视觉与图像理解
选择支持视觉的模型后,你可以上传图片,让助理分析画面、提取文字并回答相关问题。
AI 能用图片做什么
你可以用支持视觉的模型:
- 分析图片 — 理解照片、截图、图表和文档
- 文字识别(OCR) — 从图片、截图、手写笔记和标牌中提取文字
- 描述视觉内容 — 说明画面中的场景和对象
- 回答问题 — 回答与图片内容有关的问题
- 比较图片 — 分析多张图片之间的差异
- 识别规律 — 辨别布局、设计风格和趋势
上传图片
上传方式
拖拽上传 — 将图片文件从电脑拖入聊天输入框。支持单张或多张图片同时上传。
点击上传 — 点击输入框中的附件 / 图片图标,浏览文件并选择一张或多张图片。
粘贴上传 — 复制任意图片(截图、从网页复制等),在消息输入框中点击,然后按 Ctrl+V(Mac 上按 Cmd+V)。图片会立即出现在输入框中,方便你快速询问截图内容。
支持格式与限制
支持格式:JPEG/JPG、PNG、WebP、GIF(仅静态帧)、BMP
- 最大文件大小:约 20 MB 每张
- 建议大小:5 MB 以内
- 过大的图片会自动压缩
只有在使用支持视觉的模型时,图片上传按钮才会出现。如果看不到该按钮,请切换到支持视觉的模型(参见下方支持模型列表)。
视觉功能消耗的 Token 多于纯文字对话,这可能影响自托管或 API Key 部署的 API 费用。
使用视觉功能
图片分析
对图片提出通用问题:
文字提取(OCR)
从图片、截图和文档中提取文字:
适用场景:截图、标牌照片、印刷文档、图片中的代码等。手写识别准确率因字迹而异。
多图分析
同时上传多张图片,进行比较或综合分析:
提出具体问题
问题越具体,回答通常越有针对性:
使用场景
软件开发 — 分享错误信息截图、UI Bug、堆栈跟踪或白板图。让 AI 「修复这个错误」、「评审这个界面设计」,或 「把这个白板图转换成代码」。
学习与教育 — 上传教材题目、图表、科学图像或手写笔记,请 AI 解释、摘要或数字化转录。
内容创作与设计 — 获取对 Logo 设计、海报排版、配色方案和构图的专业反馈。为图片生成说明文字、无障碍 alt 文本或写作灵感。
专业工作 — 从发票提取数据,分析仪表盘和图表,评审演示文稿,数字化名片和收据。
日常生活 — 识别植物、产品或地标;翻译标牌和菜单;通过照片获取烹饪或家居维修建议。
最佳实践
使用清晰、明亮的图片 — 模糊或昏暗的图片会显著降低识别准确率。
用文字补充上下文 — 图片与具体问题或描述相结合效果最佳。「这段代码有什么问题?」 配上截图远比只上传图片更有用。
裁剪到关键区域 — 去掉图片中不相关的部分,让 AI 专注于重要内容。
提出具体问题 — 与其问 「这是什么?」,不如问 「这座建筑是什么建筑风格?」 越具体,答案越有用。
核实重要信息 — 视觉模型可能出错。涉及医疗、法律、财务或其他重要决定时,请结合原始资料或专业意见核实。
功能限制
视觉模型可能遗漏或误读内容。涉及医疗、法律、财务或其他重要决定时,请结合原始资料或专业意见核实。
- 人物与面孔 — 出于隐私保护,无法识别特定个人
- 细节识别 — 对低分辨率图片中的极小文字或细节可能有遗漏
- 手写识别 — 准确率因字迹清晰度而存在较大差异
- 视频 — 不支持视频文件,仅支持静态图片
- 医疗 / 法律用途 — 不能用于医疗诊断或替代法律专业意见
- 隐私 — 图片会由 AI 提供商的服务器处理,请勿上传未经脱敏的敏感或机密内容
支持的模型
视觉功能需要选择支持视觉的模型。在模型选择器中查找带有视觉能力标记的模型:
| 提供商 | 视觉模型 |
|---|---|
| OpenAI | GPT-5、GPT-4o、GPT-4o mini |
| Anthropic | Claude Opus 4.8、Claude Sonnet 4.6、Claude Haiku 4.5 |
| Gemini 3.1 Pro、Gemini 2.5 Pro、Gemini 2.5 Flash |
其他提供商也可能有视觉模型。你可以在模型选择器中查看视觉标记。