必须手动开启多模态开关并验证三项能力，严格校验图片格式/尺寸/可读性，使用结构化提示词，通过标准测试图、禁用压缩、抓包分析和响应字段验证四步完成本地测试。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想让AI准确识别一张产品包装图上的成分表、一张会议白板上的手写笔记、或一张餐厅菜单的英文菜品，结果返回“无法识别文字”“检测到人脸但无其他信息”“图片内容为：一张图”，这种翻车不是模型不行，而是多模态功能根本没真正启用或测试路径错了。
确认多模态能力是否已激活
很多平台默认关闭图像理解模块，尤其在免费版或新注册账号中。进入控制台→左侧导航栏点击「模型管理」→找到你正在调用的模型（如Qwen-VL、Kimi-Vision、GLM-4V）→检查右侧「多模态支持」开关状态。如果显示灰色或未勾选，【必须手动开启并保存】，否则所有图像输入都会被自动降级为纯文本处理。
开启后刷新页面，再点「API密钥」→「查看密钥详情」→确认「可用能力」列表里明确包含“图像理解”“OCR识别”“视觉问答”三项，缺一不可。
上传图片前的三道硬门槛
方法一：格式与尺寸校验
仅支持JPEG、PNG、WEBP三种格式；单图不超过10MB；分辨率不得低于320×240像素。上传BMP或TIFF会直接报错“不支持的文件类型”，而截图类PNG若经微信压缩，元数据丢失会导致OCR失败率飙升至70%以上。
方法二：内容可解析性预判
AI无法识别严重反光、大面积涂改、手写字体小于8pt且无衬线、或背景与文字色差＜30%的图像。用手机相册自带的“放大查看”功能，把图放大到200%，能看清字边缘锯齿和笔画断连，才具备基本识别条件。
方法三：结构化提示词前置
不要只传图+问“这是什么”。在请求体中必须带text字段，哪怕只写一句：“请提取图中所有可见文字，并按区域分行输出。”没有这句指令，模型大概率返回泛泛的语义摘要，而非你要的结构化结果。
本地测试时绕不开的四个关键动作
第一步：用官方提供的标准测试图跑通流程
下载平台文档页附带的「test_image_ocr.jpg」和「test_image_vqa.png」，这两张图经过标注验证，能排除90%的环境配置问题。如果连它们都识别失败，说明API密钥权限异常或网络代理拦截了multipart/form-data请求。
第二步：禁用所有前端压缩逻辑
Web端上传常默认开启“自动压缩至800px宽”，这会抹平小字号文字的笔画细节。在上传组件代码中找到imageCompress参数，强制设为false；移动端则需关闭SDK里的autoResize选项。
第三步：抓包验证请求体真实构成
用Charles或Fiddler捕获一次成功请求，重点看Content-Type是否为multipart/form-data；boundary是否存在；file字段name值是否为image（不是img、photo或file_data）；text字段是否作为独立part存在，而非拼在JSON body里。
第四步：切换响应格式验证解析深度
在请求头中添加Accept: application/json，观察返回字段。若response中只有caption字段，说明走的是图文匹配路径；若出现ocr_text、bounding_boxes、regions等字段，才是真正的多模态解析生效。没有这些字段，【所有识别结果都不具备可信度】。
