图像理解

使用支持视觉输入的模型读取图片内容，完成描述、识别、对比、字段提取和图文问答。

图像理解让模型读取图片并返回文本结果。你可以把截图、照片、商品图、票据、图表或设计稿作为输入，让模型描述画面、回答问题或提取结构化信息。

OpenAI 兼容接口通常使用 chat/completions，在消息中同时传入文本和图片 URL 或图片数据。可用模型以模型广场的视觉能力标签为准。

​

适合场景

• 截图问答：让模型解释网页、控制台、报错截图或产品界面。
• 票据识别：从发票、账单、收据中提取金额、日期、商户等字段。
• 商品与素材分析：识别图中对象、风格、颜色、构图与使用场景。
• 图表理解：读取图表趋势，并生成简短摘要。

​

调用建议

1. 选择视觉模型

   在模型广场筛选支持视觉输入的模型，并记录模型名称。

2. 准备图片输入

   使用可访问的图片 URL，或按模型要求传入 Base64 图片数据。

3. 明确提问目标

   在文本提示中说明你需要描述、比对、抽取字段，还是输出 JSON。

如果你需要稳定字段输出，把图像理解与 结构化输出 一起使用。

​

API 调用

图像理解的 cURL、Python 和 Node.js 示例已统一维护在 视觉与图像生成。示例模型为 gpt-5.4。

​

后续阅读

• 视觉与图像生成
• 结构化输出