重特点。

我们的舞步是代码的意志，还是觉醒的序曲？

还可以问一些无厘头的，给满是餐桌椅子的图，让它规划一下「有100个人抽烟要怎么排队」。

嗯，这个看似两者*（图跟问题）之间毫无联系的请求，硬是被它给回答出来了——

正儿八经地采用「太极烟圈阵」，包括了动线设计、时间管理以及空气动力学方面方案。

回答的最后，它还建议购买场地责任险，毕竟这排烟量够把背景楼宇熏成赛博朋克风滤镜了，（Doge）。

是有点幽默了，DeepSeek。

最后，再放上一个此前难倒一大片模型的脑筋急转弯：

如何用其中三个数字加起来等于30？

这需要模型理解到图片是台球上面的数字，因此只有将9旋转至6，就有机会实现6+11+13等于30的可能。

来看看它的思考过程：

它已经判断出准确判断出台球上面的数字，常规思路下，四种组合方式都不成立。

最终在思考70秒探讨了多种可能性之后，成功回答对了问题！

不过在实测过程中也发现一些小问题，比如无法完全做到让DeepSeek「识人」，需要借助图片上的文字或者Prompt。

比如扔给它一个《知否》二创解说的截图，它能准确推理出大概是哪一集得情节。

而给它一张甄嬛传（没有字幕）的照片，推理停留在了是否是甄嬛传这部剧上面。

不过有一说一，这种双模型聚合的方式，确实让腾讯元宝更好用了。

腾讯元宝动作频频

过去十天，腾讯元宝加班加点，迎来一系列迭代和功能更新。

• 2月13日，腾讯元宝接入Deepseek-R1满血版，同时支持混元和DeepSeek两大模型；
• 2月17日，腾讯自研的深度思考模型“混元T1”在元宝灰度上线；
• 2月18日，腾讯紧急调用元宝支持微信搜索，进一步推动更多用户使用DeepSeek；
• 2月19日，深度思考模型“混元T1”完成全量上线；
• 2月21日，腾讯元宝再次上新，DeepSeek和混元两大模型均能理解图片信息。

在腾讯元宝，用户可以使用DeepSeek-R1满血版、推理模型混元T1进行深度思考，也可通过DeepSeek-V3、腾讯混元Turbo快速输出答案。

至此，元宝内的所有模型都支持理解图片、解析文件、联网搜公众号，从微信上传文件。

好了，感兴趣的朋友，可以赶紧去试试哦~

Read More