给盲模型配眼镜：开发者开源图像转文字 MCP 服务器 omma

Artistic-Load6086 · reddit · 2026-11-13

开发者的 agent 以 DeepSeek 为大脑，但 DeepSeek 看不了图。于是他做了 omma：输入图像，返回带置信度的 OCR 文本、颜色信息、64x36 的元素位置网格，以及按阅读顺序排列的布局区域。接了视觉模型还能附上描述，但不接也能用。

它以 MCP 服务器运行，配置里加一行 omma mcp serve 即可，也可直接用 CLI。作者坦承需要本地安装 Tesseract，单个环节失败不影响其余报告返回，并会标明哪里出了错；本地视觉路径只做过 mock 测试，托管版跑过真实图表和截图。