你滿(mǎn)心期待地打開(kāi) DeepSeek 的聊天框把一張聊天記錄截圖、一張 Excel 表格截圖拖進(jìn)去然后輸入“幫我把這頁(yè)數(shù)據(jù)整理成表格并且統(tǒng)計(jì)出總額?！彼芸旎亓艘痪湓?huà)“我是一個(gè)純文本模型目前無(wú)法直接識(shí)別圖片中的內(nèi)容?！边@不是它變笨了而是你越過(guò)了它的能力邊界。DeepSeek 在很長(zhǎng)一段時(shí)間里都專(zhuān)注于文本輸入輸出它的核心場(chǎng)景是代碼、文檔、推理、對(duì)話(huà)不是“看圖說(shuō)話(huà)”。但“看圖”的需求又是真實(shí)存在的票據(jù)、截圖、表格、流程圖、UI 草圖這些信息都長(zhǎng)在圖片里不轉(zhuǎn)成文字模型就處理不了。于是社區(qū)里冒出一個(gè)既實(shí)用、又有點(diǎn)“取巧”的方案——給 DeepSeek 安上眼睛。嚴(yán)格說(shuō)這不是原生多模態(tài)更像是一種“偽多模態(tài)”用外部工具把圖像翻譯成文本再讓 DeepSeek 基于文本做推理。這篇文章想把這件事講透包括它的原理、實(shí)現(xiàn)路徑、參數(shù)細(xì)節(jié)以及它到底適合什么場(chǎng)景不適合什么場(chǎng)景。1. 先把“偽多模態(tài)”這件事說(shuō)清楚它不是模型變聰明而是流程變長(zhǎng)了1.1 真正的多模態(tài)和“偽多模態(tài)”差在哪原生多模態(tài)模型的底層是視覺(jué)編碼器加語(yǔ)言模型的聯(lián)合訓(xùn)練。圖像會(huì)先被編碼成向量再和文本指令一起進(jìn)入模型模型自己就能“看到”圖片。如果 DeepSeek 原生支持識(shí)圖API 請(qǐng)求里會(huì)直接有圖像字段你不需要在外部做任何轉(zhuǎn)換。偽多模態(tài)沒(méi)有這層。它做的事情是先用另一個(gè)模型或工具把圖片轉(zhuǎn)成文本再把文本作為輸入傳給 DeepSeek。換句話(huà)說(shuō)模型本身依然看不到圖片看到圖片的是前面的“翻譯官”。所以“偽”字不是在貶低這個(gè)方案而是在提醒我們一個(gè)事實(shí)模型的能力邊界沒(méi)有變變的是整個(gè)調(diào)用鏈路的長(zhǎng)度。你從“一張圖片直接提問(wèn)”變成了“圖片 → 文本 → 提問(wèn) → 推理 → 輸出”。鏈路長(zhǎng)了靈活性反而高了因?yàn)槟憧梢栽谥虚g插入 OCR、視覺(jué)描述、結(jié)構(gòu)化抽取等不同環(huán)節(jié)。記住這個(gè)判斷偽多模態(tài)解決的不是“讓 DeepSeek 擁有視覺(jué)”而是“讓 DeepSeek 拿到圖片里的信息”。1.2 為什么這種方式能跑通本質(zhì)是把“視覺(jué)問(wèn)題”轉(zhuǎn)成“文本問(wèn)題”文本模型最擅長(zhǎng)的就是處理文本。截圖里的字被 OCR 提取后變成字符串UI 流程圖被視覺(jué)模型轉(zhuǎn)述成“這是一個(gè)登錄頁(yè)面包含用戶(hù)名框、密碼框和登錄按鈕”票據(jù)里的金額被識(shí)別成“人民幣 12,800 元”。DeepSeek 拿到這些文本后照樣能完成推理、總結(jié)、代碼生成。關(guān)鍵在于識(shí)圖任務(wù)里真正難的是“圖像理解”但很多業(yè)務(wù)場(chǎng)景要的其實(shí)只是“圖像里的信息和結(jié)構(gòu)”。信息能被文本化結(jié)構(gòu)能被描述清楚文本模型就能接手。舉個(gè)例子。你要 DeepSeek 幫你把一張表格截圖生成 Markdown 表格如果它沒(méi)長(zhǎng)眼睛這事做不了。但你先用 OCR 把表格里的每一行每一列抽成帶分隔符的純文本再把這段文本交給 DeepSeek它會(huì)處理得很好。DeepSeek 不需要看到表格的邊框它只需要看到行列關(guān)系。這也是“偽多模態(tài)”能成立的底層邏輯視覺(jué)任務(wù)可以被拆成“感知”和“推理”兩步。感知交給專(zhuān)門(mén)的視覺(jué)工具推理交給文本模型。兩者各干各的再通過(guò)接口串起來(lái)。2. 三條給 DeepSeek“裝眼睛”的常見(jiàn)路徑怎么選給 DeepSeek 加上識(shí)圖能力不是只有一個(gè)辦法。根據(jù)你的場(chǎng)景、成本和精度要求通常有三條路徑可以走。2.1 路徑一純 OCR適合圖片里主要是文字的場(chǎng)景如果圖片里的核心內(nèi)容就是文字比如截圖、文檔、票據(jù)、表格那么最簡(jiǎn)單的方式是 OCR。OCR 把圖片里的文字識(shí)別出來(lái)變成純文本然后直接交給 DeepSeek。優(yōu)勢(shì)是成本低、速度快、實(shí)現(xiàn)簡(jiǎn)單。很多 OCR 引擎在本地就能跑不依賴(lài)額外的大模型也沒(méi)有圖像 token 費(fèi)用。劣勢(shì)是它只能提取文字不能理解圖像里的非文字信息。比如一張界面截圖里有紅色按鈕、布局、圖標(biāo)OCR 只能拿到按鈕上的文字拿不到按鈕的位置視覺(jué)關(guān)系。純 OCR 適合的場(chǎng)景很明確文字密集、結(jié)構(gòu)清晰、不需要空間關(guān)系推斷。比如“把這張聊天記錄總結(jié)成要點(diǎn)”“把這張發(fā)票的內(nèi)容提取出來(lái)”。2.2 路徑二視覺(jué)描述模型適合圖片里沒(méi)有太多文字但有信息結(jié)構(gòu)如果圖片本身是照片、流程圖、UI 草圖、產(chǎn)品外觀(guān)文字很少純 OCR 就失效了。這時(shí)候需要另一個(gè)“眼睛”一個(gè)支持圖像輸入的視覺(jué)語(yǔ)言模型把圖片內(nèi)容轉(zhuǎn)述成自然語(yǔ)言描述。操作上你把這個(gè)視覺(jué)模型當(dāng)成中間服務(wù)輸入圖片輸出一段描述文本再把描述文本交給 DeepSeek。視覺(jué)模型負(fù)責(zé)“看”DeepSeek 負(fù)責(zé)“想”。優(yōu)勢(shì)是適用范圍更廣能處理照片、圖表、界面等非純文字信息。劣勢(shì)是描述過(guò)程中可能丟失細(xì)節(jié)而且多了一層模型調(diào)用成本和耗時(shí)都會(huì)增加。選這個(gè)路徑時(shí)視覺(jué)模型的描述能力很關(guān)鍵。描述寫(xiě)得越完整DeepSeek 后面的推理就越準(zhǔn)。2.3 路徑三編排框架適合想把流程固化下來(lái)長(zhǎng)期使用第三類(lèi)方式是使用編排框架、插件或客戶(hù)端工具把“圖片輸入 → 視覺(jué)轉(zhuǎn)換 → DeepSeek 推理 → 結(jié)果輸出”整個(gè)流程封裝起來(lái)。這也是社區(qū)里最常被提到的做法。很多第三方客戶(hù)端和開(kāi)源項(xiàng)目已經(jīng)支持給 DeepSeek“掛”一個(gè)視覺(jué) skill 或插件。這種路徑的優(yōu)勢(shì)是體驗(yàn)好不需要自己寫(xiě)代碼用戶(hù)直接把圖片拖進(jìn)對(duì)話(huà)框框架會(huì)自動(dòng)調(diào)用視覺(jué)模型生成文本再傳給 DeepSeek。劣勢(shì)是依賴(lài)具體項(xiàng)目版本變化快配置復(fù)雜而且不同項(xiàng)目對(duì)隱私、數(shù)據(jù)存儲(chǔ)、密鑰管理的處理方式差異很大。如果你想快速驗(yàn)證效果可以先試這類(lèi)編排工具如果你想穩(wěn)定落地到自己的業(yè)務(wù)里我更建議自己實(shí)現(xiàn)流程因?yàn)榭煽匦愿摺?.4 三條路徑怎么選路徑適合場(chǎng)景主要成本實(shí)現(xiàn)難度信息保真度純 OCR截圖、文檔、票據(jù)、表格低本地可跑低文字保真非文字信息丟失視覺(jué)描述模型照片、流程圖、UI 草圖中額外模型調(diào)用中取決于描述模型能力可能丟細(xì)節(jié)編排框架想快速上手、固化流程視項(xiàng)目而定中到高依賴(lài)內(nèi)部封裝的視覺(jué)模塊不要一上來(lái)就追求“最全”的方案。先看你的圖片里到底有什么是文字多還是結(jié)構(gòu)多還是視覺(jué)細(xì)節(jié)多。文字多用 OCR結(jié)構(gòu)多用描述模型兩者都有才考慮組合使用。3. 最小可用流程從一張圖片到一段文本回復(fù)下面我給出一個(gè)最小可用的“偽多模態(tài)”流程。這里不綁定具體工具因?yàn)椴煌h(huán)境下的 OCR 引擎和視覺(jué)模型差異很大重點(diǎn)是讓你理解整個(gè)鏈路的關(guān)鍵環(huán)節(jié)。3.1 前置準(zhǔn)備先確認(rèn)你有哪些基礎(chǔ)資源開(kāi)始之前你需要準(zhǔn)備三樣?xùn)|西一個(gè) DeepSeek API Key以及能正常訪(fǎng)問(wèn) DeepSeek 開(kāi)放平臺(tái)的網(wǎng)絡(luò)環(huán)境一個(gè)能把圖片轉(zhuǎn)成文本的工具可以是本地 OCR 庫(kù)也可以是一支持圖像輸入的模型接口一段把整條鏈路串起來(lái)的小程序Python 腳本足夠。如果原始材料里沒(méi)有說(shuō)明具體依賴(lài)版本落地前先確認(rèn)你用的 OCR 庫(kù)、視覺(jué)模型 SDK 和 DeepSeek SDK 之間的版本兼容關(guān)系。不要盲目升級(jí)某一邊容易踩到依賴(lài)坑。3.2 第一步把圖片變成文本假設(shè)你選擇 OCR 路徑。你先把圖片讀入調(diào)用 OCR 引擎得到文本。下面是一個(gè)常見(jiàn)寫(xiě)法的示意結(jié)構(gòu)具體參數(shù)以你實(shí)際使用的庫(kù)為準(zhǔn)# 示例結(jié)構(gòu)使用 OCR 庫(kù)識(shí)別圖片中的文字 from PIL import Image import your_ocr_engine # 換成你實(shí)際使用的 OCR 庫(kù) image_path ./example_table.png img Image.open(image_path) # 這里通常會(huì)有語(yǔ)言、格式、是否輸出坐標(biāo)等參數(shù) result your_ocr_engine.recognize(img, langch, output_formattext) print(result)如果你選視覺(jué)描述模型路徑這個(gè)環(huán)節(jié)就會(huì)變成調(diào)用一個(gè)支持圖像輸入的模型接口讓它輸出圖片的自然語(yǔ)言描述。需要注意一些模型服務(wù)會(huì)把圖片當(dāng)作 base64 字符串傳入也可能要求傳入圖片 URL。具體格式要提前查清楚。3.3 第二步把文本交給 DeepSeek拿到圖中文本之后把它拼進(jìn)系統(tǒng)提示詞或用戶(hù)消息里。為了讓 DeepSeek 理解“這段文字是從圖片里提取的”最好在提示詞里明確告訴它。# 示例結(jié)構(gòu)調(diào)用 DeepSeek API將 OCR 文本交給模型 from openai import OpenAI client OpenAI( api_key你的_key, base_urlhttps://api.deepseek.com ) ocr_text 這里替換為第一步識(shí)別出來(lái)的文本 user_message ( 下面是從一張表格截圖中識(shí)別出來(lái)的原始文本可能帶換行和噪聲。\n 請(qǐng)把它整理成規(guī)范 Markdown 表格并計(jì)算最后一列的總和。\n\n f{ocr_text} ) response client.chat.completions.create( modeldeepseek-chat, # 以你的賬號(hào)實(shí)際可用的模型名為準(zhǔn) messages[ {role: system, content: 你是信息整理助手擅長(zhǎng)從文本中還原結(jié)構(gòu)化內(nèi)容。}, {role: user, content: user_message} ] ) print(response.choices[0].message.content)這里有兩個(gè)容易踩的坑第一不要把 OCR 結(jié)果原封不動(dòng)丟掉。OCR 輸出可能帶多余換行、空格、亂碼但先別急著清理讓 DeepSeek 做格式化反而更穩(wěn)。你把噪聲清理得越狠越容易誤刪關(guān)鍵信息。第二模型名不要寫(xiě)死。不同時(shí)間、不同賬號(hào)下可用模型可能不同先用開(kāi)放平臺(tái)控制臺(tái)里的實(shí)際模型名。3.4 第三步先做單條驗(yàn)證再批量第一次跑通時(shí)不要直接處理 100 張圖。先用一張內(nèi)容最有代表性的圖片驗(yàn)證三個(gè)東西OCR/描述結(jié)果是否完整、DeepSeek 是否理解任務(wù)、輸出格式是否符合預(yù)期。如果 OCR 結(jié)果缺字先調(diào)識(shí)別語(yǔ)言或清晰度而不是改 DeepSeek 的提示詞如果 DeepSeek 輸出格式不對(duì)修改任務(wù)描述如果鏈路整體沒(méi)問(wèn)題再考慮批量。不要一上來(lái)把目標(biāo)圖片當(dāng)作批量任務(wù)直接跑先用一張圖驗(yàn)證三個(gè)東西文字提取是否完整、描述是否準(zhǔn)確、DeepSeek 輸出是否符合預(yù)期。4. 關(guān)鍵參數(shù)與 token 預(yù)算這里決定你能否批量使用很多人第一次跑通后第二件事就是“我要一次處理幾千張圖片”。但在批量之前有幾個(gè)參數(shù)和預(yù)算問(wèn)題必須弄明白。4.1 圖片壓縮和 base64直接影響等待時(shí)長(zhǎng)圖片不是直接發(fā)給 DeepSeek 的它是先發(fā)給視覺(jué)模塊。視覺(jué)模塊接收?qǐng)D片時(shí)一般有兩種方式傳本地文件路徑或者傳 base64 字符串。如果你用 API 調(diào)用視覺(jué)模型大概率是傳 base64。base64 會(huì)把圖片體積增加約 33%。一張 2MB 的圖片base64 后接近 2.7MB上傳和解析都會(huì)變慢。實(shí)際上大部分識(shí)圖場(chǎng)景根本不需要原圖那么大。比如識(shí)別一張截圖里的文字把圖片壓縮到 1280px 寬度甚至 800px 寬度通常會(huì)更快識(shí)別率也未必下降。建議在進(jìn)入視覺(jué)模塊之前先做一次圖片預(yù)處理統(tǒng)一圖片格式為 JPEG 或 PNG把長(zhǎng)邊壓縮到 1280px 左右圖片過(guò)暗、過(guò)模糊時(shí)先做基礎(chǔ)增強(qiáng)如果是批量任務(wù)圖片命名規(guī)范里帶上業(yè)務(wù) ID方便后面追查。4.2 OCR 和描述模型的 prompt 傾向如果是純 OCR盡量用高識(shí)別精度的“文本模式”不要把 OCR 引擎的自動(dòng)分段結(jié)果當(dāng)成最終格式。你可以先讓它輸出帶行號(hào)或坐標(biāo)的原始文本方便后續(xù)對(duì)齊。如果是視覺(jué)描述模型提示詞要盡量具體。比如“請(qǐng)描述這個(gè)界面里所有可見(jiàn)的按鈕、輸入框、文本和它們的相對(duì)位置”比“描述一下這張圖”要好得多。描述越結(jié)構(gòu)化DeepSeek 越容易完成任務(wù)。視覺(jué)模型描述時(shí)你還要注意一個(gè)取舍描述越詳細(xì)token 越多描述越簡(jiǎn)單信息丟失越嚴(yán)重。我的建議是在正文內(nèi)容保真和 token 消耗之間取平衡先讓描述模型輸出結(jié)構(gòu)化要點(diǎn)不要輸出散文。4.3 DeepSeek 上下文和成本預(yù)算DeepSeek 處理的是文本所以圖片信息轉(zhuǎn)成文本后會(huì)占用它的上下文空間。一張復(fù)雜截圖的 OCR 結(jié)果可能 2000 到 5000 字一段完整的 UI 描述可能 800 到 1500 字。同一批任務(wù)如果一次塞太多張圖很容易超過(guò)上下文窗口或者讓單次請(qǐng)求變得很貴。從工程經(jīng)驗(yàn)看批量任務(wù)建議采用“逐步處理”策略每張圖片單獨(dú)跑 OCR/描述得到該圖的文本對(duì)文本做質(zhì)量檢查確認(rèn)沒(méi)有大面積識(shí)別錯(cuò)誤把多張圖的文本合并提交給 DeepSeek 時(shí)先估算總 token如果文本太長(zhǎng)優(yōu)先拆成多個(gè)子任務(wù)比如按頁(yè)拆分、按業(yè)務(wù)字段拆分。下面是一張粗略的成本估算表具體價(jià)格會(huì)隨平臺(tái)調(diào)整而變化但思路是通用的環(huán)節(jié)一次調(diào)用的大致消耗批量時(shí)的風(fēng)險(xiǎn)OCR 識(shí)別CPU/內(nèi)存占用少量存儲(chǔ)并發(fā)過(guò)高時(shí)線(xiàn)程阻塞視覺(jué)描述模型圖像 token 輸出文本 token描述過(guò)長(zhǎng)導(dǎo)致成本膨脹DeepSeek 文本推理輸入文本 token 輸出 token合并多圖時(shí)超上下文文件存儲(chǔ)圖片 文本中間結(jié)果中間結(jié)果沒(méi)有留存出問(wèn)題難排查有一個(gè)很多人忽略的點(diǎn)中間文本最好落盤(pán)保存。OCR/描述的中間結(jié)果保存成 JSON 或文本文件DeepSeek 的輸出也留一份。這樣即使 DeepSeek 返回異常你也能定位是視覺(jué)模塊的問(wèn)題還是模型推理的問(wèn)題。5. 翻車(chē)現(xiàn)場(chǎng)常見(jiàn)報(bào)錯(cuò)的排查鏈路偽多模態(tài)鏈路比普通文本調(diào)用多了一個(gè)環(huán)節(jié)所以報(bào)錯(cuò)位置也多了一個(gè)。下面這些現(xiàn)象我在實(shí)際折騰中經(jīng)常遇到。5.1 報(bào)錯(cuò)現(xiàn)象模型不認(rèn)圖片這類(lèi)報(bào)錯(cuò)的提示通常是“這個(gè)模型不支持圖片輸入”或接口層面提示 image 字段無(wú)效。出現(xiàn)這個(gè)報(bào)錯(cuò)說(shuō)明你把圖片直接傳給了 DeepSeek 的文本接口而 DeepSeek 沒(méi)有原生視覺(jué)能力。正確的處理方式是把圖片內(nèi)容先轉(zhuǎn)成文本再傳文本。不要跟模型層較勁問(wèn)題出在輸入階段。5.2 報(bào)錯(cuò)現(xiàn)象OCR 識(shí)別出來(lái)了但 DeepSeek 答非所問(wèn)這很可能是“文本質(zhì)量”問(wèn)題。OCR 識(shí)別出了文字但把表格的列和行關(guān)系弄亂了或者把換行搞丟了。DeepSeek 拿到一段沒(méi)有結(jié)構(gòu)信息的文本自然很難還原表格。處理方法是先檢查 OCR 輸出而不是反復(fù)改 DeepSeek 的提示詞。你可以在傳給 DeepSeek 之前把 OCR 文本先打印出來(lái)看一遍確認(rèn)字段順序、分隔符、換行都還合理。5.3 報(bào)錯(cuò)現(xiàn)象批量任務(wù)中途超時(shí)或限流批量處理時(shí)既有 OCR 引擎的資源消耗又有 DeepSeek API 的并發(fā)限制還可能有文件讀取的 IO 瓶頸。報(bào)錯(cuò)可能表現(xiàn)為部分任務(wù)超時(shí)、全部任務(wù)排隊(duì)很久、結(jié)果缺失。這時(shí)先確認(rèn)瓶頸在哪一層只有一張圖都慢看是 OCR 庫(kù)本身慢還是接口網(wǎng)絡(luò)慢多張圖后變慢看是并發(fā)不夠還是接口被限流單張正常、批量偶爾失敗多半是并發(fā)策略需要加退避重試。5.4 穩(wěn)定排查順序無(wú)論遇到什么問(wèn)題我建議按下面的鏈路排查先看現(xiàn)象是報(bào)錯(cuò)、卡住、無(wú)輸出還是輸出結(jié)果錯(cuò)誤。再看輸入圖片路徑是否正確、格式是否支持、文字是否清晰、OCR/描述結(jié)果是否完整。再看環(huán)境依賴(lài)版本、API Key 權(quán)限、網(wǎng)絡(luò)連通性、磁盤(pán)空間是否充足。再看參數(shù)并發(fā)數(shù)、超時(shí)時(shí)間、最大 token、圖片壓縮尺寸是否合理。最后看工具邊界DeepSeek 是否支持當(dāng)前任務(wù)、視覺(jué)模型是否真的理解圖片、中間格式轉(zhuǎn)換是否丟失信息。這個(gè)順序幾乎能覆蓋大部分問(wèn)題。不要一上來(lái)就懷疑 DeepSeek 的推理能力大多數(shù)翻車(chē)不是因?yàn)槟Ｐ捅慷且驗(yàn)榍懊嫖菇o它的材料就錯(cuò)了。6. 什么時(shí)候該用偽多模態(tài)什么時(shí)候該等原生方案前面講了原理、路徑、流程、參數(shù)和排查最后必須把適用邊界說(shuō)清楚否則你會(huì)被這個(gè)方案“坑”在不合適的地方。6.1 適合偽多模態(tài)的場(chǎng)景第一類(lèi)是文字型圖片。聊天記錄、文檔截圖、表格截圖、票據(jù)、簡(jiǎn)歷、合同掃描件。這些圖片里的核心資產(chǎn)是文字OCR 提取后交給 DeepSeek 整理效果很好。第二類(lèi)是低復(fù)雜度視覺(jué)理解。比如“這個(gè)界面上有哪些功能”“這張海報(bào)上的活動(dòng)規(guī)則是什么”“這個(gè)流程圖描述了什么流程”。只要視覺(jué)模型能給出準(zhǔn)確的結(jié)構(gòu)化描述DeepSeek 就能接手。第三類(lèi)是流程里已經(jīng)需要文本模型的地方。你本來(lái)就在用 DeepSeek 做日志分析、文檔生成、代碼編寫(xiě)只是偶爾需要處理圖片。不值得為了偶爾幾次識(shí)圖任務(wù)專(zhuān)門(mén)換一個(gè)原生多模態(tài)模型外掛視覺(jué)模塊更劃算。6.2 不適合偽多模態(tài)的場(chǎng)景第一類(lèi)是強(qiáng)空間關(guān)系任務(wù)。比如“這張照片里的人在畫(huà)面的哪一側(cè)”“兩個(gè)物體距離遠(yuǎn)不遠(yuǎn)”。視覺(jué)模型轉(zhuǎn)成文本時(shí)空間信息會(huì)大量丟失DeepSeek 拿到文本后只能猜。第二類(lèi)是細(xì)粒度視覺(jué)差異。比如判斷兩張?jiān)O(shè)計(jì)稿的顏色、像素級(jí)對(duì)齊、圖標(biāo)形狀差異。這類(lèi)任務(wù)對(duì)視覺(jué)編碼要求極高文本化描述遠(yuǎn)遠(yuǎn)不夠。第三類(lèi)是敏感信息和高錯(cuò)誤容忍成本場(chǎng)景。如果圖片里包含大量隱私數(shù)據(jù)或者識(shí)別錯(cuò)誤會(huì)產(chǎn)生嚴(yán)重業(yè)務(wù)后果你應(yīng)該優(yōu)先考慮做完整的多模態(tài)方案并做好數(shù)據(jù)脫敏和人工復(fù)核而不是圖省事套一層偽多模態(tài)。6.3 我的建議偽多模態(tài)不是一個(gè)完美方案但它是一個(gè)很實(shí)際的工程取舍。它解決的本質(zhì)問(wèn)題是在模型能力受限的情況下如何用流程編排讓文本模型完成視覺(jué)任務(wù)。它的價(jià)值不在“更快”而在“讓一個(gè)原本不可用的場(chǎng)景變得可用”。如果你只是嘗鮮用編排工具把圖拖進(jìn)去看效果就夠了。如果你想放進(jìn)真實(shí)項(xiàng)目至少要補(bǔ)上圖片預(yù)處理、中間文本留存、日志、異常重試和人工抽檢。先跑通再優(yōu)化最后工程化這個(gè)順序比什么都重要。等到未來(lái) DeepSeek 或其它文本模型真正開(kāi)放原生視覺(jué)能力時(shí)你也不需要推翻現(xiàn)在這套流程。把最前面的“視覺(jué)模塊”換成原生圖像輸入后面的文本處理邏輯還可以繼續(xù)復(fù)用。所以今天折騰這套偽多模態(tài)并不是白費(fèi)功夫它是在幫你提前搭好一條可替換的前處理鏈路。