🔍 Интеллектуальный визуальный анализ
Поддерживает различные визуальные задачи, включая распознавание объектов, понимание сцены, извлечение текста, анализ тональности и многое другое, позволяя AI по-настоящему «понимать» изображения.
🌟 Основные возможности
- 🎯 Поддержка нескольких моделей: Топовые мультимодальные модели, такие как Gemini 3, GPT-5 и серия Claude 4
- 📸 Гибкий ввод: Поддерживает ссылки URL и изображения, закодированные в Base64
- 🌏 Оптимизация для китайского языка: Полная поддержка понимания сцен на китайском языке и распознавания текста
- ⚡ Быстрый отклик: Высокопроизводительный inference с результатами за секунды
- 💰 Контроль затрат: Несколько вариантов моделей для разных бюджетных требований
📋 Поддерживаемые модели Vision
Ниже приведены актуальные основные рекомендации по мультимодальным моделям. Идентификаторы моделей могут меняться с новыми выпусками — всегда сверяйтесь с консолью.Большинство chat моделей теперь поддерживают мультимодальный ввод изображений: таблица выше содержит распространенные рекомендации, а не полный список. Основные модели, включая серии GPT-5, Gemini 3, Claude 4, Grok 4, Qwen, GLM и Kimi, в основном принимают ввод изображений.
- 📚 Полный список моделей и сравнение возможностей: Популярные модели (обновляется)
- 🔗 Актуальный список моделей и цены: Страница цен в консоли APIYI (проверьте в консоли поддержку Vision)
🚀 Быстрый старт
1. Базовый пример - URL изображения
2. Пример локального изображения - кодирование Base64
3. Продвинутый пример - Сравнение нескольких изображений
4. Пример cURL (командная строка)
Метод с URL изображения:5. Распространенная ошибка: тайм-аут загрузки изображения по URL
При использовании метода URL изображения вы можете получить такую ошибку:- Сервер-источник изображения / origin server отвечает медленно или плохо доступен для некоторых сетевых регионов
- Изображение слишком большое, и загрузка превышает лимит времени
- У URL есть защита от hotlinking, требуется login, или это не public direct link
- ✅ Переключитесь на загрузку Base64 (data URI) (рекомендуется, см. Пример 2 выше) — данные изображения отправляются напрямую в теле запроса, полностью обходя шаг загрузки, что является самым стабильным вариантом
- Используйте более быстрый direct image link с публичным доступом
- Сожмите изображение и повторите попытку
6. Распространенная ошибка: недопустимые данные Base64 (URL ошибочно помещен в поле Base64)
Если вы получаете ошибку 400, подобную приведенной ниже (здесь показана формулировка для серии Claude; у других серий моделей она немного отличается, но ключевой признак —invalid base64 data):
data:image/...;base64,, должно быть содержимым файла изображения, закодированным в Base64, а не ссылкой на изображение. Способ через URL и способ через Base64 — это два взаимоисключающих способа передачи изображения — их нельзя смешивать. Частая причина: код клиента всегда проходит по пути конкатенации data URI, поэтому туда также попадают удаленные URL изображений.
Правильное использование, для сравнения:
7. Распространенная ошибка: заявленный тип носителя не совпадает с фактическим форматом изображения
Если вы получаете ошибку 400, подобную следующей (ключевая сигнатура —The image was specified using the image/png media type, but the image appears to be a image/jpeg image):
Bedrock Runtime: InvokeModel, ValidationException в примере указывает, что запрос дошел до upstream-канала серии Claude и был отклонен на этапе проверки параметров). Сообщение следует понимать буквально:
- Ваш data URI объявляет изображение как PNG (
data:image/png;base64,...) - Но после декодирования Base64 upstream проверил заголовок файла (magic bytes) и обнаружил, что фактическое содержимое — JPEG
- Объявление и содержимое не совпадают → 400. Само кодирование Base64 корректно — проблема именно в MIME type в префиксе
- MIME type определен по расширению файла, но расширение вводит в заблуждение — файл называется
xxx.png, но на самом деле это JPEG с переименованным расширением (так делают инструменты загрузки, чаты и инструменты для снимков экрана) image/png(илиimage/jpeg) жестко задан в коде клиента, и для каждого изображения используется один и тот же префикс независимо от формата- Изображение прошло через конвейер обработки, который изменил его формат, но имя файла осталось прежним
🎯 Распространенные сценарии использования
1. Распознавание и анализ продукта
2. Распознавание текста в документах с помощью OCR
3. Помощь в анализе медицинских изображений
4. Анализ данных системы видеонаблюдения
💡 Лучшие практики
Рекомендации по предварительной обработке изображений
- Поддержка форматов: Распространенные форматы, такие как JPEG, PNG, GIF, WebP
- Ограничение размера: Рекомендуемый размер одного изображения — менее 20MB
- Разрешение: Изображения с более высоким разрешением обеспечивают лучшее распознавание
- Сжатие: Умеренное сжатие для повышения скорости передачи
Оптимизация prompt
Обработка ошибок
🔧 Расширенные возможности
1. Потоковый вывод
Для продолжительного анализа потоковый вывод обеспечивает более удобный пользовательский опыт:2. Многоходовой диалог
Сохраняйте контекст для углубленного анализа:3. В сочетании с вызовом функций
📊 Сравнение производительности
🚨 Важные примечания
- Защита конфиденциальности: Не загружайте изображения, содержащие конфиденциальную информацию
- Соответствующее использование: Соблюдайте применимые законы и нормативные требования, не используйте для незаконных целей
- Проверка результатов: Результаты анализа ИИ предназначены только для справки, важные решения требуют ручной проверки
- Контроль затрат: Разумно выбирайте модели, чтобы избежать лишних расходов
🔗 Связанные ресурсы
💡 Совет: Сначала протестируйте на экономичных моделях, таких как Gemini 3.5 Flash или Gemini 2.5 Flash, затем переключитесь на продвинутые модели, такие как Gemini 3.1 Pro или GPT-5.5, для рабочей среды, когда вы убедитесь в качестве. Чтобы узнать о других доступных моделях, см. Популярные модели или список моделей в консоли.