تصور کنید یک برنامه‌نویس هستید که می‌خواهد یک باگ بصری در رابط کاربری را رفع کند، اما نمی‌خواهد اسکرین‌شات‌های حساس پروژه را به سرورهای خارجی بفرستد. OpenCode Senses دقیقاً برای حل این تضاد میان نیاز به تحلیل بصری و حریم خصوصی داده‌ها طراحی شده است.
این پلاگین که در ۱۳ اوت ۲۰۲۶ منتشر شد، به مدل‌های کدنویسی که پیش‌تر فقط متن می‌فهمیدند، قدرت «دیدن» می‌دهد. طبق اعلام توسعه‌دهندگان، این ابزار مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — را به عامل‌های چندوجهی (Multimodal) تبدیل می‌کند؛ یعنی مدلی که هم‌زمان متن، عکس و صدا را می‌فهمد، شبیه ما که با چند حس دنیا را می‌خوانیم. این رویکرد در راستای رقابت شدید میان ابزارهای توسعه است، همان‌طور که در مقایسه‌ی جامع OpenCode با رقبای مدل‌های بسته بررسی کردیم.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اجرای محلی مدل‌ها تنها راه تضمین کامل حریم خصوصی است. OpenCode Senses با اجرای یک لایه بینایی مجزا روی GPU کاربر، تضمین می‌کند که هیچ پیکسلی از دسکتاپ شما خارج نشود.
سازوکار ادراک بصری
این پلاگین به‌عنوان پلی میان نشست OpenCode و یک محیط اجرای پایتون محلی عمل می‌کند. بر اساس مستندات پروژه، وقتی کاربر تصویری را ضمیمه می‌کند، Senses یک تحلیل «تزریق خودکار» انجام می‌دهد. این فرآیند یک شرح صحنه، کپشن و متن استخراج‌شده از طریق نویسه‌خوانی نوری (OCR) تولید می‌کند. این داده‌ها در تگ‌های <SENSES> قرار گرفته و پیش از آنکه مدل متنی درخواست را پردازش کند، به پیام کاربر اضافه می‌شوند.
این معماری مانع از توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — در جزئیات بصری می‌شود. مدل متنی دیگر حدس نمی‌زند چه در تصویر است، بلکه روی شواهد قطعی استدلال می‌کند.
برای جلوگیری از حملات تزریق پرامپت (Prompt Injection)، Senses تمام داده‌های بصری را در یک حفاظ داده‌های غیرقابل‌اعتماد قرار می‌دهد. سیستم با متونی مثل «دستورات قبلی را نادیده بگیر» که ممکن است داخل عکس باشد، به‌عنوان شواهد برخورد می‌کند، نه دستورات اجرایی.
مشخصات فنی و ابزارها
در هسته این سیستم، مدل Moondream 2 قرار دارد که یک مدل زبانی کوچک (SLM) اما توانمند در حوزه بینایی است. این سیستم برای دسترسی گسترده طراحی شده و برای مدل پیش‌فرض تنها به ۶ گیگابایت حافظه ویدیویی (VRAM) نیاز دارد، هرچند از مدل بزرگ‌تر Moondream 3.1 (9B) نیز پشتیبانی می‌کند. این تمرکز بر مدل‌های کوچک و بهینه، مشابه استراتژی مدل LFM2.5-VL-3B است که تخصص ویژه‌ای در درک رابط‌های کاربری پیدا کرده است.
Senses مجموعه‌ای از ۱۳ ابزار کاربردی را در اختیار مدل قرار می‌دهد که همگی از مسیرهای محلی یا URLهای وب پشتیبانی می‌کنند. تصاویر وب در مسیر ~/.cache/opencode-senses/fetched/ ذخیره می‌شوند و فرمت‌های غیرقابل‌رمزگشایی مثل SVG به PNG تبدیل می‌شوند تا تحلیل ممکن شود.
ابزارهای کلیدی این مجموعه عبارت‌اند از:
- senses_inspect: تحلیل ساختار صحنه، چیدمان و استخراج متن.
- senses_ocr: استخراج دقیق متن با فیلترهای تفکیک کد از پیام‌های خطا.
- senses_detect و senses_point: تشخیص اشیا و یافتن مختصات دقیق برای شبیه‌سازی کلیک.
- senses_segment: برش اشیا از تصویر (مختص مدل‌های Moondream 3.x). این قابلیت یادآور نوآوری‌های Oxlo.ai در تبدیل زبان طبیعی به مختصات مکانی برای قطعه‌بندی خودکار تصاویر است.
- senses_zoom: بزرگ‌نمایی مناطق خاص با الگوریتم LANCZOS برای خواندن متون بسیار ریز.
- senses_diff: تولید نقشه تغییرات پیکسلی بین دو تصویر برای تست‌های QA.
- senses_colors: استخراج پالت رنگ‌های غالب برای جلوگیری از توهم مدل در تشخیص رنگ.
- senses_reverse: جست‌وجوی معکوس تصاویر بدون نیاز به API از طریق هش‌های ادراکی.
نصب و اجرا
به نقل از مستندات گیت‌هاب، این پلاگین تجربه «نصب صفر» دارد. در اولین اجرا، محیط مجازی پایتون و وزن‌های مدل را به‌طور خودکار فراهم می‌کند. برای این کار از uv استفاده می‌کند که ۱۰ تا ۱۰۰ برابر سریع‌تر از pip است.
کاربران می‌توانند با دستور npm install -g opencode-senses آن را نصب کرده و در فایل opencode.jsonc فعال کنند. محیط اجرا به‌عنوان یک سرور JSON-RPC روی stdio عمل می‌کند و مدل را به‌صورت Lazy Loading بارگذاری می‌کند تا منابع سیستم بیهوده اشغال نشود.
نیازمندی‌های سیستمی:
- سیستم‌عامل: لینوکس، ویندوز یا مک.
- سخت‌افزار: GPU انویدیا (Ampere یا جدیدتر) یا تراشه‌های سری M اپل.
- حافظه: حداقل ۶ گیگابایت VRAM.
کاربردهای عملی در توسعه
این ابزار چندین چرخه کاری ارزشمند را برای برنامه‌نویسان ایجاد می‌کند. برای مثال، در عیب‌یابی صفحات وب، می‌توان اسکرین‌شات را ضمیمه کرد و پرسید «چرا این صفحه اشتباه نمایش داده می‌شود؟» تا Senses چیدمان و خطاهای بصری را استخراج کند. همچنین در تبدیل طرح به کد، ابزار senses_detect مختصات دقیق المان‌ها را برای نوشتن HTML/CSS فراهم می‌کند.
در تحلیل نهایی، OpenCode Senses نشان‌دهنده چرخش به سمت «چندوجهی ماژولار» است. به‌جای انتظار برای یک مدل غول‌پیکر که همه کار کند، توسعه‌دهندگان لایه‌های تخصصی از مدل‌های کوچک را روی هم می‌چینند. این یعنی هزینه «دیدن» برای برنامه‌نویس تقریباً به صفر رسیده است.
گام بعدی شما
- اگر از OpenCode استفاده می‌کنید، پلاگین Senses را نصب کنید تا تحلیل UI را به جریان کدنویسی خود اضافه کنید.
- برای کاهش مصرف VRAM در کارت‌های گرافیکی ضعیف، متغیر
SENSES_KV_CACHE_PAGESرا روی ۲۰۴۸ تنظیم کنید. - قابلیت
senses_diffرا برای مقایسه خودکار رندرهای قبل و بعد از تغییرات CSS به کار ببرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو