你多半是在某个群里看到有人说这个版本能看图，转头去试却发现入口找不到、传图没反应，或者本地拉下来的权重根本不带视觉。这篇不猜参数也不报数，只给一套判断顺序：先分清官方接口、网页端、本地权重三件事，再按模态逐项确认输入输出，最后用站内页面把版本和价格核一遍，得出你自己能用的结论。
你多半是在群里看到有人说这个版本能看图，转头去试却发现入口找不到、传图没反应，或者本地拉下来的权重根本不带视觉。这篇不猜参数也不报数，只给你一套判断顺序：先分清官方接口、网页端、本地权重是三件事，再按模态逐项确认输入输出，最后用站内页面把版本和价格核一遍，得出你自己能用的结论。
需要先说清一点：模型名字里带个「多模态」，并不代表你手上的那条通道就一定开了视觉入口。厂商发的是能力说明，你用的是某一条具体通道，两者经常不是一回事。所以下面所有判断都围绕「你要用的那条路」展开，而不是围绕宣传口径展开。
先分清「多模态」指的是哪一种能力
多模态这个词被用得太宽，实际落地时至少分四块：看图理解语义、识别图里的文字、处理语音、处理视频。一个版本支持其中一块，不等于四块都行；很多所谓「支持图片」其实只做到了把图喂进去，能不能准确描述、能不能读出小字完全是另一回事。
- 看图理解
- 能描述画面内容、判断物体关系，但未必能精确读字
- 图内文字识别
- 把截图、票据、表格里的字转成文本，对清晰度最敏感
- 语音
- 输入音频、输出文本或回复，通常和视觉是两条独立能力
- 视频
- 按帧或片段处理，成本和延迟都比单图高一个量级
- 先确认你要的是哪一块模态，别用「能不能看图」这种模糊说法去问客服或社区
- 再确认你用的那条通道有没有开放这个入口，官方 API、网页端、开源权重、第三方中转四条路各不相同
- 最后才谈效果好坏，而且要在同一个通道内比较，跨通道比没有意义
- 如果只是要读图里的字，专门的 OCR 工具或视觉模型常常更省事，不必绕到大模型上
不用等别人给结论，四步自己核一遍
与其在群里问「到底支不支持」，不如花十几分钟自己走一遍。下面四步的顺序是有意安排的：先看官方资料确认规格，再看模型库确认条目，然后实测输入输出，最后排除网络因素。顺序颠倒容易把网络慢、限额、格式不对误判成模型不会看图。
- 第一步 看官方规格到 /official-api/providers/deepseek 核对这个版本在官方价格与规格页上标注的输入类型，页面会写清哪些模态在售，这一步只确认「有没有」，不评价效果。
- 第二步 看模型库到 /models 和 /multimodal 找到对应条目，对照「支持输入」一栏，特别注意页面上有没有把视觉能力单独列成另一个型号——很多情况下名字相近但其实是两个条目。
- 第三步 上传三类图实测准备三张图：一张纯文字截图、一张带坐标轴的图表、一张有手写或倾斜角度的照片。依次上传，记录是直接拒绝、报错，还是答非所问，三种反应对应三种不同问题。
- 第四步 先测网络基线到 /tools/speed-test 先跑一次纯文本请求，拿到你本地到该服务的基线延迟，再传图对比。传图明显变慢是正常的，但如果纯文本都很慢，问题就不在视觉能力上。
| 实测反应 | 大概率原因 | 下一步看哪里 |
|---|---|---|
| 接口直接报参数错误 | 这条通道没开图片输入 | /official-api/providers/deepseek 核对输入类型 |
| 能上传但答非所问 | 图片被降采样或模型没吃视觉信息 | /multimodal 看条目是否含视觉 |
| 纯文字截图勉强能读，小字全错 | 分辨率或压缩导致的细节丢失 | 先按原图重试，再考虑换通道 |
| 图片请求超时或明显卡住 | 网络或并发限额，未必是能力问题 | /tools/speed-test 对比纯文本延迟 |
先确认通道有没有这个入口，再讨论它做得准不准，顺序反了就是白折腾。
本地部署和第三方通道：最容易踩的两个坑
线上服务好用，不代表你拉下来的权重也能这么用。本地部署最常见的失望就是：以为下的是完整版本，跑起来却只能聊天不能看图。原因通常是仓库里根本没有视觉编码器那部分权重，或者你挑的是蒸馏、量化过的变体。
- 拉权重前先看仓库的发布说明和文件清单，确认有没有视觉相关的权重文件，只看模型名很容易认错
- 量化对小字和密集表格的伤害远大于对普通对话的影响，先按原精度跑通一遍，再决定要不要压
- 第三方中转的模型名和真实后端经常对不上，用 /tools/verify 这类在线实测先验证它是不是真在跑你指定的模型
- 图片有尺寸和数量上限，超了可能被静默降采样，表现成「看不清」，其实是没按原图处理
还有一点容易被忽略：不同通道对同一张图的处理策略不一样，有的会自动压缩，有的会裁剪，有的直接拒绝超大图。判断「模型行不行」之前，先用同一张图在同一条通道里做前后对比，变量才控制得住。
什么情况下这个版本不该是你的第一选择
多模态不是万能钥匙，有几类场景用它会明显不划算，早点识别出来能省掉很多试错时间。判断标准很朴素：量、追责要求、模态种类，三样里占一样就该重新想想。
- 要批量跑几十万张票据或扫描件：先按 /price-watch 和官方价格页的口径算一笔总额，再和规则化 OCR 方案比一比，到 /rankings 看看同类任务的方案对照
- 要处理音视频：视觉和语音通常是两条独立能力，去 /voice 下的语音模型条目找，别硬套视觉模型的结果
- 对识别结果要求可直接入账、可追责：任何大模型都会给出看似合理的错读，必须加人工抽检或二次校验环节
- 只是偶尔看一眼图：网页端够用，不必为此接入 API 或折腾本地部署
反过来说，如果你要的是「图文混排的问答」「不规整截图的语义理解」「带上下文的多轮追问」，那大模型的多模态通道确实比传统 OCR 更好用，这时候值得认真选一条稳定的通道。什么情况适用、什么情况不适用，最好自己拿几张真实业务图跑一遍再下结论。
下一步：把当时的数字核一遍价格、延迟、可用模型列表都在持续变，别用别人截图里的数字做决策。到 /official-api/providers/deepseek 和 /price-watch 核对当前口径，再用 /tools/speed-test 和 /tools/verify 实测一遍，你得到的结论才作数。→常见问题
这个版本到底是原生多模态，还是接了外部的视觉模型？
从外部看不出确切架构，也不该靠传言下判断。务实的做法是只看行为和规格两件事：官方价格与规格页写没写图片输入，模型库里对应条目的输入一栏怎么标，你实测传图后返回的是内容还是报错。这三项对不上，就当它不支持你要的模态。
我在第三方平台上看到它的名字，是不是就说明支持传图？
不一定。中转站的模型名和实际后端经常不一致，标着多模态却走纯文本通道的情况很常见。先用 /tools/verify 做一轮在线实测，确认它真在跑你指定的模型，再传图验证；过不了这一关，价格再便宜也别接进正式流程。
能不能本地部署一份，图片不出内网？
可以试，但前提是仓库里确实带视觉部分的权重，而且你的显存能装下。先按原精度在小批量图上跑通，再考虑量化。显存和卡数按 /models/deploy 的测算口径估一遍，别凭感觉拍；跑不通就退回「本地做文本、图片走别的通道」这种混合方案。
