Skip to main content
视觉模型可以在处理文本提示的同时分析图片。可用于图像理解、信息提取、分类、视觉问答以及多模态推理。 Venice 支持与 OpenAI 兼容的多模态聊天消息。将文本块和图片块放入同一条用户消息中,然后把请求发送给具备视觉能力的模型即可。

基本用法

使用 Base64 图片

当图片位于本地或属于私有内容时,你也可以传入 base64 数据 URL:
将 <BASE64_ENCODED_IMAGE> 替换为图片文件的完整 base64 编码,例如在 Python 中使用 base64.b64encode(open("photo.png", "rb").read()).decode()。
Base64 图片必须以 data:image/<type>;base64, 前缀开头(例如 data:image/jpeg;base64,)。不带前缀的原始 base64 会被拒绝。图片尺寸必须至少为 64×64 像素,且不支持 SVG。如果图片被拒绝,错误消息会说明原因。

选择视觉模型

可在 文本模型 页面或通过 Models API 查找支持视觉的模型。模型能力列表中会标明其是否支持视觉。
对于类文档类的输入,如果希望 Venice 从文件中提取文本,请使用 文件输入。当视觉版式或图像内容本身很重要时,才使用视觉能力。

提示词建议

  • 明确告诉模型关注的重点:物体、文字、版式、安全性、缺陷或差异等。
  • 如果你的应用需要可解析的字段,请要求模型给出结构化输出。
  • 保证图片 URL 对 API 可访问,或对私有图片使用 base64 数据 URL。
  • 若图片会与较长指令一起使用,请选择具有足够上下文长度的模型。

相关资源