登录
11 月 3 日，一条“DeepSeek 不能发图片”的吐槽又冒了出来。与此同时，另一拨人正用它读说明书、拆网页截图。两种说法都不假，只是他们说的“支持”不是同一层意思。
先把结论说清楚：DeepSeek 手机版能拍照、能从相册传图，走的是原生视觉理解，不是先把图片转成文字再回答。官方 9 月 10 日发布 V4.1 Flash 时写得很明确，这个模型“具备原生多模态视觉理解能力”。DeepSeek
10 月 17 日的更新日志又补了一句：官方网页端与 App 模型已同步更新到 V4.1-Flash-1017。API 文档里，deepseek-flash 也支持直接传图，能描述画面、识别截图文字、分析图表。DeepSeek 更新日志DeepSeek API 文档
但“能发图”和“会看图”之间，还隔着几道门。
第一道门是入口。识图功能不是一开始就有：4 月底开始灰度、6 月 18 日全量，早期叫“识图模式”，和快速、专家并列；9 月 10 日 App 更新后，三个模式合并成一个入口，图片走路由识别。版本没更新、账号没灰度到、设备兼容有问题，都会让人看不到入口。8 月 21 日识图模式加入联网搜索时，用户端要把 App 更新到 2.4.0 才能用；到 11 月 2 日，App Store 上的版本已经是 2.7.2。小红书
第二道门是配额。10 月下旬到 11 月初，不少用户反馈图片发不出去。有人聊了两周，文字还能发，图片突然不行；换新窗口有点用，但只维持了一天。图片在模型里要折算成 token，官方 API 文档给的数字是每张图最多约 1024 个 token；长对话加上多图，很容易顶到上下文或请求限制。这更像是窗口装满了，不是模型突然瞎了。11 月 3 日下午 DeepSeek 还出现过一次网页/API 部分中断，也会让发图失败。小红书第一财经
第三道门才是能力本身。它确实不是 OCR：给它一张上海地铁局部图，它能靠颜色、站名和换乘结构判断线路；给它一张网页截图，它能拆出页面结构，甚至生成界面原型。但它也不是“什么都认得”。机器之心 6 月的实测里，它认出了黄仁勋，却把豆汁看成牛奶；7 个潦草汉字错了 4 个。另一组测试里，它提取表格很准，但让它解释图片内容，会出现幻觉。哔哩哔哩知乎
这解释了一个常见的误会：很多人拿“这是谁”“这题选什么”去考它，答错就说“识图不行”。其实它失败的地方分两种：一种是“看不见”——字太小、图太糊、笔画太潦草；另一种是“看得见，但认不得”——特征抓到了，世界知识或推理没跟上。前者是视觉分辨率问题，后者是知识、幻觉和推理问题。把两种失败混成一句“不支持多模态”，就会得出相反的结论。
还有一层容易忽略：你在 App 里能用，不代表你在第三方客户端里也能用。DeepSeek Harness 默认把 V4.1 Flash 当纯文本模型，有用户要在配置里手动给 inputModalities 补上 image，图片才进得去。客户端不传图，模型再会看也没用。小红书
所以，想判断自己手里的 DeepSeek 是不是真多模态，不用看参数，做个 30 秒测试：更新到最新版，新开一个对话，拍一张带文字和物体位置的图，问“图中 A 在 B 的左边还是右边，根据文字说明它是什么”。如果它能答出关系，还会结合文字解释，那是视觉理解；如果只把文字抄出来，可能是 OCR 或旧入口；如果连图都发不出去，先换新对话、检查版本和设备，再考虑是不是服务故障。
一句话：DeepSeek 手机版的多模态是真的，但它是一双“看得见、会描述、偶尔认错人”的眼睛，不是能生图、理解视频、无所不知的全能感官。把它当“会看图的助手”，别当“视觉百科”。
