- Mozi2026-09-11
这次更新带来的提升简直就是魔法！不过，视觉方面的差距还不是一般的大
这次 Deepseek 终于发布统一多模态模型了。上一次的 V4 Vision 还是拼接多模态
粗略测试一下这个多模态视觉是什么水平？让佬友在使用DeepSeek视觉的时候有一个底
SVG复刻肯定还是不如Gemini的
用来理解现实世界问题也挺大
错误
手指的问题能稳定做对了
正确
正确
这道题比较难，做不对于符合预期
逻辑表达式提取完全错误
这道题答对了，这非常意外。而且重复测试也是对的
这个验证码题目少选了一个
这些题目错了，那更难的题就不用测了
价格还是挺贵的，像这样纯聊天的方式都可以花掉1块钱，好在Open Code现在挺便宜
感觉是和 Gemini 2.5 Pro。差不多的水平，略微强一点点
题目来源https://linux.do/t/topic/286836
接下来测试computer use，测试题库ScreenSpot-Pro里面的 Windows 端 Blender前15题，这个难度对于这个模型还是太高了，估计顶多做一点安卓端的视觉定位还得是最简单的
15道题就对了2道题，Gemini只错两道题时间还短得多.不过比起V4 vision一道对不了，还是好一些
主楼 - Sam_Altman2026-09-11
听我说谢谢你，因为有你，温暖了四季
- lemos2026-09-11
这视觉能力，写代码够用不？
- Mozi2026-09-11
写代码可以用，只要不做复杂操作就行。像Codex那种直接控制你的电脑鼠标键盘完成所有操作，这个模型是绝对不行的
- yi_guy2026-09-11
- 𝓱𝓾𝓭𝓻𝓸𝓲𝓭2026-09-11
要是有豆包的视觉就好了 ^-^
- あ2026-09-11
其实我觉得它的视觉能力已经够强了，感觉Opus5都没它强，关键是它能不能、会不会用其他工具去对图片进行处理，弥补它能力的缺失，像楼主那道识别时间的，接入个harness给它的时候它会自己去裁剪、放大图片去处理，最终还是可以正确答对
- Mozi2026-09-11
比OPUS5强那是绝对不可能
时间那道题已经是对于当前模型来说非常简单的题了，还要调用很多次工具浪费一大堆Token才能做对肯定是很牵强的
视觉强的模型，我都是考下面的这些题
37460.94 3
读出秒表的秒数
526.3s 或 526.4s
还有Computer Use，这是目前所有注重视觉的模型都在重点训练的，而这个模型肯定是一点都没训练
- 点点点…点娘！2026-09-11
- chris2026-09-11
- 西小罗2026-09-11
（帖子已被作者删除）
- monoe2026-09-11
佬友对国模目前视觉能力有没有大致的排行榜，大概有gemini几成水平
- あ2026-09-11
- Mozi2026-09-11
- hujiansir2026-09-11
相比glm-5.3-flash，哪个视觉更好啊
- Mozi2026-09-11
- 白学森2026-09-11
- あ2026-09-11
所以我说的就是纯视觉能力，纯视觉上v4.1还是可以比它强的，不否认只要用起工具它完全可以做到，但是纯用视觉就不行
- Mozi2026-09-11
