【Ideas】官方 API 何时开放图像输入？DSH 何时能用 read_image 读图？

[ZhijiangTang]

背景

DeepSeek V4 Pro 正式版（DeepSeek-V4-Pro-0813，2026-08-13）宣布「首次原生支持图像推理」（36氪实测报道），但公开 API 至今仍是 text-only。2026-08-14 用官方 API 实测：

1. POST https://api.deepseek.com/chat/completions，messages 使用 OpenAI 兼容的 image_url 内容块 → HTTP 400：unknown variant 'image_url', expected 'text'
2. 官方 API 更新日志 只说「deepseek-v4-pro 已更新为 DeepSeek-V4-Pro-0813，调用方式保持不变」，未记录任何图像输入格式
3. 阿里云百炼文档 标注 deepseek-v4-pro「输入模态 Text」
4. DSH 侧：@deepseek-ai/dsh-llm-deepseek 将所有 DeepSeek 模型声明为 inputModalities: ["text"]，read_image 对 deepseek-v4-pro 报「does not declare image input」

想请教

1. 官方 API 是否有图像输入的开放时间表？若有，预计是 OpenAI 兼容 image_url、文件上传还是独立 vision 端点？
2. API 开放后，dsh-llm-deepseek 适配器是否会同步声明 image 输入，read_image 能否即开即用？
3. 过渡期 DSH 是否考虑把「多提供商视觉回退」内置为一等能力？社区已有 visionDS、dsh-tool-see-image、dsh-vision-toolkit 等插件先例，说明「纯文本模型读截图」是真实需求。

场景

纯文本模型做网页自动化 / GUI 操作时，视觉核验（读截图确认填表结果、判断页面状态）目前只能人工代劳或外接第三方视觉模型。API 开放图像输入后，read_image + 浏览器截图即可让 agent 独立完成最后一环。

[weijiafu14]

你第 3 个问题现在已经有完整可用的方案，尤其适合浏览器截图已经落在 workspace/本地路径里的场景：DeepSeek 继续做纯文本主模型，另一个 vision provider 只负责看图。

Pi 生态的 @kassing/pi-vision 可以通过 pi2dsh 原样运行在 DSH 上。它会在首个 model step 前识别图片路径或 Web 粘贴的附件，调用单独配置的视觉模型，再把结果作为 DSH context injection 注入；因此不需要把整轮主模型切到视觉模型，图片像素也不会发给 DeepSeek 官方文本 API。

安装只需要 DSH 官方命令：

dsh plugin --profile web add pi2dsh@0.11.0
dsh plugin --profile web add @kassing/pi-vision

配置视觉端点后重启 DSH：

export VISION_BRIDGE_BASE_URL=https://openrouter.ai/api/v1
export VISION_BRIDGE_MODEL=qwen/qwen2.5-vl-72b-instruct
export VISION_BRIDGE_API_KEY=$OPENROUTER_API_KEY

pi2dsh 会自动为每条纯文本模型路由注册 DeepSeek + Vision Bridge 伴生分组，不需要手工修改模型声明。CLI 可以直接引用截图路径，Web 可以像原生 VLM 一样粘贴图片。

我们已在真实 DSH CLI 和 Web 两端验证：独立视觉模型识图 → pi2dsh:@kassing/pi-vision 上下文注入 → 纯文本 DeepSeek 继续推理并正确回答。

完整复现：https://github.com/weijiafu14/pi2dsh/tree/main/examples/vision-bridge

[shinjiyu]

Q1 没时间表。你测到的 400 和官方 changelog 对得上：公开 chat-completions 仍是 text-only，input: [text, image] 也不会让官方 DeepSeek 突然能看图。

Q2 即使 API 开了，dsh-llm-deepseek 现在把 DeepSeek 模型写成 inputModalities: ["text"]（#911），适配器不改声明的话 read_image 还是过不了门。

过渡期想贴图进会话，和楼上「另挂一个 vision provider 看截图」不是同一刀。这边只补准入：纯文本主模型也能把图贴进输入框，不伪装官方已经支持图像，也不是 vision_* / read_image 工具箱。

dsh plugin --profile web add github:shinjiyu/dsh-plugin-multimodal

重启 dsh web。#1709