CodeVision: код как универсальный инструмент для работы с изображениями

GPT-4o распознаёт логотипы и лица, но не видит что изображение перевёрнуто на 90° — точность падает с 83% до 13%. Простой поворот обрушивает все современные vision-модели. CodeVision позволяет модели самой исправлять ориентацию и дефекты изображений через генерацию кода. Модель пишет Python-код для трансформаций вместо вызова жёстких инструментов — image.rotate(90), .crop(), OCR в одной цепочке. Упал с ошибкой — видит traceback, переписывает код. 12% точности превращаются в 95%.