视觉理解(多模态:图片 / 视频)
看图、看视频对话与文本对话使用同一个端点 /v1/chat/completions:把 content 从字符串改为数组,在其中混合文字与图片 / 视频即可。可用模型与价格以 模型广场 为准(名称带 vl / vision / omni 的多为视觉模型),下文以 qwen3-vl-flash 为例。
传参方式
图片、视频均支持两种传参方式,通过 type 区分素材类型:图片用 image_url,视频用 video_url(部分模型才支持):
即一条多模态消息的 content 数组长这样:
- 公网 URL:文件已有外链时最简单,推荐优先使用
- Base64 data URL:本地文件需自行读取并编码为
data:<mime>;base64,<数据>形式;注意请求体会很大,视频尤其明显
参数汇总
不同视觉模型的参数支持不完全一致,汇总如下(✅ = 通用,⚠️ = 部分模型支持):
IMPORTANT
各家视觉模型参数并不统一:例如 doubao-seed-2-0-pro-260215、deepseek-v4-flash-vision-exp、Kimi K3 三者在是否支持视频输入、是否有 thinking / reasoning_effort 参数及取值范围上就各不相同。传入模型不支持的参数可能被忽略或直接报错。哪个模型支持哪种传参,以 模型广场 模型详情与你的实测为准——用下方示例换着模型名试一遍即可确认。
图片理解示例
Base64 方式只需把 url 换成 data URL:
视频理解示例
视频把 type 换成 video_url 即可,其余结构不变。注意仅部分模型支持视频输入,报错或忽略即说明当前模型不支持,换带视频能力的模型再试:
TIP
图片和视频都会消耗较多输入 token(与分辨率 / 时长相关),高频场景注意控制素材大小以节省费用。
