Зрение и мультимодальность

Инструмент машинного зрения `describe_image` для текстовых моделей: изображения (локальный путь, URL-адрес, вложение) передаются в настраиваемую конечную точку зрения, совместимую с OpenAI, и в сеанс входит только возвращенный текст.

Vision Bridge для текстовых моделей: вставьте изображение, получите структурированные данные JSON (OCR, макет, семантика).

Бесплатное зрение для текстовых агентов: встроенная цепочка машинного зрения без ключа плюс пиксельные инструменты (вопросы и ответы, заземление, обрезка, разница пикселей, цвета, оптическое распознавание текста, трассировка SVG, вырез, снимки экрана); вставьте изображение, чтобы использовать его.

Vision для моделей, содержащих только текст: вставьте изображение, и модель переключится на вариант Vision Toolkit для вопросов и ответов по изображениям, сравнения нескольких изображений, оптического распознавания символов на длинных снимках экрана, воспроизведения снимков экрана в пользовательском интерфейсе, заземления элементов и сравнения пикселей. По умолчанию ключ API отсутствует — изображения обрабатываются бесплатным сервисом, размещенным автором, по 100 на машину в день; настраивается под вашего провайдера.

Регулятор времени выполнения для DeepSeek Harness: управление нулевым прогрессом, подтверждение проверки с привязкой к поколению, защита завершения с учетом доказательств и ограничение инструментов профиля задачи.

Обеспечьте понимание видео агентами DeepSeek Harness только в текстовом виде: выборка кадров с учетом сцены + VLM + дополнительная расшифровка ASR, объединенная с данными временной шкалы. / Обеспечьте понимание видео агентами DeepSeek Harness только в текстовом виде: выборка кадров с учетом сцены + VLM + дополнительная расшифровка ASR, объединенная с данными временной шкалы.

Управляйте локальным или удаленным сервером ComfyUI из DeepSeek Harness: инструменты comfyui_run / comfyui_object_info / comfyui_workflow генерируют и редактируют изображения и видео с библиотекой рабочих процессов (извлечение графиков: для каждого компонента / основной поток / все), областью загрузки с автоматическим сопоставлением разрешения, живой очередью, шаблонами SDXL и Wan 2.1, навыками компаньона и медиа-прокси того же происхождения.

Генерация изображений AI для веб-интерфейса DSH: преобразование текста в изображение и изображение в изображение через настраиваемую конечную точку, совместимую с OpenAI (gpt-image-2 / gpt-image-1 / dall-e-3), с карточкой настроек api_url/api_key и студией создания разделенной панели боковой панели.

Контроль качества проектирования для текстовых моделей: инструмент deepseek_vision заимствует взгляд из любого OpenAI-совместимого маршрута видения, поэтому модель может судить, соответствует ли реализация ее макету - поставляется с эталоном, лежащим в основе этого решения (четыре прибора, 23 внедренных дефекта, необработанные стенограммы) и дисциплиной опроса, от которой он зависит.

«Чтение» изображений для моделей, содержащих только текст: уменьшение масштаба + уменьшение глубины цвета + отпечатки структуры/цвета в текстовые сетки, возвращаемые в диалог, что позволяет модели масштабировать, выполнять выборку и распознавание текста автономно, как в мультимодальной модели; полностью локальный, без зависимости от внешней модели, включает навыки методологии чтения изображений и дополнительный PaddleOCR.

Дает представление только текстовой модели изображения с помощью модели языка видения, представленной как инструмент describe_image.

Свободный мост видения и генерация изображений для текстовых моделей: считывание вставки изображений, аварийное переключение GLM-4V-Flash и двигателя Gemini, структурированные доказательства в стиле ModLens и маршрут модели свободного видения с засеиванием.

Мозг DeepSeek + автоматическая транскрипция изображений: прикрепляйте изображения в графическом интерфейсе, и каждое из них по умолчанию расшифровывается с помощью официального deepseek-v4-flash-vision-exp (чистотекстовый мозг V4-Pro может видеть изображения), с использованием любого OpenAI-совместимого VLM или локального Ollama в качестве альтернативы.

Обеспечивает видение только текстовых моделей: перенаправляет пользовательские изображения в модель машинного зрения, совместимую с OpenAI, и отображает описания на правой панели веб-интерфейса.

Локальный анализ документов PDF, Office, изображений и оптического распознавания символов для DeepSeek Harness.

Добавляет настраиваемую модель видения к основным моделям, содержащим только текст: инструмент Vision_read_image, селектор модели видения на панели композитора и автоматическое преобразование изображения в текст для текстовых маршрутов.

Плагин «dsh-agnes-studio» для DeepSeek Harness: AI image and video studio as a floating DSH panel, so creation runs alongside the conversation instead of replacing it: text-to-image, image-to-image and multi-image composition at 1K-4K across eight aspect ratios; text-to-video and image-to-video with first-frame control at 4-12 seconds; short-drama mode that imports a script (.txt/.md/.json), breaks it into storyboard shots for preview and batch generation; and a prompt-expert workspace. Zero runtime dependencies.

Мост MCP к Gemini.google.com: визуальный анализ изображений и видео, создание изображений Imagen и видео Veo, а также управление диалогом с использованием сеанса браузера, вошедшего в систему, без ключа API.

Автоматически генерирует и отображает изображения в чате DSH через каналы API или локальные CLI (mmx/codex/agy), а также может распознавать изображения с помощью соответствующего CLI.

Плагин внешнего зрения для DeepSeek Harness: панель настройки с помощью кнопок-китов, распознавание изображений с автоответчиком и инструменты для создания снимков экрана/распознавания агента.

Генерация текста в изображение с помощью нескольких механизмов (пресеты OpenAI Images и Zhipu CogView) с отслеживанием квот для каждого сеанса, аварийным переключением механизма, конфигурацией, безопасной для учетных данных, и карточкой результатов с регенерацией.

Free Vision Bridge для текстовых моделей: распознавание изображений, распознавание текста, пользовательский интерфейс и анализ отладки через поставщиков бесплатного уровня (Qwen3-VL-Flash, Doubao, DeepSeek-OCR) с графическим интерфейсом настроек.

Локальное распознавание прикрепленных изображений с помощью встроенного механизма Windows (Windows.Media.Ocr): в модель отправляется только распознанный текст, а не байты изображения; Передача видения осуществляется по согласию.

Маршрут поставщика шлюза визуального языка: вставленные изображения описываются настраиваемой моделью VL (по умолчанию Qwen-VL) перед подключением DeepSeek.

Vision для текстового DeepSeek через Doubao Web по умолчанию (нулевая стоимость, без ключа API — ваш Chrome, вошедший в систему, управляется через мост Windows CDP), с квотой Antigravity IDE (flash/pro) или резервным вариантом Gemini; автоматическая эскалация деталей, память визуальных доказательств с регидратацией уплотнения, кэш хэша контента и двуязычная клиентская панель.

Для собственной модели машинного зрения DeepSeek Harness deepseek-v4-flash-vision-exp увеличивает пределы допуска изображений до 32 МБ / 8192 пикселей / 600 изображений и добавляет инструмент highres_read, который разбивает большие изображения на плитки, а затем возвращает все изображение плюс фрагменты 800x800 через хост-инструмент read_image.

Отправляет локальные изображения или URL изображений по HTTP(S) в настроенную OpenAI-совместимую конечную точку компьютерного зрения с помощью инструмента inspect_image и возвращает её текстовый ответ в разговор.

Снимки приложений в стиле Кодекса для DSH Desktop: захватите самое переднее окно macOS с помощью обеих командных клавиш и прикрепите его к текущему чату.

Плагин «deepseek-harness-plugins#vision-bridge» для DeepSeek Harness: Let text-only models see images: when a picture arrives with a placeholder like \[image omitted because this model accepts text only], the model calls the vision_describe tool and the plugin forwards the image reference plus the question to a multimodal model, retrying with a fallback model on failure. Configured in the settings page and persisted via the official settings API.

Зеркальное отображение экрана и управление телефоном HarmonyOS через веб-интерфейс DSH: зеркальное отображение H.264 в реальном времени, касание мыши, системные клавиши, потоковая передача hilog и распознавание экрана с помощью искусственного интеллекта для каждого кадра.

Снимки приложений Codex для DSH: захватывайте самое переднее активное окно с помощью глобального ярлыка и легко монтируйте его в композитор для запросов агента.

Мультимодальный плагин на базе MiniMax: режим голосового вызова в реальном времени (потоковая беседа, пользовательский интерфейс плавающей док-станции), голосовой режим и голосовой ввод с микрофона, а также инструменты создания изображений/видео/музыки/ речи и инструменты визуального контроля.

Позволяет моделям, состоящим только из текста, обрабатывать вставленные изображения чата, с собственным визуальным интерфейсом, пакетным просмотром изображений и встроенным OpenAI-совместимым инструментом анализа_изображений; модели с возможностью видения не затрагиваются.

Пакет Vision MCP и DSH для DeepSeek только с текстом: инструменты анализ_изображения, анализ_буфер обмена, сравнение_изображений и видение_статус, страница визуальных настроек, бесплатный GLM-4.6V-Flash по умолчанию, кэширование результатов и допуск ограничения скорости; ключи остаются вне журналов.

Связывает изображения сеанса с настраиваемыми поставщиками систем машинного зрения и возвращает текстовый анализ в подходящие маршруты модели DeepSeek Harness.

Добавляет инструмент создания снимков экрана и две дополнительные автоматические точки захвата, помещая экран в разговор как блок изображения; требуется модель с поддержкой изображений.

Локальное распознавание текста для прикрепленных изображений через Tesseract: в модель отправляется только распознанный текст, а не байты изображения; Передача видения осуществляется по согласию.

Полностью локальное понимание изображений и распознавание текста с помощью macOS Vision Framework: `ocr_image` (текст, макет таблицы + координаты) и `view_image` (сцена, лица, QR) — вставьте несколько изображений в веб-поле ввода или передайте путь/URL/base64; изображения никогда не покидают ваш Mac.

Автономный снимок экрана для DeepSeek Harness (dsh). Горячие клавиши браузера для мгновенного захвата, а также инструмент захвата и чтения для агента, который позволяет агенту видеть и анализировать любую область экрана.

Унифицированный маршрутизатор создания изображений для DeepSeek Harness (DSH): автоматически обнаруживает модели изображений из любой конечной точки, совместимой с OpenAI, предоставляет инструменты draw_image и draw_list_sources, поддерживает SenseNova, StepFun, Agnes, Qwen, Flux, SD, Imagen и многое другое.

Расширенный набор инструментов машинного зрения: 14 инструментов машинного зрения на уровне пикселей (описание, заземление, обнаружение, обрезка, пиксельная разница, оптическое распознавание текста, оптическое распознавание символов на длинном скриншоте, векторизация, цвета, вырезание, снимок экрана, представление, материализация, html-скриншот), управляемые одной конечной точкой, совместимой с OpenAI, с чистыми мостовыми маркерами \[图片: path], классификацией безопасности контента и автоматическим повтором ограничения скорости.

Плагин для чтения PDF-файлов с учетом содержимого для моделей машинного зрения: профилирует каждую страницу на предмет рисунков (векторных и растровых), таблиц, рисков формул и двухколоночного макета, затем применяет гибридное извлечение с учетом содержимого, визуализируя страницы рисунков/таблиц/формул как обрезку областей с высоким разрешением. Обеспечивает предварительный просмотр с низким разрешением для понимания макета страницы и визуализирует указанную область с высоким разрешением. Упакованный как несколько инструментов для агентов.

Позвольте вашему ИИ-агенту видеть и управлять настоящим телефоном Android: phone_look (видение + объединение деревьев пользовательского интерфейса), касание/пролистывание/ввод текста, снимок экрана — через adb, для любого клиента MCP.

Собственный мост видения LLM-провайдера: изображения, вставленные в чат, описываются моделью видения (Qwen3-VL через pi-ai/llama.cpp), а текстовое описание передается в текстовый DeepSeek для ответа — прием изображений, маршрутизация и сжатие выполняются через встроенные механизмы с кэшем описаний LRU и повторной попыткой 503.

Объедините API-интерфейсы для создания текста, видения и изображения в одну модель Mix с автоматической маршрутизацией: текстовые запросы передаются в модель чата, изображения пользователей и снимки экрана агентов передаются в модель видения, последующие действия продолжают использовать одно и то же изображение сеанса, а агенты могут создавать или редактировать изображения с историей вызовов на уровне сеанса.

GPT Image 2 `image_gen` с подпиской Кодекса OAuth по умолчанию или явным режимом API-ключа: разработка карты, до трех действующих частей API, устойчивое воспроизведение вложений/лайтбокс/загрузка, вывод только текстовой модели и ограниченные запросы, безопасные для учетных данных.

Полный пакет возможностей машинного зрения для DeepSeek Harness: инструмент Vision_understand (OpenAI-совместимые API-интерфейсы машинного зрения, бесплатный Zhipu GLM-4V-Flash по умолчанию), а также точки входа вставки/перетаскивания/кнопок для распознавания изображений.

Рекламируйте вставку изображений на текстовых маршрутах DeepSeek, описывайте вложения с помощью боковой панели изображения и оставляйте собственные модели машинного зрения нетронутыми.

Превратите камеру телефона в видоискатель в реальном времени и ввод фотографий для сеанса DSH через локальную сеть или USB.

dsh-mineru: плагин анализа документов MinerU для DeepSeek Harness — мультимодальный полный формат (PDF/Word/PPT/Excel/HTML/изображение) → структурированный Markdown. Заполните поле Токен, чтобы использовать API точного синтаксического анализа, и оставьте это поле пустым, чтобы использовать API упрощенного синтаксического анализа агента.

Собственный плагин DeepSeek Harness: возможности визуализации для текстовых LLM (описание, OCR, VQA, анализ макета, буфер обмена)

Плагин DeepSeek Harness: поиск видео по ключевым словам Bilibili, метаданные видео, расшифровки субтитров, URL-адреса прямого воспроизведения и мультимодальный просмотр кадров (bilibili_search / bilibili_video / bilibili_subtitles / bilibili_playurl / bilibili_frames). Анонимно по умолчанию

Плагин «dsh-omni-workstation» для DeepSeek Harness: Omni-modal workstation for DSH: analyze_image over an ordered multi-card VLM failover chain, a six-tool vision toolkit (zoom, colour sampling, pixel diff, OCR, element detection, inline display) sharing the same image resolver, generate_image over OpenAI/DashScope/ComfyUI protocols, multi-card async generate_video with a /build-video-tool builder, and speak/clone_voice TTS over seven providers, all driven by one auto-saving settings page.

Регистрирует маршрут провайдера deepseek-vision: веб-интерфейс принимает вставленные изображения и преобразует их в текст через бесплатный API-интерфейс Zhipu GLM Vision перед делегированием адаптеру DeepSeek.

Инструмент «видения» для работы с моделями для DeepSeek Harness: описывайте и распознавайте файлы изображений путем прямого вызова бесплатного API видения Zhipu GLM (резервная цепочка glm-4v-flash), внешний интерфейс командной строки не требуется.

Набор инструментов Vision для текстового DeepSeek: вызываемый моделью инструмент `vision`, адаптеры-оболочки для deepseek/opencode-go (v4 flash/pro), квота Antigradity IDE (по умолчанию, flash/pro) / любые OpenAI-совместимые каналы VLM/Gemini/local Ollama, память доказательств с регидратацией уплотнения, кэш хэша контента и двуязычная клиентская панель.

Генерация изображений Labnana для DeepSeek Harness: преобразование текста в изображение / изображения в изображение / точное редактирование с оценкой кредитов, балансом подписки и пользовательским интерфейсом веб-настроек.

Vision Bridge для текстовых маршрутов DeepSeek, который анализирует прикрепленные и локальные изображения через настраиваемые конечные точки ответов OpenAI, завершения чата или антропных сообщений, оставляя при этом маршруты с поддержкой изображений собственными.

Структурированные визуальные доказательства (OCR/макет/семантика) плюс инструмент захвата с USB-камеры для цикла отладки «снимай-смотри-настраивай»; бэкенды: Ollama, DeepSeek, Xiaomi.

Генерация локального изображения, голоса, музыки и звуковых эффектов плюс транскрипция с закрепленной идентификацией: персонажи, животные, объекты и голоса актеров определяются один раз и повторно используются при каждом последующем вызове, вырожденный вывод (почти плоское изображение, тихий звук) отклоняется, а не возвращается как успешный, а сгенерированная строка может быть прочитана обратно как текст, поэтому клон, проглотивший ее окончание, становится видимым. Движки разгружаются во время простоя, а генерация и транскрипция изображений могут быть направлены на API-интерфейс в форме OpenAI, а не на локальный бэкэнд Vulkan.

Дает dsh возможность создавать изображения и видео через API grok2api.

Собственные вложения изображений для текстового DeepSeek в веб-интерфейсе: вставленные или удаленные изображения отображаются в сеансе в виде миниатюр, и перед отправкой хост считывает их с помощью бесплатного API видения Zhipu GLM-4V-Flash (резервная цепочка glm-4v-flash) и заменяет описание, поэтому DeepSeek отвечает об изображении, в то время как оригинал сохраняется в истории.

Вызываемый агентом инструмент машинного зрения, который описывает локальные изображения через любую настроенную вами конечную точку машинного зрения, совместимую с OpenAI, с дополнительной перекрестной проверкой нескольких моделей и без встроенных ключей.

Рендерит вставленные/загруженные изображения в веб-чате DSH и предоставляет только текстовые модели: инструмент Visual_review, вызываемый моделью, сначала вызывает любой OpenAI-совместимый мультимодальный API, обращаясь к локальному рабочему процессу Qwen3-VL.

Расширение возможностей встроенного видения с использованием Zhipu (бесплатно) или Qwen-VL (локально).

Понимание изображений для любой модели DSH: инструменты зрения, оптического распознавания символов, заземления и обрезки с предустановленными областями для гистопатологии, клеточной биологии, анатомии, клинических изображений и научных цифр.

Изображения, прикрепленные к Composer, преобразуются в текст с помощью модели машинного зрения, совместимой с OpenAI, а затем достигаются только текстовые модели DeepSeek.

Подключаемый модуль Vision для текстовых моделей DeepSeek Harness (dsh): инструмент Vision со встроенными дешевыми/бесплатными пресетами VLM, пакетным анализом нескольких изображений, возможностью вставки изображений с подсказками и страницей веб-настроек с горячей перезагрузкой.

Пакет плагинов DeepSeek Harness: инструменты qwen_vision (понимание изображений Qwen-VL) и qwen_generate (преобразование текста в изображение и редактирование изображений Qwen-Image) для текстовых моделей

Загрузка, чтение, распознавание и рендеринг произвольных файлов в рабочей области для DeepSeek Harness.

Подключаемый модуль Vision для текстовых моделей DeepSeek Harness (dsh): инструмент Vision со встроенными дешевыми/бесплатными пресетами VLM, пакетным анализом нескольких изображений, возможностью вставки изображений с подсказками и страницей веб-настроек с горячей перезагрузкой.

Направляет изображения чата в фиксированную модель видения, совместимую с OpenAI, возвращает фактические наблюдения в выбранную основную модель и повторно использует наблюдения в области сеанса при воспроизведении, сжатии и перезапуске.

Захват экрана и распознавание внешнего изображения: инструменты take_screenshot, list_windows, анализ_изображения и view_image с настраиваемым каналом зрения GPT (gpt-5.5/gpt-5.6-sol/gpt-5.6-terra), API-ключом через службу учетных данных и карточкой настроек; view_image показывает снимок экрана в веб-интерфейсе, в то время как контекст модели сохраняет только текст.

Визуальный мост для текстового DeepSeek: отправьте изображения отдельно или вместе с текстом, и быстрая компактная vision-модель незаметно опишет их — изображение останется в чате, а DeepSeek увидит только текст. Чистый плагин: удаление полностью восстанавливает исходное состояние.

Настраиваемое распознавание изображений для текстовых моделей DSH: сообщения с изображениями сначала транскрибируются любой OpenAI-совместимой моделью компьютерного зрения, для которой в разделе Settings заданы Base URL, ID модели и ключ, а затем передаются основной модели как текст; когда функция включена, заявляется поддержка ввода изображений.

Повторно использует встроенный веб-режим DeepSeek для текстовых моделей: инструмент deepseek_vision управляет локальной автоматизацией браузера deepseek-vision-cli (помощник при ручном входе в систему, включение глубокого мышления, автоматическое закрытие браузера) и возвращает описания изображений в виде текста.

Бесплатное оптическое распознавание текста с адаптивным распознаванием плиток для длинных документов и экспортом в Markdown/Word/PNG/Excel.

Synesthesia Encoder для DSH: модель зрения преобразует изображения в компактный структурированный пространственный текст (холст/элементы/процентные координаты), обеспечивая понимание изображений на уровне пикселей только текстовых LLM с помощью инструмента `mm_vision`.

Локальное структурированное видение для текстовых агентов: изображения передаются в локальный OpenAI-совместимый VLM и возвращаются в виде доказательств JSON (сводка, дословное распознавание текста, области макета, сущности/отношения, цвета, явная неопределенность), с резервным вариантом защиты от галлюцинаций и дополнительным мостом вставки/загрузки; нулевая стоимость облака, изображения никогда не покидают машину.

Направляет изображения в модель видения по вашему выбору — с автоматической перезаписью, явными инструментами или гибридной — так что модель текстового чата не подведет ход, содержащий изображение.

Vision for DeepSeek Harness: инструмент `analyze_image` с 8 режимами (описание, оптическое распознавание символов, данные диаграммы, просмотр пользовательского интерфейса, обнаружение объектов, сравнение, создание кода, отладка), а также встроенный бесплатный анонимный источник изображений, мост изображений для текстовых моделей, автоматическое переключение при сбое между моделями с ограничением скорости и структурированный вывод JSON через любую конечную точку, совместимую с OpenAI или Anthropic.

Анализирует изображения диалога с помощью подсказок, специфичных для режима (заголовок, пользовательский интерфейс, документ, заземление, топология и т. д.), и вводит структурированные данные с координатными примитивами (полями, точками, ссылками) в виде текста с кэшированием на уровне сеанса для повторного использования при воспроизведении и сжатии.

Прозрачная мультимодальная маршрутизация для текстовых моделей: каждое изображение в каждом вызове модели полностью расшифровывается (дословное распознавание текста, данные, зоны неопределенности, усиленное внедрение) вашим собственным мультимодальным распознавателем с целенаправленным повторным просмотром через Vision_relook и автоматическим повтором при сбоях, связанных с изображением. Никаких связанных конечных точек и заимствованных логинов.

Маршрут провайдера Vision, который преобразует прикрепленные изображения в текст с помощью настраиваемой модели (более 15 поставщиков, совместимых с OpenAI и Anthropic), в то время как DeepSeek продолжает отвечать.

Подключаемый модуль для текстовых моделей в DSH, с собственным взаимодействием для понимания и создания изображений, автоматизацией графического пользовательского интерфейса, через многоуровневую память и кэш доказательств.

Машинное зрение по требованию для текстовых моделей DeepSeek: загружайте изображения, и модель вызывает инструмент view_image, поддерживаемый любой конечной точкой машинного зрения, совместимой с OpenAI (по умолчанию Qwen/DashScope).

Двухпроцессорный захват экрана для DSH: внутри оболочки рабочего стола SSiD глобальная горячая клавиша или панель задач открывает полноэкранное наложение с выбором поля (все мониторы, кадры с точностью до пикселя для каждого дисплея) с аннотациями в красном поле и панелью инструментов в стиле WeChat; в простом DSH (браузере) кнопка камеры композитора захватывает изображение через getDisplayMedia и повторно использует тот же однофазный выбор поля + наложение аннотаций на странице. Обрезанное изображение попадает в текущий диалог через официальный вход вложений.

Адаптер DeepSeek с дополненной системой машинного зрения: модель с поддержкой машинного зрения описывает ввод изображения, а модель DeepSeek, состоящая только из текста, анализирует описание.

Позволяет текстовому агенту DeepSeek читать изображения в одном сеансе, делегируя его субагенту с поддержкой машинного зрения и преобразуя изображение в путь во время отправки.

Мост машинного зрения с автоматическим обнаружением для текстовых агентов DeepSeek Harness: автоматически находит модель с поддержкой изображений у настроенных вами поставщиков и возвращает описания изображений в виде обычного текста с помощью инструмента машинного зрения.

Видение для любого маршрута DSH: вставляйте изображения в веб-композитор с автоматическим анализом с учетом намерений, делегируйте считывание изображений рабочей области субагенту визуализации Kimi/MiniMax и материализуйте вставленные оригиналы для редактирования.

Интегрированная цепочка инструментов визуального создания для DSH: быстрое обратное проектирование и оптимизация аудита, а также генерация изображений с участием нескольких поставщиков с асинхронным фоновым рендерингом.

Инструмент image_describe (识图), ориентированный на модель, через DashScope OpenAI-совместимый API (qwen3.7-flash), а также мост вставки: в текстовых сеансах вставленные изображения автоматически преобразуются в пути к файлам во время отправки и отображаются обратно в расшифровке, поэтому они никогда не прерывают прием изображения. Принесите свой собственный DASHSCOPE_API_KEY; настраиваемая конечная точка/модель/бюджеты, защищенный от перенаправления HTTP-клиент, работает в каждой предустановке агента.

Инструмент `describe_image`: мост визуализации, который отправляет изображения в mimo-v2.5 через Zen API с открытым кодом (учетные данные `OPENCODE_GO_API_KEY`, сначала бесплатный маршрут с платным резервным вариантом) и возвращает текстовые описания для текстовых моделей со встроенной сквозной передачей и транскодированием ImageMagick форматов SVG/TIFF/HEIC.

Мост для прикрепления изображений в чате с инструментом view_image для любого OpenAI-совместимого VLM (локального Ollama или облака): вставленные/переброшенные изображения становятся маркерами пути view_image перед достижением текстовых моделей DeepSeek.

Плагин пакета DSH: создание контента и распространение на нескольких платформах - скриншот/запись рабочего стола, Markdown → Xiaohongshu с изображениями и текстовыми карточками (макеты 5 цветов × 4, фотоиллюстрации, фоновые изображения), официальный выпуск API dev.to, ручная проверка перед выпуском (размещение черновика) и монтаж Playwright и Xiaohongshu MCP.

Дайте вашей текстовой модели глаза — вложения изображений в чате автоматически описываются с помощью модели визуального представления (подсказка по умолчанию) с итеративным повторным анализом с помощью подсказок, сгенерированных моделью, когда детали отсутствуют; режимы системы/пользовательской модели + панель конфигурации графического пользовательского интерфейса, обработка секретов с использованием ключей и небольшой патч хоста для DSH 0.1.0-rc.6 (см. README репозитория).

Автономный снимок экрана для DeepSeek Harness (dsh). Горячие клавиши браузера для мгновенного захвата, а также инструмент захвата и чтения для агента, который позволяет агенту видеть и анализировать любую область экрана.

Плагин визуальной модели GLM: зарегистрируйте маршрут поставщика glm-vision (серия glm-4.6v, оператор ввода изображения+текста) и предоставьте инструмент glm_vision, позволяющий основным текстовым моделям, таким как DeepSeek, напрямую вызывать визуальную модель интеллектуального спектра для просмотра изображений.

Мультимодальный плагин для DeepSeek Harness: анализируйте изображения и генерируйте их с помощью настраиваемых конечных точек, совместимых с OpenAI или DashScope.

Плагин «dsh-gpt-image» для DeepSeek Harness: Generate images through a logged-in web ChatGPT session and download them to a local directory.

Vision Bridge для текстовых маршрутов DeepSeek, который анализирует прикрепленные и локальные изображения через настраиваемые конечные точки ответов OpenAI, завершения чата или антропных сообщений, оставляя при этом маршруты с поддержкой изображений собственными.

Дайте DSH видение только текстовых моделей: навык распознавания изображений/OCR/документов (группа гонок → пользовательские каналы → локальные) плюс идемпотентный патч хоста, чтобы сообщения с изображениями доходили до модели.

Ввод изображения в текст для веб-интерфейса: вставьте или перетащите изображение, и оно транскрибируется в структурированный текст и отправляется, что позволяет LLM взять на себя функции ввода изображений только для текста (OpenAI-совместимый Vision API).

Прозрачная защита изображений для текстовых маршрутов: вставка изображений без взаимоблокировки сеанса 400, а также инструмент Vision_analyze для OCR/PDF/docx/pptx/video.

Локальный инструмент WeChat OCR для DSH: `wechat_ocr_recouncee` возвращает распознанный текст и структурированный результат механизма для локального пути к изображению.

Локальный инструмент OneOCR для Windows 11 для DSH: `oneocr_recouncee` возвращает текст OCR и структурированные многоугольники строк/слов, достоверность, поворот и стиль рукописного ввода.

Двухуровневое чтение изображений для текстовых моделей: сначала быстрое локальное распознавание текста (RapidOCR, оффлайн), резервное копирование для модели машинного зрения (modlens).

Концепция для текстовых моделей dsh: вставьте изображение, и настроенная мультимодальная модель автоматически преобразует его в текст — прозрачная двойная маршрутизация, инструмент чтения изображения, вызываемый агентом, без встроенных ключей или реле.

Превратите каждую идею в изображение или видео с помощью Kling AI. В DeepSeek Harness используйте естественный язык для преобразования текста в изображение, изображения в изображение, текста в видео, изображения в видео, создания эталонных изображений, отслеживания задач и предварительного просмотра результатов.

Дайте вашей текстовой модели глаза — вложения изображений в чате автоматически описываются с помощью модели визуального представления (подсказка по умолчанию) с итеративным повторным анализом с помощью подсказок, сгенерированных моделью, когда детали отсутствуют; режимы системы/пользовательской модели + панель конфигурации графического пользовательского интерфейса, обработка секретов с использованием ключей и небольшой патч хоста для DSH 0.1.0-rc.6 (см. README репозитория).

Передаёт повторяющиеся текстовые и визуальные операции (распознавание текста, анализ изображений, сравнение) на локальный сервер KoboldCpp (llama.cpp) с помощью инструментов koboldcpp_run и koboldcpp_vision с управлением жизненным циклом сервера по требованию.

Передаёт повторяющиеся текстовые и визуальные операции (распознавание текста, анализ изображений, сравнение) на локально работающий сервер Unsloth Desktop (Unsloth Studio) с помощью инструментов unsloth_run и unsloth_vision; чистый HTTP-клиент, никогда не порождает и не владеет процессами.

Локальные глаза для текстовых моделей:eyes_render рисует текст/фигуры/Русалку на холсте в веб-интерфейсе,eyes_paste захватывает вставленные изображения,eyes_ocr считывает текст с помощью встроенного средства оптического распознавания символов Windows (в автономном режиме), аeyes_analyze проверяет пиксели как структурированные данные — модель зрения не требуется.

Предоставьте видение только текстовым моделям: инструмент описания_изображения, который делегирует изображения модели изображения из вашего списка моделей dsh через собственную среду выполнения LLM.

Улучшает просмотр изображений DSH с помощью масштабирования по центру указателя, панорамирования, галерей, загрузок, поддержки клавиатуры и встроенных примечаний к регионам (бета-версия).

Набор инструментов Vision для DeepSeek Harness — инструменты CLI для просмотра, заземления, обнаружения и обрезки, позволяющие агентам, работающим только с текстом, понимать изображения.

Преобразует изображения в текст для DeepSeek Harness: когда выбранная модель сеанса не может видеть изображения, настроенная модель видения описывает их, и описания попадают в долговременную историю сеанса в виде свернутых строк контекста — ваше сообщение остается нетронутым.

Возможность использования компьютера с ОС Windows для DeepSeek Harness: снимок экрана → модель зрения → симуляция ввода с помощью мыши/клавиатуры, с саморазвивающейся базой знаний.

Ограждения честности в конвейере инструментов: не позволяют агенту кодирования ослаблять тесты, поглощать ошибки, заглушать проверки типов или удалять тесты через оболочку — девять детерминированных перехватчиков, каждый из которых подкреплен тестом на установленный отказ, доказывающим, что защита может потерпеть неудачу.

Мост MiniMax CLI для DeepSeek Harness (dsh): резервный вариант веб-поиска на основе mmx и прозрачное понимание изображений, с первым запуском и карточкой настроек.

Встроенное понимание видео DSH с настраиваемыми мультимодальными поставщиками

Инструмент для создания изображений в поле ввода чата (собственная разработка): загрузка изображений (токен защиты от записи размером менее 10 МБ) + скриншоты настраиваемой области (Electron DesktopCapturer), вставка дорожки черновика изображения DSH. Ноль внешних зависимостей.

Плагин DeepSeek Harness: автоматическая маршрутизация запросов изображений на deepseek-v4-flash-vision-exp, а затем возврат к исходной модели.

Плагин хоста DeepSeek Harness: обслуживает настроенную рабочую область/папку мультимедиа на веб-сервере в /media, поэтому любой диалог может отображать локальные изображения, ссылаясь на http://<хост>:<порт>/медиа/<относительный-путь>.

Веб-плагин DeepSeek Harness: выбор модальности ввода для каждой модели на странице настроек моделей для сторонних (pi-ai) поставщиков.

Плагин «dsh-markitdown» для DeepSeek Harness: Microsoft MarkItDown as a DeepSeek Harness tool: convert PDF, Word, Excel, PowerPoint, HTML, CSV, EPUB, or a URL into Markdown the model can read.

Плагин «dsh-mobilecode» для DeepSeek Harness: MobileCode for the dsh web GUI: detect iOS/Android projects, run preview servers, and drive the simulator/emulator from the session — 37 agent tools (device_run, device_screen, device_ui_tree, device_ui_rows, device_tap_row, device_tap_element, device_wai

Плагин «dsh-paste-preview» для DeepSeek Harness: DeepSeek Harness (dsh) web plugin: paste images into the composer with thumbnail previews, route them as file attachments for text-only models, and show zoomable thumbnails in sent messages

Плагин «computer-use-vision» для DeepSeek Harness: Windows computer-use capability for DSH: screenshot → vision model → simulated mouse/keyboard with self-evolving knowledge base. Dual-mode plugin tools + skill-only pwsh fallback.

Плагин «dsh-model-think-level» для DeepSeek Harness: DSH 的第三方模型补齐思考等级：在官方 Models 页每个模型行注入 Thinking 开关和强度/模态编辑器，在输入框模型菜单加供应商→模型选择器、视觉徽章与等级行，并带搜索、拖拽排序、供应商启用开关；以及按路由接管请求头与 user-agent。

Добавляет ввод и распознавание изображений через настроенных поставщиков DSH или конечную точку, совместимую с OpenAI.

Инструмент создания изображений, ориентированный на модель, с настраиваемым каналом и нормализованными параметрами изображения.

Инструменты Apple Vision на устройстве для текстовых моделей DSH: локальное распознавание текста (zh-Hans + 30 языков), классификация изображений, распознавание лиц, макет документа и комбинированное описание — 100 % в автономном режиме, без ключа API, нарезка на длинные снимки экрана.

Автоматическое переключение маршрута DeepSeek на модель машинного зрения по требованию: основной сеанс Flash переключается (A), pro сохраняет глубокие рассуждения и делегирует чтение изображений субагенту машинного зрения (B), субагенты всегда переключаются с возможностью отката в случае фатального сбоя. Никакого ручного переключения модели.

Визуальный мост для текстовых моделей DeepSeek: преобразует прикреплённые изображения в текст с помощью deepseek-v4-flash-vision-exp до того, как они поступят в deepseek-v4-pro; сторонние зависимости отсутствуют.

Плагин DeepSeek Harness: визуальный работник над Cloudflare Workers AI (@cf/moonshotai/kimi-k2.6), который маршрутизирует запросы изображений от вызывающих только текстовых абонентов, возвращает версионный конверт righthand.vision.v1 и поддерживает последующие вопросы.

Веб-плагин DSH: вызов визуальной модели GLM для анализа изображений (инструментanalyze_image + карта настроек плагина).

Плагин визуального обзора UI/UX в стиле диалога для DeepSeek Harness: инструменты Vision_review/vision_ask, поддерживаемые любой мультимодальной конечной точкой, совместимой с OpenAI (например, agnes-2.5-flash)

Инструмент «Точный_видение», ориентированный на модель: точное пространственное рассуждение изображения с помощью модели зрения

Пакет Vision + плагин для DeepSeek Harness: инструмент define_image считывает локальные изображения и запрашивает любой настроенный мультимодальный маршрут без изменений ядра.

Изображения, прикрепленные к Composer, преобразуются в текст с помощью модели машинного зрения, совместимой с OpenAI, а затем достигаются только текстовые модели DeepSeek.

Вставляйте изображения в чат DeepSeek Harness и дайте им возможность прочитать их с помощью бесплатного локального бэкэнда (macOS Vision/Tesseract) до того, как текстовая модель DeepSeek ответит.

Инструмент image_describe (识图), ориентированный на модель, через DashScope OpenAI-совместимый API (qwen3.7-flash), а также мост вставки: в текстовых сеансах вставленные изображения автоматически преобразуются в пути к файлам во время отправки и отображаются обратно в расшифровке, поэтому они никогда не прерывают прием изображения. Принесите свой собственный DASHSCOPE_API_KEY; настраиваемая конечная точка/модель/бюджеты, защищенный от перенаправления HTTP-клиент, работает в каждой предустановке агента.

Предварительный просмотр изображений/таблиц SVG и CSV в чате DeepSeek Harness, отображаемых как реальные элементы браузера <img>/<table>. Рабочий процесс с предварительным просмотром: покажите пользователю ресурс, дождитесь одобрения, а затем примените реальные изменения.

Сопутствующее отображение для dsh-vision-router: сохраните маршрутизацию Auto Vision и поместите квадратную кнопку с изображением в каждую строку исходной модели. Ничего не делает, если не установлен dsh-vision-router.

Плагин DSH: распознавание/анализ изображений с помощью визуальной модели SiliconFlow, поддерживающей локальные пути к файлам, URL-адреса изображений http(s) и URL-адреса данных в формате Base64. Вставить панель распознавания с сохранением (веб-сторона).

Изображения, прикрепленные к Composer, преобразуются в текст с помощью модели машинного зрения, совместимой с OpenAI, а затем достигаются только текстовые модели DeepSeek.

Панель управления для локальных серверов вывода LLM в веб-представлении DSH: реестр служб с проверками работоспособности и элементами управления остановкой, профили именованных параметров для llama.cpp, SGLang и vLLM с предварительной проверкой KV/VRAM, обнаружением графического процессора и тестами tok/s.

Добавьте визуальные возможности в DeepSeek Harness: выберите производителя визуальных эффектов (Kimi/Zhipu/Tongyi/OpenAI/Gemini/Doubao/MiniMax/Step Star) на странице настроек визуализации и вставьте ключ API. Вы можете перетащить изображение для распознавания в чат — картинка будет использоваться для визуальной модели, а текст — для вывода DeepSeek.

Плагин Persistent Vision для DeepSeek Harness: регистрирует инструмент Vision_analyze, поддерживаемый настраиваемой мультимодальной моделью, с пользовательским интерфейсом на странице настроек. Ноль зависимостей.

Локальное видение для текстовых агентов DeepSeek Harness: направляет понимание изображения в локальную модель изображения, совместимую с OpenAI, возвращает структурированные данные JSON (сводка/распознавание текста/макет/семантика/визуализация/неопределенность).

Плагин профиля DSH: преобразует вложения read_image PNG/WebP в непрозрачный sRGB JPEG, поэтому конечная точка openai-completions LM Studio принимает их.

Плагин «dsh-plugin-vision» для DeepSeek Harness: Lets a text-only agent call a multimodal model mid-task: the vision tool sends one image file to Qwen, Kimi, OpenAI, Claude, Gemini or a self-hosted endpoint and returns structured evidence — summary, verbatim OCR, layout, entities, and what the model cou

Плагин для чтения PDF-файлов с учетом содержимого для моделей машинного зрения: профилирует каждую страницу на предмет рисунков (векторных и растровых), таблиц, рисков формул и двухколоночного макета, затем применяет гибридное извлечение с учетом содержимого, визуализируя страницы рисунков/таблиц/формул как обрезку областей с высоким разрешением. Обеспечивает предварительный просмотр с низким разрешением для понимания макета страницы и визуализирует указанную область с высоким разрешением. Упакованный как несколько инструментов для агентов.

Обслуживать любой локальный файл в веб-сеансах DSH — /ws/<absolute-path> сопоставляет дисковые файлы с URL-адресами http того же происхождения, которые может отображать уценка сеанса. Любой диск, без промежуточного каталога.

Инструменты Apple Vision на устройстве для текстовых моделей DSH: локальное распознавание текста (zh-Hans + 30 языков), классификация изображений, распознавание лиц, макет документа и комбинированное описание — 100 % в автономном режиме, без ключа API, нарезка на длинные снимки экрана.

Плагин «dsh-design-styles» для DeepSeek Harness: 设计风格参考：主流视觉风格（极简、拟物、玻璃态等）特征与选用建议（Design style reference for DeepSeek Harness）

Плагин «dsh-image-text-fallback» для DeepSeek Harness: 图片自动降级:纯文本路由遇到图片块时自动调用本地 OCR 转成文本

Плагин «dsh-image-uckkk» для DeepSeek Harness: 图片处理：读取图片尺寸/格式、缩放与格式转换（内置 ffmpeg，跨平台）

Плагин «dsh-img» для DeepSeek Harness: Give text-only models eyes: an analyze_image tool for DeepSeek Harness, backed by free Chinese vision APIs (GLM-4V-Flash / Qwen-VL) or any OpenAI-compatible vision endpoint. 给纯文本模型装上眼睛。

Изображения, прикрепленные к Composer, преобразуются в текст с помощью модели машинного зрения, совместимой с OpenAI, а затем достигаются только текстовые модели DeepSeek.

Free Vision Bridge для текстовых моделей: распознавание изображений, распознавание текста, пользовательский интерфейс и анализ отладки через поставщиков бесплатного уровня (Qwen3-VL-Flash, Doubao, DeepSeek-OCR) с графическим интерфейсом настроек.

Плагин «dsh-image-preview» для DeepSeek Harness: Inline previews for the images an agent already produced in DeepSeek Harness: read_image attachments and local paths in any format (HEIC/TIFF/PSD/SVG/BMP/ICO/TGA/PNM/JP2 …), rendered through the official gallery and lightbox.

Автоматизация рабочего стола Windows для DeepSeek Harness: цикл наблюдения/действия с учетом доступности с 30 стандартными инструментами (целевые элементы/координаты, автоматическая/a11y/маршрутизация стратегии событий), замененные наблюдения и семантика безопасности без повторения, постоянный аварийный переключатель, защита от устаревания RuntimeId/rect-drift, карточки чата и плавающая панель (живые операции, стена кадра, настройки автоматического обнаружения окружения), мозаичное изображение для моделей с низким разрешением, Журнал аудита JSONL и список разрешений pid. Требуется Windows 10+ и Python 3.9+ с uiautomation и подушкой (устанавливается со страницы настроек).

Плагин «intelligenteyes» для DeepSeek Harness: Native-vision capability manager and lightweight external vision fallback for DeepSeek Harness

Плагин «dsh-image-router» для DeepSeek Harness: DeepSeek Harness plugin: analyse images out of band with a vision model — pasted images are digested into text before admission and a describe_image tool covers image paths, all without ever changing the session's model.

Плагин «dsh-data-cleaning» для DeepSeek Harness: Data cleaning plugin: deduplication, format standardization, anomaly detection

Плагин «dsh-image-guard» для DeepSeek Harness: Trims historical images in outgoing chat requests down to a recent-image count, learns the provider per-prompt image cap from HTTP 400 responses, and retries with fewer images so image-heavy sessions keep working.

Плагин «dsh-screen-eye» для DeepSeek Harness: Agent screen capture on macOS and Windows: one tool captures the screen and returns the image itself, so the model sees it without a second call. On Windows a whole burst runs in one engine call; on macOS a resident helper drops a region capture to 13ms and a change check to 23ms. A second tool, macOS only, reports whether Screen Recording is granted and opens the settings pane that fixes it.

Плагин «dsh-peek» для DeepSeek Harness: DSH Web 内嵌文件预览：点击对话里本轮生成的产物文件（HTML / SVG / Markdown / 图片 / PDF / 代码 / CSV / 字体等）就地预览，不另开浏览器标签、也不用在本地打开文件。

Плагин «lookover#dsh-look» для DeepSeek Harness: Scene-awareness probe for DSH on macOS: a privacy-first, pull-model `look` tool that reads the frontmost non-self window (app info, AX title/selection, gated local OCR), plus a summon-hotkey snapshot captured the instant you press.

Плагин «dsh-display-panel» для DeepSeek Harness: Display tab for the DeepSeek Harness Web UI: watch and drive the AI's own per-session display. The browser half only talks to the same-origin /api/dsh-display-panel/* proxy (the access token never reaches the browser), and the host half starts the viewer

Плагин «dsh-image-reader» для DeepSeek Harness: 让纯文本会话模型也能读取用户上传的图片——包装原生 deepseek-official 适配器：声明图片输入能力放行附件，把图片交给视觉模型转成文字，再委托给纯文本 DeepSeek。

Плагин «dsh-plugin-image-ctx-menu» для DeepSeek Harness: 图片右键菜单：会话图片右键复制原图到剪贴板、另存为到本地

Плагин «dsh-ab-ocr» для DeepSeek Harness: --- description: "The out-of-tree ocr tool: recognizes a scanned PDF or image page by page, merges the pages in order only after the last one, and saves one Markdown document with the heading levels the model decided." kind: "package-reference" ---

Конфигурация усилий по рассуждению и модальности ввода для каждой модели для сторонних поставщиков: предложения, объединенные из базы знаний модели и исходных данных конечной точки /models с метками достоверности, отредактированные на официальной карточке страницы «Модели».

Плагин «dsh-image-studio» для DeepSeek Harness: DeepSeek Harness plugin: local text-to-image with a canvas-style GUI, inpainting, DeepSeek vision review, OpenAI-compatible API option, and a Python Stable Diffusion worker (diffusers/MPS).

Плагин «dsh-desktop-agent» для DeepSeek Harness: DSH desktop agent: a native-vision decision loop that drives the host desktop through the Cua Driver tools. DSH 桌面 Agent 子插件。

Плагин «dsh-plugin-computer-use» для DeepSeek Harness: computer-use v2.4：基于 Cua Driver 进程内 SDK 的跨平台桌面操作。13 个工具（截图/窗口列表/缩放/光标/移动/点击/拖拽/滚动/输入/按键/打开应用/连续动作/等待）。v2.4.1 适配 dsh 0.2.0：审批探测改走公有 overrideOf/session 覆盖 + 部署默认策略，任何探测形状失效时保守放行，杜绝 danger-full-access 会话因私有 API 变动而自锁全部工具。v2.4 修「宿主闲置后窗口/应用枚举静默变空」：全部驱动调用统一挂命名

Плагин «dsh-ocr-free» для DeepSeek Harness: Local OCR for DeepSeek Harness: read text out of images with Apple Vision on macOS — no network, no API key, nothing to install. Falls back to tesseract elsewhere.

Плагин «dsh-screen-capture-record-desktop» для DeepSeek Harness: DSH 桌面版输入框工具条插件：在「听写」左边加「录屏」与「截图」两个按钮 —— 录屏前先弹「选择要录制的内容」框（屏幕/窗口/自定义区域），截图带选区 + 标注（拖完框选手一松就能画）。Screen capture & recording buttons for the DSH desktop composer.

Плагин «dsh-agnes-multimodal» для DeepSeek Harness: Agnes AI 多模态融合插件：一个包同时提供「多模态配置」设置页（账号池，写入 $DSH_HOME/ag-multimodal.json）、generate_image 图片生成工具与 generate_video 视频生成工具，以及三者共用的一套会话内卡片 UI。融合自 dsh-agconfig + dsh-agimage + dsh-agvideo。