1 Deepseek rất mạnh, nhưng có một thiếu sót
Lần này Deepseek thực sự rất mạnh, giá rẻ, cộng thêm việc phiên bản chính thức V4-Flash được phát hành, hiệu năng lại được nâng lên đáng kể. Hơn nữa, theo tiết lộ của đội ngũ OpenCode, mức tiêu thụ Token của Deepseek V4-Flash trên nền tảng này đã đạt 8 万亿 trong một ngày, lập kỷ lục lịch sử về mức tiêu thụ trong ngày.
Nhưng nó có một thiếu sót duy nhất: đây là mô hình chỉ xử lý văn bản, không thể nhận diện hình ảnh.
Tuy nhiên, trong các tình huống như phát triển lập trình, sửa Bug, nhận diện UI..., khả năng nhận diện hình ảnh lại rất quan trọng. Dù sao thì trong những bối cảnh này, việc xử lý chỉ bằng mô tả văn bản cũng không thuận tiện lắm. Nếu có thể trực tiếp gửi ảnh chụp màn hình để nó hiểu thì sẽ nhanh chóng và tiện lợi hơn, hiệu suất cũng được cải thiện đáng kể.
2 Skill nhận diện hình ảnh mã nguồn mở: Claude Vision
Ở đây xin giới thiệu một Skill nhận diện hình ảnh mã nguồn mở - claude-vision-skill. Đừng lo vì bản thân nó được tạo ra cho Claude, không vấn đề gì, nó có thể được cài đặt vào bất kỳ Agent nào và Agent sẽ tự động thích ứng.
https://github.com/asuojun/claude-vision-skill
- Trang kho lưu trữ Skill
Skill này chủ yếu giúp các mô hình không có khả năng nhận diện hình ảnh có được khả năng đó.
Nguyên lý: gửi hình ảnh cho một mô hình có khả năng nhận diện hình ảnh, sau đó nhận lại mô tả bằng văn bản, rồi Deepseek lấy phần mô tả văn bản này để xử lý. Vì vậy cần cấu hình một mô hình nhận diện hình ảnh.
Khuyến nghị tích hợp sẵn là Qwen (qwen3.5-omni-plus, qwen-vl-max): Alibaba Cloud Bailian, vì người dùng mới được miễn phí 100 万 Token, khoảng 0.02 nhân dân tệ/lần.
- Mô hình Qwen được khuyến nghị tích hợp sẵn
Bạn cũng có thể sử dụng các mô hình nhận diện hình ảnh khác hỗ trợ định dạng tương thích với OpenAI.
3 Cách cài đặt và cấu hình
Cài đặt như thế nào? Việc này rất đơn giản, chỉ cần đưa địa chỉ kho lưu trữ cho Codex là được, Codex sẽ giúp bạn cài đặt và cấu hình.
- Đưa địa chỉ kho lưu trữ cho Codex để tự động cài đặt
Mặc định sử dụng mô hình nhận diện hình ảnh Qwen của Alibaba (qwen3.5-omni-plus), người dùng mới có 100 万 Token, tương đương khoảng 7000 lần nhận diện hình ảnh.
Để lấy API Key của Qwen, hãy truy cập bảng điều khiển Qwen của Alibaba, tạo API Key rồi sao chép và nhập vào.
https://platform.qianwenai.com/home/api-keys
- Tạo API Key trong bảng điều khiển Qwen của Alibaba
4 Cài đặt thành công, kết quả thử nghiệm thực tế
Sau khi cài đặt thành công, bạn có thể sử dụng ngay.
- Có thể sử dụng ngay sau khi cài đặt thành công
Hãy thử nghiệm một chút, bây giờ tôi sẽ yêu cầu nó nhận diện nội dung trong hình ảnh này.
- Hình ảnh dùng để thử nghiệm nhận diện
Kết quả như sau, nội dung nhận diện hoàn toàn khớp.
- Kết quả nhận diện hoàn toàn khớp
Vậy là Deepseek đã được trang bị “đôi mắt”, giúp nó cũng có khả năng nhận diện hình ảnh và hiệu suất lại được nâng lên một bậc.
Tổng kết
Thông qua Skill mã nguồn mở, Deepseek được bổ sung khả năng nhận diện hình ảnh với chi phí cực thấp và hiệu quả rõ rệt. Từ nay, việc lập trình, gỡ lỗi và nhận diện UI đều có thể trực tiếp sử dụng hình ảnh để trao đổi, giúp mô hình chỉ xử lý văn bản thực sự “nhìn thấy” thế giới.