> ## Documentation Index
> Fetch the complete documentation index at: https://docs.focusapi.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# 多模态理解

> FocusAPI 多模态理解接入指南：文档、文件、图文混合输入等能力，说明 GPT、Claude、Gemini 等模型的输入差异和注意事项。

多模态理解用于让模型读取文档、文件、图片和文本混合内容。只分析单张图片、截图、票据或图表时，优先看 [图片分析](/models/image-analysis)。

## 适合场景

* 文档摘要和多页材料分析
* 图文混合客服或知识库
* 多文件、多图片和文本混合输入
* 视频帧、PDF 或厂商原生文件输入

## 调用方式

很多多模态模型仍可通过 [文本对话模型](/models/chat) 的 Chat Completions 调用，但 `messages.content` 可能需要传数组，包含文本、图片或文件。

示例形态：

```json theme={null}
{
  "model": "gpt-4o-mini",
  "messages": [
    {
      "role": "user",
      "content": [
        { "type": "text", "text": "请描述这张图片" },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://example.com/image.png"
          }
        }
      ]
    }
  ]
}
```

## 模型来源差异

| 来源         | 说明                                      |
| ---------- | --------------------------------------- |
| GPT 多模态    | 通常兼容 OpenAI 风格图文输入                      |
| Claude 多模态 | 可能支持 Anthropic Messages 格式，也可通过平台兼容格式调用 |
| Gemini 多模态 | 对图片、视频帧、文件输入支持较强，特殊参数以模型广场为准            |

<Warning>
  多模态输入格式比纯文本更容易因模型差异而失败。先用一张小图和最小文本请求跑通，再增加文件、长上下文和特殊参数。
</Warning>

## 输入建议

* 单张图片问答优先看 [图片分析](/models/image-analysis)。
* 优先使用可访问的 HTTPS URL。
* base64 会显著增加请求体大小，超大输入可能触发 [524 超时](/errors/524)。
* 需要生成图片时，请看 [图像生成](/models/image-generation)，不要使用本页能力。

## 成本与限制

多模态模型通常会按图片、token 或模型倍率计费。具体扣费以控制台日志和 [计费与用量](/billing/pricing) 为准。