プラグイン

DeepSeek Harness 向け ROS2 デバッグツールセットとロボット状態視覚分析: ノード/トピック/サービス/アクション/インターフェース/TF 列挙、グラフ全体トポロジ JSON、rosdep チェック、承認ゲート付きビルドとカスタムメッセージスキャフォールド、GUI スクリーンショットとマルチモーダル視覚観測に加え、ヘッドレス RViz2 オフスクリーンレンダリング(ローポリのメッシュ、直接ピクセル読み取り、GPU パススルー — モーションは 30Hz レンダリング)と並列 VLM リアルタイム解析。

DeepSeek ブレイン + 自動画像文字起こし:GUI で画像を添付すると、デフォルトで公式の deepseek-v4-flash-vision-exp により文字起こしされます(純粋テキストの V4-Pro ブレインも画像を見ることができます)。代替として、任意の OpenAI 互換 VLM またはローカル Ollama も使用可能。

テキストのみの DeepSeek Harness エージェントに動画理解能力を付与：シーン認識フレームサンプリング + VLM + オプションの ASR 文字起こしをタイムラインエビデンスに融合。/ 純テキストモデル用の動画理解プラグイン（シーン感知抽フレーム + VLM + オプション音声転写）

低コストな動画理解ツール。video_understand ツールが Bilibili リンク / BV / ローカル動画を AVIS 情報層（ASR + シーン構造 + オブジェクト追跡 + YOLO ラベル）に変換し、要約 + Q&A を返す。質問主導のレイヤー間ダイナミックルーティング（L0 ASR / L1 オブジェクト追跡 / L2 キーフレーム VLM）、繰り返し質問向けの意味レイヤー再利用、質問ごとの予算上限を備える。Python エンジン: コア層には faster-whisper / opencv / yt-dlp が必要（約200-300MB）。任意の意味層を追加すると torch / transformers / ultralytics が約2GB 増える。付属の doctor --fix が venv をセットアップし、両方をインストールする。

テキストのみのDeepSeekにビジョン機能を追加、デフォルトはDoubao Web経由（無料・APIキー不要——WindowsのCDPブリッジ経由でログイン済みのChromeを操作）、Antigravity IDEのクォータ（flash/pro）またはGeminiへのフォールバックにも対応。詳細レベルの自動エスカレーション、圧縮後の再水和に対応したビジョン証跡メモリ、コンテンツハッシュキャッシュ、バイリンガルのクライアントパネルを備える。

テキスト専用のDSHセッション向けオンデマンドビジョン：画像はマーカーに変換され、vision_describeツールが画像と質問のみをOpenAI互換のビジョンモデルに送信します

AI が VLM（マルチモーダルモデル）を自動呼び出しして視覚分析を行えるようにする dsh プラグイン。

DSH 向けのオムニモーダル・ワークステーション：順序付けられたマルチカード VLM フェイルオーバーチェーン上の analyze_image、同じ画像リゾルバーを共有する 6 ツールのビジョンツールキット（ズーム、色サンプリング、ピクセル差分、OCR、要素検出、インライン表示）、OpenAI/DashScope/ComfyUI プロトコル上の generate_image、/build-video-tool ビルダーを備えたマルチカード非同期 generate_video、7 つのプロバイダー上の speak/clone_voice TTS。すべてが 1 つの自動保存設定ページから操作されます。

テキスト専用 DeepSeek 向けのビジョンツールキット。モデルから呼び出せる `vision` ツール、deepseek/opencode-go 用ラッパーアダプタ（v4 flash/pro）、Antigravity IDE クォータ（default, flash/pro）/任意の OpenAI 互換 VLM / Gemini / ローカル Ollama チャネル、圧縮再復元付きの証拠メモリ、コンテンツハッシュキャッシュ、そしてバイリンガルのクライアントパネルを備える。

Drag-and-drop / paste / upload files and images; on non-multimodal models images are auto-described by a configured VLM.

任意の OpenAI 互換 VLM（ローカル Ollama またはクラウド）向けの view_image ツールを備えたチャット画像添付ブリッジ：貼り付け/ドロップされた画像はテキスト専用の DeepSeek モデルに届く前に view_image のパスマーカーになる。

テキスト専用エージェント向けのローカル優先の構造化ビジョン：画像はローカルの OpenAI 互換 VLM に送られ、JSON の証拠（要約、逐語 OCR、レイアウト領域、エンティティ/関係、色、明示的な不確実性）として返ります。ハルシネーション対策のフォールバックと任意の貼り付け/アップロードブリッジ付き。クラウド費用はゼロで、画像はマシン外に出ません。

テキスト専用の DeepSeek Harness(dsh)モデルにビジョン機能をプラグインとして追加します。低価格/無料の VLM プリセットを内蔵した `vision` ツール、複数画像の一括解析、貼り付けによる画像入力、ホットリロード対応の Web 設定ページを提供します。

Use local MLX-LM or MLX-VLM models in DeepSeek Harness through a loopback OpenAI-compatible provider, with optional DSH-owned server startup.

明眸 VisionBridge - 自研の視覚ブリッジ：盲目モデルが画像を受信時、自動的に視覚モデルを呼び出して認識し、認識したテキストをメインモデルへフィードバック、違和感なし、設定可能、アップグレード時も失われない