文档/视觉理解

视觉理解

诺玛AI 支持多模态模型的视觉输入，可以分析图像、截图、文档和视频内容。

支持的模型#

模型

图像

视频

说明

`openai/gpt-4o`

✅

—

高质量图像分析

`openai/gpt-4o-mini`

✅

—

快速图像分析

`anthropic/claude-sonnet-4.6`

✅

—

强大的文档和代码理解

`google/gemini-pro-compatible-flash-lite-preview`

✅

多模态全能

`google/gemini-pro-compatible-pro-preview`

✅

最强多模态推理

图像分析#

通过 URL 发送图像

cURL

代码

curl https://as.apinoma.com/v1/chat/completions \
  -H "Authorization: Bearer $APINOMA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-4o",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "描述这张图片的内容"},
        {"type": "image_url", "image_url": {"url": "https://example.com/photo.jpg"}}
      ]
    }]
  }'

Python

TypeScript

通过 Base64 发送图像

适用于本地文件或截图场景：

图像细节级别#

通过 `detail` 参数控制分析精度：

值

说明

适用场景

`auto`

自动选择（默认）

一般场景

`low`

低精度，更快速

简单分类、标签识别

`high`

高精度，更详细

文档 OCR、细节分析

代码

{
    "type": "image_url",
    "image_url": {
        "url": "https://example.com/document.jpg",
        "detail": "high"  # 高精度模式
    }
}

多图对比#

可以在一个请求中发送多张图片：

代码

response = client.chat.completions.create(
    model="openai/gpt-4o",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "比较这两张图片的区别"},
            {"type": "image_url", "image_url": {"url": "https://example.com/before.jpg"}},
            {"type": "image_url", "image_url": {"url": "https://example.com/after.jpg"}}
        ]
    }]
)

Anthropic 协议的视觉输入#

代码

import anthropic
 
client = anthropic.Anthropic(
    base_url="https://as.apinoma.com/anthropic",
    api_key="<你的 APINOMA_API_KEY>"
)
 
message = client.messages.create(
    model="anthropic/claude-sonnet-4.6",
    max_tokens=1024,
    messages=[{
        "role": "user",
        "content": [
            {
                "type": "image",
                "source": {
                    "type": "base64",
                    "media_type": "image/jpeg",
                    "data": image_data
                }
            },
            {"type": "text", "text": "描述这张图片"}
        ]
    }]
)

常见用例#

文档 OCR — 提取图片中的文字和表格
代码截图分析 — 分析截图中的代码并提供修改建议
UI 审查 — 分析界面设计和布局
图表解读 — 分析数据图表和可视化内容
产品识别 — 识别图片中的物体和场景

最后更新于 2026年6月23日