使用 deepseek，外接视觉模型有什么好的便宜的方案推荐

[foryou2023]

deepseek 不是多模态，在实际的使用中写 UI 确实差点意思，感觉好麻烦，特别是调 UI 的时候，感觉不好沟通。

目前实践制作 UI 的流程是让 deepseek 绘制 ascii UI 布局，确定布局之后，就整理提示词使用 gemini 的

stitch 制作原型图，原型图确定了再回到 deepseek 里面制作界面。

实际的过程中就会遇到一些小问题，比如网站 一下 UI 细节或者按钮的大小不一致，deepseek 无法看到，文字

描述的话，deepseek 没有办法一次性搞定。

所以想求一个比较好的使用方案能解决 deepseek 做 UI 视觉上面碰到的问题。

[smy14520]

claude code 中使用 智谱的视觉 mcp 多模模型可以自己选一个也可以用 智谱自己的 4.6v

[foryou2023]

@smy14520 感谢，我去试试

[yinyu]

我自己做了个 OCR 的脚本其实就是调用视觉模型，我可以分享下经验，我试过百炼的 qwen3.6-flash 但是不够 flash ，中大的一张图就得花十秒左右。我让 codex 写脚本测试了 groq/cerabras/google 提供的视觉模型，最终发现同样的图,最快并且准确的最高（因为我是识别理财平台的持仓之类的一些信息，准确度很重要）的是
~/.hammerspoon master* ❯ cat remote_ocr.lua|grep gemini
M.model = "gemini-3.5-flash-lite"
~/.hammerspoon master* ❯


如果你对数字不敏感，其实 groq 和 cerebras 的视觉模型能够更快，描述一个布局什么的，小意思。

但是其实。你也可以让 Agent 通过 MCP 直接链接浏览器，这样就可以更具体的知道真实效果。

[l84]

sensenova

[CykaBlyat]

我是调用了火山的豆包识图

[foryou2023]

@yinyu
@l84
@CykaBlyat 感谢回复