deepseek的图片识别在图片文档这种上效果不错，生活图片误差有点大。是不是拿以前OCR数据训练的 
1 个赞
Gemini 识别地理场景也是一绝，不愧是Google maps街景多年积累
看上去很强,代码能力如果有那么强 价格再压一压 能进T0梯队不
是原生多模态吗？如果是的话就真的惊喜了 但感觉不会这么快端上来 估计是视觉encoder+project+V4 Backbone（希望能打我脸）
确实 
gemini多模态太恐怖了，第一次见是有人用gemini开视频找地铁出口
应该不太行，我昨天看到有其他佬分享带视觉对话的，没有灰度到的账号发消息会提示视觉模型咱不可用。油猴估计只能把前端显示出来