给你的 DeepSeek 装上眼睛
双平台视觉识别 — 豆包优先 · 双重验证 · 自动省token
快速开始 • 实测成绩 • 场景预设 • 双重验证 • 模型清单 • 🌐 English
git clone https://github.com/HXM-creator/deepseek-vision.git
cd deepseek-vision
set ARK_API_KEY=ark-你的key
node vision.js 图片.jpg "这是什么？"基于 55 张测试图（28合成 + 10真实 + 9Unsplash + 8自绘）全覆盖测试
| 测试 | 内容 | doubao-1.6-flash | doubao-1.5-vision-pro | qwen3-vl-flash |
|---|---|---|---|---|
| 🍜 牛肉面 | 识别为牛肉面 | ✅ | ✅ | — |
| 🚦 红绿灯 | 识别为红灯 | ✅ | ✅ | — |
| 🕐 时钟 | 识别为10:30 | ✅ | ✅ | — |
| 🏁 国旗 | 五星红旗 | ✅ | ✅ | — |
| 📊 图表 | Thu=150 | ✅ | ✅ | — |
| 🔋 电路 | 电池+灯泡 | ✅ | ✅ | — |
| 🍎 水果 | 苹果香蕉葡萄 | ✅ | ❌ | — |
| 😊 笑脸 | 笑脸表情 | ✅ | ✅ | — |
| 总分 | 8/8 🏆 | 7/8 | — |
| 模型 | 平均耗时 | 平均Token | 定位 |
|---|---|---|---|
| doubao-1.6-flash | ~1.3s | ~500 | 🥇 日常首选（最准） |
| doubao-1.5-vision-pro | ~1.0s | ~200 | ⚡ 极速识别 |
| qwen3-vl-flash | ~0.3s | ~120 | 🚀 最快响应 |
| doubao-seed-1.6-vision | ~4.8s | ~540 | 🏆 最强豆包 |
| qwen3-vl-32b-thinking | ~3.0s | ~205 | 🧠 深度推理 |
| 场景 | 命令 | 策略 |
|---|---|---|
| 🖼️ 日常识物 | 不加参数 | doubao-1.6-flash 优先（8/8全对） |
| 🔬 工科分析 | --task engineering |
千问，图表更准 |
| 🎌 动漫角色 | --task anime |
豆包（千问在动漫上0%） |
| 📖 识别+讲解 | --task explain |
识别后自动生成知识讲解 |
| 📝 文字提取 | --task ocr |
OCR专用模型 |
| 🖼️ 简单物体 | --task simple |
最快模型，不验证 |
| ⚡ 极省模式 | --task tiny |
最省token，适合大批量 |
| 🌄 场景描述 | --task scene |
千问深度推理 |
| 💬 交互追问 | --interactive |
连续追问同一张图，省token |
视觉模型会犯两类错误，--verify 自动捕捉：
看走眼（金门大桥→海湾大桥） → 🔍 交叉视觉比对
记错名（Giselle→金旼炡） → 📖 文本模型核查
不一致时 → 🎯 自动采用豆包结论
问"这是谁/什么建筑"时自动开启。加 --no-verify 跳过。
| 做法 | 节省 | 说明 |
|---|---|---|
用 --task tiny |
~70% | 快模型+关闭验证，适合大批量 |
| 自动压缩 >800KB | ~60% | 自动缩到1024px，不影响识别 |
用 --task simple |
~50% | 简单物体不需要验证 |
用 --interactive |
每次省50% | 同一张图追问不用重复传图 |
| 模式 | API调用 | 额外耗时 | 额外Token |
|---|---|---|---|
| 普通 | 1次 | 基准 | 基准 |
--verify |
最多+2次 | +3~10s | +400~1200 |
不退出程序，连续追问同一张图：
node vision.js 图片.jpg "这是谁？" --interactive
# 输出结果后进入对话
你 > 他有什么特征？
🤖 蓝发、白衬衫、惊讶表情...
你 > 用英文描述
🤖 Blue hair, white shirt...
你 > exit ← 退出省掉重复传图，token更省。
每次调用自动记录token消耗：
node vision.js --budget输出：
📊 用量统计
────────────────────────────────────────
本月累计: 1,353 tok
今日累计: 1,353 tok
💰 豆包剩余: 498,647 / 500,000 tok
💎 千问剩余: 998,647 / 1,000,000 tok
| 功能 | 说明 |
|---|---|
📝 Markdown输出 --format markdown |
结构化输出 |
| 🌐 URL图片 | 直接传网址自动下载分析 |
| 🤖 MCP协议 | node mcp-vision-server.js |
| 🔍 手动验证 | --verify / --no-verify |
支持任何 MCP 兼容客户端（Claude Desktop 等）：
{
"mcpServers": {
"deepseek-vision": {
"command": "node",
"args": ["路径/mcp-vision-server.js"]
}
}
}/run_skill deepseek-vision --arguments "识别这张图片"
共28个模型，经42款实测淘汰17个后保留。
日常首选: doubao-seed-1-6-flash-250828
极速识别: doubao-1-5-vision-pro-32k-250115
最强视觉: doubao-seed-1-6-vision-250815
事实核查: doubao-seed-1-8-251228（性价比最高，320tok）
最快响应: qwen3-vl-flash（0.3s/120tok）
均衡首选: qwen3-vl-plus
高质量: qwen-vl-max
深度推理: qwen3-vl-32b-thinking
OCR: qwen-vl-ocr-latest
- 注册 火山引擎 并登录
- 「ARK 推理」→ 创建 API Key（以
ark-开头） - 开通免费模型：
doubao-seed-1-6-vision-250815/doubao-seed-1-6-flash-250828 - 💰 免费额度：所有模型共享 50 万 token
- 注册 阿里云百炼 并登录
- 「模型广场」→「API Key 管理」→ 创建 API Key
- 开通免费模型：
qwen3-vl-plus/qwen-vl-max/qwen-vl-ocr-latest - 💰 免费额度：每个模型 100 万 token（独立计算）
DeepSeek Vision — 给你的 DeepSeek 装上眼睛
🌐 English Version