1 Deepseekは非常に優秀だが、1つ欠点がある
今回のDeepseekは非常に優秀です。価格が安く、さらにV4-Flash正式版のリリースで性能も大幅に向上しました。また、OpenCodeチームの発表によると、Deepseek V4-Flashは同プラットフォームで1日あたり8万億Tokenを消費し、1日あたりの過去最高記録を更新しました。
しかし、唯一の欠点があります。それは純粋なテキストモデルであり、画像を認識できないことです。
一方、プログラミング開発、バグ修正、UI認識などの場面では、画像認識が非常に重要です。こうした場面では、画像の内容を文字だけで説明して処理するのはあまり便利ではありません。スクリーンショットを直接渡して理解してもらえれば、より簡単かつ迅速になり、効率も大幅に向上します。
2 オープンソースの画像認識Skill：Claude Vision
ここでは、オープンソースの画像認識Skill「claude-vision-skill」を紹介します。Claude用のSkillだからといって心配する必要はありません。どのAgentにもインストールでき、Agentが自動的に適応します。
https://github.com/asuojun/claude-vision-skill
— Skillリポジトリのページ
このSkillは主に、画像認識機能を持たないモデルに画像認識能力を与えるものです。
仕組み：画像を画像認識対応モデルに送信し、文字による説明として返してもらいます。その後、Deepseekがその説明を取得して処理するため、画像認識モデルの設定が必要です。
組み込みのおすすめは千問（qwen3.5-omni-plus、qwen-vl-max）：阿里云百炼です。新規ユーザーは100万Tokenが無料で、1回あたり約0.02元です。
— 組み込みで推奨されている千問モデル
OpenAI互換形式に対応した、その他の画像認識モデルも利用できます。
3 インストールと設定方法
インストール方法は簡単です。リポジトリのURLをCodexに渡すだけで、インストールと設定を行ってくれます。
— リポジトリのURLをCodexに渡して自動インストール
デフォルトでは阿里千問の画像認識モデル（qwen3.5-omni-plus）を使用します。新規ユーザーは100万Tokenを利用でき、およそ7000回の画像認識が可能です。
阿里千問のAPI Keyを取得するには、阿里千問ワークベンチにアクセスしてAPI Keyを作成し、コピーして入力します。
https://platform.qianwenai.com/home/api-keys
— 阿里千問ワークベンチでAPI Keyを作成
4 インストール成功、実際の効果
インストールが成功すれば、すぐに利用できます。
— インストール成功後すぐに利用可能
試しに、今からこの画像の内容を認識させてみます。
— 認識テストに使用する画像
結果は以下のとおりで、認識内容は完全に一致しています。
— 認識結果が完全に一致
これでDeepseekに「目」を与え、画像認識能力を持たせることができ、効率もさらに向上しました。
まとめ
オープンソースのSkillでDeepseekに画像認識機能を補えば、コストは非常に低く、効果もすぐに現れます。これからはプログラミング、デバッグ、UI認識において、画像を直接使って説明でき、純粋なテキストモデルが本当に世界を「見られる」ようになります。