AI 视觉

​

概述

• 用途：Prompt 模板验证、模型效果对比、典型任务评估
• 范围：仅测试识别与描述能力，不进行生产业务编排
• 示例模型：阿里 Qwen2.5-VL-32B-Instruct

​

输入与规范

• 图片格式：建议使用 jpg/png，控制单图大小以提升响应速度
• 多图输入：部分模型支持多张图片同时推理（顺序与上下文相关）
• 文本约束：Prompt 明确任务目标（描述/回答/定位/对比）
• OCR 友好：文本清晰、背景干扰少更有利于识别

​

典型任务

• 通用描述：对图片内容进行自然语言描述
• 问答（VQA）：就图片细节进行问答
• OCR 识别：识别图片中的文字、表格、票据等
• 目标定位：返回关键目标的位置或边界（取决于模型能力）
• 多图推理：对多张图片进行比较、归纳或步骤分析

​

数据与合规

• 隐私保护：避免上传包含个人隐私或敏感信息的图片
• 版权合规：确认图片来源合法授权
• 数据最小化：仅上传完成任务所必需的图片

​

最佳实践

• 任务要清晰：在 Prompt 中明确“期望输出格式/粒度/步骤”
• 图像要清楚：选择清晰、分辨率适中的图片，减少噪声
• 多图有顺序：上传顺序与描述一致，便于模型理解
• 失败先排查：格式、大小、模型是否支持该类型任务