DeepSeek V4.1倒计时：多模态能力或成关键补齐

一则短视频内容称，DeepSeek V4.1预计将在6月发布，本次升级的重点，是补齐此前版本在多模态能力上的短板。

图片来源于网络,版权归原作者所有,侵权请联系删除

从纯文本走向多模态理解

视频中提到，V4预览版主要支持纯文本交互，而V4.1将原生集成图像理解与音频理解能力，让模型不再只依赖文字输入。

这意味着，用户给出图片、语音、视频等更复杂的信息时，AI有望同时理解画面、声音与语义之间的关系。

核心变化不是多了几个输入入口，而是模型理解世界的方式更接近真实交流场景。

图像、语音、视频都可能成为上下文

按照视频中的说法，新版本将能够“看图文领会梗背后的情绪”，也能“听语音识别语意与情绪”，还可以在视频中理解画面与声音的关联内容。

如果这些能力最终落地，DeepSeek V4.1的使用场景会明显扩展：例如根据草图生成执行方案，结合语音情绪判断沟通意图，或从视频素材中提炼更完整的信息。

补齐的是能力，也是沟通语言

多模态能力的价值，不只是让AI“能看、能听、能读视频”，更重要的是让不同模态的信息汇合到同一个理解框架中。

当文字、图像、声音和视频都能成为上下文，AI与人的沟通就会从单点指令，逐步走向更自然的共同语境。

需要注意的是，以上内容来自短视频转述，具体发布时间、功能范围和最终表现，仍应以官方发布信息为准。