liustack/modlens

これは何？

主な機能

• 01チャットに貼り付けた画像を読み取り、OCR・レイアウト・意味情報を含む構造化JSONを返します。
• 02DeepSeek Harness、Claude Code、Codex、OpenCode、Piで、テキスト専用のDeepSeekおよびGLMモデルと連携します。
• 03無料のGeminiキー、任意のOpenAI互換画像認識エンドポイント、Anthropic、再利用可能なローカルagent CLIに対応しています。
• 04設定済みのエンジン間でフェイルオーバーし、すべての試行をmeta.attemptsに記録します。
• 05認証、レート制限、クォータのエラー時に、カンマ区切りで指定したAPIキーを順次切り替えます。
• 06設定用コマンドとdoctorヘルスチェックを備えたCLIを提供します。

ユースケース

• DeepSeekやGLMのチャットセッションで、貼り付けたスクリーンショット、スライド、ツイートについてやり取りする。
• コーディングエージェントのワークフロー内で、情報量の多いチャートや文書からテキストとレイアウトを抽出する。
• OpenAI互換APIを公開する画像認識モデルを、テキスト専用エージェントの画像読み取り役として利用する。
• 新しいAPIキーを追加せず、既存のClaude Code、Codex、Piのログイン情報を画像読み取りに再利用する。

トピック

よくある質問

modlens とは？

DeepSeek Harness向けの画像認識プラグイン。DeepSeekやGLMなどのテキスト専用モデルで、貼り付けた画像をOCR・レイアウト・意味情報を含む構造化JSONとして読み取れます。 ModLensは、テキスト専用の言語モデルに画像を読み取る機能を追加します。DeepSeekやGLMのチャットモデルの多くは画像を直接入力できないため、ModLensがチャットと画像認識エンジンの間に入り、画像が貼り付けられると画像認識プロバイダーに送信します。結果は、全文の文字起こし、読み順を反映したレイアウト領域、エンティティと関係の一覧を含む構造化された情報として返されます。

modlens は無料で使えますか？ライセンスは？

modlens は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

modlens は今もメンテナンスされていますか？

活発にメンテナンス中。modlens の最終コミットは 2026年10月15日 です。

modlens は何に使えますか？

DeepSeekやGLMのチャットセッションで、貼り付けたスクリーンショット、スライド、ツイートについてやり取りする。 コーディングエージェントのワークフロー内で、情報量の多いチャートや文書からテキストとレイアウトを抽出する。 OpenAI互換APIを公開する画像認識モデルを、テキスト専用エージェントの画像読み取り役として利用する。 新しいAPIキーを追加せず、既存のClaude Code、Codex、Piのログイン情報を画像読み取りに再利用する。

modlens はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/liustack/modlens