2026 年了，AI Agent 已经能用 Llama、Qwen、DeepSeek 这些纯文本模型写代码、做推理、聊天对话，表现相当不错。但 Agent 活在一个充满图像的世界里——它需要看截图、读营养标签、识别物体、提取图中文字。**视觉能力不是锦上添花，是刚需。**问题在于：绝大多数本地视觉模型的教程都默认你有一块 24GB 显存的 NVIDIA 显卡。如果你用的是 Jetson Orin（7