Skip to main content

能力概述

视觉理解(Vision)能力支持模型同时理解图像与文本,并基于图像内容进行分析、描述、判断与问答。开发者可以在一次请求中向模型传入一张或多张图片,并配合自然语言指令,完成多模态理解任务。典型能力包括:
  • 图像内容描述(物体、场景、行为)
  • 图像问答(针对图片提出问题)
  • 多图对比与综合分析
  • 图像 + 文本的联合推理

快速开始

支持的输入形式

图像可以通过两种主要方式提供给模型:传递图像的链接或将基础64编码的图像直接包含在请求中。图像可以在 usersystemassistant 消息中提供。目前,不支持在第一个 system 消息中使用图像

图像 URL 输入(推荐)

通过公网可访问的图片 URL 直接传入,适合线上业务场景。
注意事项:
  • URL 必须可被模型访问
  • 图片格式需为 PNG / JPEG / WEBP / 非 GIF
  • 单张图片大小不超过 20MB

Base64 编码图像输入

适用于本地文件或私有图片场景。 流程说明:
  1. 本地读取图片文件
  2. 转换为 base64 字符串
  3. 作为 image 内容传入请求

消息结构示例

图像通常与文本指令一起发送,用于明确模型的理解目标。

多图像输入

一次请求中可以传入多张图片,模型会综合所有图像进行理解。

图像清晰度控制(detail 参数)

可通过 detail 参数控制模型处理图像的精细程度:
建议策略:
  • 内容理解 / 场景判断:autolow
  • 需要细节观察(文字、局部):high

计费与 Token 说明

视觉输入会消耗额外 Token,需在成本评估中考虑:
  • low 模式:每张图像固定消耗 85 Token
  • high 模式:根据图像尺寸切片,Token 随清晰度提升
建议:
  • 默认使用 auto
  • 在批量或高并发场景下避免不必要的 high

使用建议

  • 始终明确文本指令,不要只发图片
  • 控制图片数量与分辨率,避免不必要成本
  • 对关键业务结果做二次校验
  • 将视觉理解作为辅助能力,而非唯一判断依据

更新时间:2026-06-01