Vision-primitives MCP server for text-only LLMs: describe, locate (coordinates), OCR with bbox, annotate, crop, zoom, automated anomaly scanning, computer use — powered by Xiaomi MiMo V2.5. Single-fil
Vision Primitives MCP — 给纯文本 LLM 装上眼睛的视觉原语 MCP 服务器
让纯文本模型（DeepSeek / Codex / 任意 MCP 客户端）通过 28 个 MCP 工具获得完整视觉能力：描述 → 定位（坐标）→ OCR → 标注 → 裁切/放大 → 异常扫描 → 电脑操控。
项目定位：通用视觉推理桥接层——文本模型 + 任意 VLM 的通用视觉工作流，本地隐私 + 单文件轻量。不与 UI-TARS / CogAgent 等端到端 GUI 模型竞争（它们有专门训练）；核心能力是无 grounding 模型的兜底定位：somlocate（编号递归）+ cvlocate（颜色/模板）让 MiMo 这类无 grounding 训练的模型达到像素级定位（实测 0-4px，接近甚至超过 grounding 模型）。视觉后端可切换（小米 MiMo V2.5 云端 / LM Studio 本地 Qwen3-VL 等），单文件 Python，核心仅依赖 Pillow；numpy 可选（模板匹配 285x 加速）；YOLO 检测器可选（models/icondetect.pt 放置后自动启用）。
测试图（900×600，元素位置为已知真值）：红圆中心 (150,140)、绿三角中心 (740,417)：
整图定位对比（MiMo V2.5 vs 本地 Qwen3-VL-8B，各模式偏差）
模型 locate 红圆 locate 绿三角 som 红圆 som 绿三角 单次调用 uiparse 全流程 uirefine 全流程 ------------------------ MiMo V2.5（云端） 10-64px（波动） 79-97px（波动） 33-82px（波动） 13-123px（波动） 15-25s 21.5s — MiMo + som-cv（兜底管线） 0px 4px — — 10-12s — — Qwen3-VL-8B（本地） 90px 164px 77px 123px 10-30s 29.4s 357s（超时） Qwen2.5-VL-7B（本地） 28px 27px 15px 123px 1.3-1.7s 12.4s 12.6s
要点：Qwen2.5-VL-7B 的 grounding 专才（RefCOCO 93.7%）+ 非思考型架构，定位精度 3-6 倍、速度 10-20 倍于 Qwen3-VL-8B；绿三角 som 两种模型都锁死（123px，首轮选偏），用 final="cv" 或裁切定位可解。
模型 describe OCR（prompt 修复后） som-cv（颜色目标） uilocate 文本锚定 scratch 论文推理 ------------------ MiMo V2.5（云端） 4.7s ✓ 8.9s，4/4 块 0px（3.2s） 8.6s ✓ 45.7s 3轮（图趋势漏答） Qwen2.5-VL-7B（本地） 1.1s ✓ 3.5-4.6s，4/4 块 0px 12.8s ✓ 9.6s 1轮全对 Qwen3-VL-8B（本地） ~10s 23s，4/4 块 0px — —
要点：OCR 对 prompt 长度敏感（简化指令后 Qwen2.5-VL 召回 1→4 块、链路 10 倍加速）；scratch 多轮推理依赖模型的"自主细看"决策（Qwen2.5-VL 一轮全对，MiMo 漏答图趋势）；som-cv 的颜色分割部分为纯本地确定性，模型只需选对格子。
From the project README.
Add the radar badge to your README — it shows your project was picked up by MCP Radar and links to this page:
[](https://mcp.liqiwa.com/s/zouyuanqing--vision-primitives-mcp.html)
Pulse — Hermes-style self-improving AI agent. Reliability-first rebuild with evaluated skill self-evolution, multi-agent team orchestration, dialectic user modeling, and fully self-hosted default stac
FFZackFair92/unreal-engine-mcpDrive Unreal Engine 5 from an AI agent — MCP server over the Remote Control API and in-editor Python. No C++ plugin to compile.
russeell/jobfindsme🔥 AI 求职雷达｜一句话同时搜 BOSS直聘 + 猎聘，找到匹配你简历的岗位。
MuhittinYilmazer/akanaSelf-hosted, local-first AI assistant server: swappable LLM providers, review-gated memory, an encrypted vault, and wake-word voice. No accounts, no telemetry.
clementrx/Performance-agentOpen-source AI Strength & Conditioning coach for your terminal. Runs in Claude Code / Gemini CLI / Codex — the LLM narrates, a deterministic engine calculates, and it won't lie about unrealistic goals
sai-chaithanya-navuluri/content-coreproduction AI platform kernel: LLM abstraction, workflow engine, RAG, MCP server, FastAPI, evaluation framework, closed-loop feedback
The top new MCP servers of the week, every Monday. No spam, unsubscribe anytime.