DeepSeek 视觉模型实测：自主填表但存在位置偏移问题
teortaxesTex · x · 2026-08-22
测试者对 DeepSeek 新发布的视觉模型进行了表单填写测试，任务是基于截图自行定位并填充元素，不提供坐标或 DOM 结构。
测试过程与结果：
- 任务：仅通过图像信息，识别表单字段并模拟点击/输入。
- 表现：模型能够探测位置、自我截图、放置元素并微调位置，最终填写了所有字段并在提交前进行了自我验证。
- 耗时与消耗：耗时 5 分 48 秒，输入 28.8 万 tokens，输出 3.8 万 tokens。
缺陷：
- 勾选框的标记位置落在框旁而非框内。
- 输入较长字符串时，字符框会出现漂移。
技术点评：评论指出该模型采用了“中央凹视觉”（Foveated Vision）策略，每次浏览最多使用 387 个 token，旨在“看”而非“看见”。预计非探索版将更偏向视频处理，提取序列并进行推理。
「多模态」频道最新
- HyperFrames 推出 Reference Any Video:Agent 可参考任意视频风格创作 — aftahi_ai · 2026-10-16
- 实测对比:Krea 2 配 LoRA 效果仍胜过 Flux 3 Klein — Angaisb_ · 2026-10-16
- World Labs Atlas 测试版开滚：像素级精确控制视频镜头路径 — theworldlabs · 2026-10-16
- Krea 3 图像编辑模型上线 fal：6 秒内完成高质量改图 — gorkem · 2026-10-16
- Tripo P2 对比 Meshy 7.1：当前最强图生 3D 模型横评 — noahsolomon · 2026-10-16
- BytePlus 合办 AI 电影大赛:100 万美元大奖,须用 Seedance 生成 70% — DavidmComfort · 2026-10-16