纯文本模型 hack 出视觉能力
推荐指数 52.0 NO. 008 · 2026.08.02
Stars101创建今天Forks0Issues0
为什么值得看
通过拦截 Codex 内置的 view image 调用，让纯文本 DeepSeek 获得图片描述能力，无需额外配置 MCP 或 CLI。适合已接入 DeepSeek 但缺多模态的开发者，避免反复踩坑。
一个可以让像deepseek-v4这样的纯文本模型, 在codex中无障碍调用内置看图工具(view_image)的方案，附为纯文本llm设计的视力工具包。
媒体预览
编辑判断
这个方案的本质是「用视觉模型做中间层，给纯文本模型造一双眼睛」，思路类似去年社区给 GPT-4 早期版本做的「视觉外挂」。区别在于它直接复用了 Codex 原生的 image viewer 协议，而不是另起一套 MCP 工具链，部署成本更低。
之前大家解决类似问题通常走两条路：要么换多模态模型（成本或合规受限），要么自己搭 MCP server（配置繁琐且容易和 Codex 的 tool calling 冲突）。这个项目用 sha256 缓存和同图复用做了性能优化，多图并发的延迟控制是个实用细节。
如果你在内部部署了 DeepSeek 或类似纯文本模型，又需要快速支持截图分析、GUI 自动化等场景，这个方案比改造整条链路更轻量。独立 CLI 里的 grounding 工具（自然语言定位像素坐标）也值得关注，Computer Use 场景下能减少坐标硬编码的维护成本。
Star History
生态分析
Experimental
填补纯文本模型多模态缺口，为 DeepSeek 用户提供零配置视觉增强方案
独特价值：无需 MCP 或 CLI 改造，拦截式注入实现纯文本模型原生看图能力