低成本模型也能看图：利用OCR为DeepSeek等非多模态模型赋予视觉能力

随着DeepSeek等高性价比大模型的流行，如何在控制成本的同时实现多模态交互成为技术社区的热点讨论方向。针对非多模态模型无法直接处理图像的短板，一种“前置OCR处理”的混合架构方案备受关注。该方案旨在构建一个智能路由机制，在输入端识别到图片时，先调用视觉模型提取关键信息或语义文本，随后将其作为纯文本上下文输送给DeepSeek等推理模型。这种方式不仅规避了频繁切换模型的繁琐操作，更在保留低成本推理优势的前提下，实现了对视觉能力的“无感”拓展。