[建议 / Feature] 多模态模型（GLM-5.3-Flash）会话下 Read 图片仍强制转 CDN URL + 4.5V 委托，期望图片直进上下文

现状

GLM-5.3-Flash 在模型注册中声明输入模态为 text + image + video（多模态）。但实测把 ZCode 会话模型切换到 GLM-5.3-Flash 后，Read 工具读图片依然被上传 CDN 返回 URL，再由内置 analyze_image（GLM-4.5V）委托看图——图片像素始终不进入主模型上下文。

问题

Flash 的原生视觉能力（官方定位：主动观察界面 / 渲染 / 交互反馈的视觉编码闭环）在 ZCode 内实际用不起来，多模态模态声明形同虚设；每次看图多一跳委托，慢且受 4.5V 质量上限约束。

期望

当会话模型的 modalities 包含 image 时，Read / 拖拽 / 粘贴的图片直接作为视觉输入进入主模型上下文（对标 Claude Code / Codex 的原生多模态体验），委托 MCP 仅作为纯文本模型的 fallback。

环境

ZCode 桌面客户端（macOS, Apple Silicon），GLM coding plan，分别实测 GLM-5.3 与 GLM-5.3-Flash 会话。

The issue names no files, tests, or implementation entry points. Start by tracing how Read, drag-and-drop, and pasted images are handled when the session model's modalities include image, including the analyze_image delegation path. Done means images reach the main multimodal model context directly, while delegation remains a fallback for text-only models.