4月28日上午，DeepSeek多模态团队研究员陈小康在X账号@PKUCXK上发布了一条推文：“Soon, we see you. ?”，配图是两只蓝色的小鲸鱼，左边那只戴着画有“XX”的黑色眼罩，右边那只没戴眼罩、正常露出眼睛。尽管这条推文很快被删除，但可能暗示DeepSeek的多模态功能即将上线。
此外，有用户截图显示，chat.deepseek.com输入框上方曾出现过三个并列的标签——除了原有的“快速模式”和“专家模式”，还多出了一个“识图模式”，鼠标悬停后提示“图片理解功能内测中”。这是DeepSeek出圈以来第一次在主线产品里把视觉理解作为独立模式呈现。不过这个标签并不是所有用户都能看到，目前也无法确认它是常态化的灰度内测还是短暂开放后又被回收，官方至今没有对外说明。
根据该用户的测试信息，在试图模式里，用户上传了一张人物照片并提问“这是什么动作姿势”。DeepSeek思考8秒后，先按位置、手臂、头部、头发、着装、光影逐项拆解了画面，再给出最终判断：这是摄影和社交媒体语境里的“慵懒风躺姿”或“清冷氛围感姿势”，常出现在小红书、抖音的“宅家”、“慵懒风”、“清冷感”等标签下。值得注意的是，这段思考过程中有一步明确的“自我修正考虑”，模型先列出其他可能的解读，再判断“慵懒氛围感姿势”是最能涵盖所有细节的描述，最后输出。这种结构化拆解、自我复核加文化语境识别的组合，已经超出DeepSeek过去主线产品上的“图片识文字”能力层次。