楼主的设备是5060 8G 
Deepseek没有视觉能力实在是巨大痛点，于是尝试本地部署视觉小模型用于处理图片 目前实测效果如下 
Qwen3VL Flash 8b：压缩图片分辨率后，一张图片推理时间可达一分钟，识别和输出效果尚可 
Qwen3VL Flash 4b：同上情况，一张图片推理时间仅30秒，略差一点，没感觉区别特别大 
Gemma4 12b：ollama内可以正常调用 opencode调用提示显存不足 不能正常使用 
Gemma4 e4b-it-qat：可以用，推理时间仅十几秒，但是错别字情况严重，不知道英文识别能力会不会好一点 
目前的主力方案是求稳用8b，还在找有没有效果更好的模型，如果大家一更好的方案可以交流一下