vision-multimodal

给 DeepSeek 这类纯文本模型补上「眼睛和耳朵」的完整视觉/听觉能力 —— 读图、OCR 取字、物体检测定位、视频理解、语音转写、多说话人分离、音乐分析、文档/PDF 可视化、截图直读、图像分割。双通道：默认走 MCP 工具（通义千问），也可用 vision.py 接任意 OpenAI 兼容供应商。