跳转到主要内容

功能介绍

视觉语言模型(Vision-Language Model, VLM)是一类同时支持图像与文本输入的多模态大模型,具备对图像内容的理解与跨模态信息处理能力。模型能够基于图片与文本的组合信息,输出高质量的响应内容,广泛应用于图像识别、内容理解、智能问答等场景。

典型应用场景

  • 图像内容识别与描述:自动识别图片中的物体、颜色、场景与空间关系,生成自然语言描述。
  • 图文综合理解:结合图像与文本输入,实现上下文相关的多轮对话与复杂任务响应。
  • 视觉辅助问答:可作为 OCR 工具补充,识别图像中嵌入的文本信息并完成问答。
  • 未来拓展应用:适用于智能视觉助手、机器人感知、增强现实等交互场景。

API 调用说明

调用视觉语言模型需通过 /chat/completions 接口,支持图文混合输入。

图片处理参数

通过 detail 字段设置图像处理精度,支持以下选项:
  • high:高分辨率,保留更多细节,适合精细化任务。
  • low:低分辨率,处理速度快,适合实时响应。
  • auto:系统自动选择合适模式。

消息格式示例

URL 图片形式

Base64 图片形式

Base64 图像编码示例代码(Python)

多图模式

支持发送多张图片与文本共同作为输入,建议最多两张以获得更佳性能与理解效果。

支持模型

以下为当前平台支持的视觉语言模型(VLM):

计费方式

视觉语言模型的图像输入将转换为 Tokens 与文本共同计算调用费用:
  • 每个模型的图像 Token 估算规则略有不同;
  • 详细的计费标准可在对应模型介绍页中查看。

API 调用示例代码

单图像描述

多图像对比分析

常见问题与说明

  • 图像分辨率与清晰度会影响模型识别准确率,推荐使用清晰图源。
  • Base64 编码体积较大,建议图片不超过 1MB。
  • 如遇问题请参考平台开发者文档或提交工单获取支持。