简体中文 | English

dsh-pseudo-vision

给 DeepSeek Harness 的 text-only provider 装上"工具层视觉"：图片在 LLM dispatch 路径上自动拆解成 OCR 文字 + 颜色统计 + 像素扫描 + 元信息，让任意纯文本模型也能"看图"。全程本机执行，无外部视觉 API。

它在做什么

• 接管 deepseek-official 路由；按 bridgeProviders 白名单（或 bridgeOtherProviders）为其他 text-only provider 生成兄弟路由 dsh-pseudo-vision/<provider>（模型选择器中显示 · Pseudo Vision）
• 兄弟路由强制声明 inputModalities: ["text", "image"]，通过 DSH 图片 admission 门
• LLM dispatch 时：原生视觉模型透传；text-only 模型读附件 → 本地 4 工具转文本 → 替换 image block + 注入 <pseudo-vision-context> → 委派回原 provider

提供的工具

OCR 管线（v5）

1. 预处理：预算缩放（small/normal/large/mega，28 网格吸附）→ 深色模式检测（浅色不反色）→ 灰度 → 对比度拉伸 → 3×3 中值降噪 → 轻锐化（σ0.3）→ 白边
2. 主识别：tesseract 整页，输出全部文字行 + 置信度；非文本块（image/separator）过滤
3. 低置信度重试：最多 8 个区域，文字行优先（图标噪声行不抢占名额）；裁剪 + 3× Lanczos 放大 + 单文本块模式（PSM 6）重读；置信度更高时替换主行（证据块仍留痕）
4. CJK 后处理：字间空格合并（通 知→通知）、行首图标符号剥离
5. 数字复核：IP/URL/端口/长数字用 ASCII 白名单 + 单行模式重识别，标点保持首遍骨架，同长度 + 置信提升 ≥5 才接受，[数字复核 N 处] 留痕

实机验证：设置页截图 OCR 从"只出顶部 3 行、菜单文字全丢"修复为 11 行全检出、"通用设置/模型/通知"完全干净。关键修复：tesseract.js 的 PSM 参数必须传数字（字符串 "3" 会破坏整页检测）。

安装

# GitHub 安装（需网络，推荐）
dsh plugin --profile web add github:DDDFXYqiming/dsh-pseudo-vision

# Windows schannel/pnpm 拦截时改用本地路径
git clone https://github.com/DDDFXYqiming/dsh-pseudo-vision.git
cd dsh-pseudo-vision && pnpm install && pnpm build
dsh plugin --profile web add <本机绝对路径>

使用

装上即生效，无需额外配置。deepseek-official 路由自动支持图片；其他 provider 需显式白名单：

- id: dsh-pseudo-vision
  config:
    bridgeProviders: ["kimi-for-coding"]   # 只给这个 provider 生成兄弟路由
    ocrBudget: auto                        # 也可 small | normal | large | mega
    ocrNoResize: false                     # true：跳过预算缩放/放大

一次性桥接除 excludeProviders 外的所有 provider（谨慎：每个模型在选择器多一份条目）：

    bridgeOtherProviders: true

模型选择器出现 dsh-pseudo-vision/<provider> 兄弟路由；text-only 模型走本地伪视觉转换，原生视觉模型保持原生透传。