前言¶
DeepSeek 每張圖像最多記錄 384 個視覺令牌。當處理高分辨率圖像或密集文檔（如收據、表格、圖表或長截圖）時，這個預算往往不足以保留所有細節，導致小字或邊緣信息丟失。DSH Vision Tiler 插件通過圖像分塊技術，爲每個局部區域分配獨立的圖像預算，同時保留對源圖像的完整、可審計的覆蓋視圖。
這是什麼¶
這是 DeepSeek Harness (DSH) 插件生態中的一個視覺模型輔助工具，由維護者 zyh20041227 開發。它將一張高分辨率圖像拆解爲全局概覽、重疊覆蓋塊以及可選的密集區域詳情裁剪，供 DSH 模型讀取。該插件使用純 JavaScript 和內置 WebAssembly，避免了原生圖像構建庫的依賴衝突。
安裝與啓用¶
使用 DSH 的命令行工具安裝該插件。由於 npm 註冊表版本尚未發佈，需使用固定的 GitHub 版本標籤。
- 確保已安裝 DeepSeek Harness 和支持圖像的模型配置文件。
- 確保系統安裝了 Node.js 22 或更高版本。
- 執行安裝命令：
dsh plugin --profile web add github:zyh20041227/improved_vision_for_deepseek#v0.2.3
安裝完成後，可通過 dsh --profile web --dump-config 驗證插件是否加載成功。
核心功能¶
- 100% 幾何覆蓋：覆蓋塊經過審計，確保覆蓋源圖像的每一個像素。
- 重疊接縫：跨越分塊邊界的文字和形狀會在相鄰塊中保持可見，避免內容被切斷。
- 內容感知切割：在文檔模式下，算法會將接縫移動到低墨跡區域。
- 密集區域審查：可選生成 512×512 的詳情裁剪圖，用於補充基礎覆蓋。
- 有界批次：將大量分塊按模型安全閾值分批返回。
- 可追蹤輸出：每個分塊攜帶源座標、角色、批次狀態和保守令牌上限。
- 解碼支持：支持 PNG/JPEG/BMP/GIF/TIFF 解碼，使用內置 WASM 解碼 WebP，並支持 EXIF 方向修正。
典型用法¶
DSH 插件註冊了一個名爲 segment_image 的工具。開發者需要在提示詞中指示模型調用該工具，並在模型返回分塊後，繼續處理剩餘的分塊批次。
調用示例：
Call segment_image for D:\images\document.png with mode=document and batch_index=0.
If remaining_batch_indices is not empty, read every remaining batch before answering.
Report uncertain_regions and cite the tile IDs used.
工具參數說明：
| 參數 | 含義 |
|---|---|
path |
絕對路徑，或相對於 DSH 進程目錄的路徑 |
mode |
模式，可選 auto、document、diagram 或 photo |
strategy |
策略，默認 adaptive，也可選 uniform |
batch_index |
零基輸出的批次索引 |
適用場景與注意¶
適用場景：處理密集文字、表格、小字圖表或高分辨率文檔。基準測試顯示，在特定測試中，使用該插件後模型的精確代碼識別率（F1）從 19.68% 提升至 96.44%。
注意事項：
* 無原生構建：v0.2.3 版本使用純 JS 和 WebAssembly，無需配置 allow-build。
* 令牌限制：DeepSeek 的 384 令牌限制是硬性約束，插件通過分塊緩解而非消除該限制。
* 語義識別：插件保證幾何覆蓋，不能保證模型能語義識別每一個可見字符（如模糊、壓縮僞影或特殊字體）。
* 版本鎖定：目前使用固定 GitHub 版本，不依賴 npm 註冊表。
* 系統要求：需要 Node.js 22+ 環境。
短結尾¶
DSH Vision Tiler 插件通過幾何覆蓋和重疊接縫機制，解決了 DeepSeek 視覺模型在處理高密度圖像時的令牌預算不足問題。它通過可追蹤的輸出和有界批次，爲開發者提供了可控的圖像處理流水線。更多技術細節和基準數據可查閱其 GitHub 倉庫及技術報告。
