​
1. 使用场景

视觉语言模型（VLM）是一种能够同时接受视觉（图像）和语言（文本）两种模态信息输入的大语言模型。基于视觉语言模型，可以传入图像及文本信息，模型能够理解同时理解图像及上下文中的信息并跟随指令做出响应。如：

  1. 视觉内容解读：要求模型对图片中包含的信息进行解读、描述，如包含的事物、文字，事物的空间关系，图像的颜色、气氛等；
  2. 结合视觉内容及上下文，开展多轮会话；
  3. 部分替代 OCR 等传统机器视觉模型；
  4. 随着模型能力的持续提升，未来还可以用于视觉智能体、机器人等领域。

​
2. 使用方式

对于 VLM 模型，可在调用 /chat/completions 接口时，构造包含 图片 url 或 base64 编码图片 的 message 消息内容进行调用。通过 detail 参数控制对图像的预处理方式。

​
2.1 关于图片细节控制参数说明

SiliconCloud 提供 low，high，auto 三个 detail 参数选项。 对于目前支持的模型，detail 不指定或指定为 high 时会采用 high（“高分辨率”）模式，而指定为 low 或者 auto 时会采用 low（“低分辨率”）模式。

​
2.2 包含图像的 message 消息格式示例

使用 InternVL 系列模型注意：建议将 {"type": "text", "text": "text-prompt here"} 放在请求体 content 的图片后面，以获得最佳效果。

​
使用图片 url 形式

{
    "role": "user",
    "content":[
        {
            "type": "image_url",
            "image_url": {
                "url": "https://sf-maas-uat-prod.oss-cn-shanghai.aliyuncs.com/outputs/658c7434-ec12-49cc-90e6-fe22ccccaf62_00001_.png",
                "detail":"high"
            }
        },
        {
            "type": "text",
            "text": "text-prompt here"
        }
    ]
}

​
2.2 base64 形式

{
    "role": "user",
    "content":[
        {
            "type": "image_url",
            "image_url": {
                "url": f"data:image/jpeg;base64,{base64_image}",
                "detail":"low"
            }
        },
        {
            "type": "text",
            "text": "text-prompt here"
        }
    ]
}

​
2.3 多图片形式，其中每个图片可以是上述两种形式之一

{
    "role": "user",
    "content":[
        {
            "type": "image_url",
            "image_url": {
                "url": "https://sf-maas-uat-prod.oss-cn-shanghai.aliyuncs.com/outputs/658c7434-ec12-49cc-90e6-fe22ccccaf62_00001_.png",
            }
        },
        {
            "type": "image_url",
            "image_url": {
                "url": f"data:image/jpeg;base64,{base64_image}"
            }
        },
        {
            "type": "text",
            "text": "text-prompt here"
        }
    ]
}

​
3. 支持模型列表

目前已支持的 VLM 模型：

  • Qwen 系列：
    • Qwen/Qwen2-VL-72B-Instruct
    • Pro/Qwen/Qwen2-VL-7B-Instruct
  • InternVL 系列：
    • OpenGVLab/InternVL2-Llama3-76B
    • OpenGVLab/InternVL2-26B
    • Pro/OpenGVLab/InternVL2-8B
  • DeepseekVL2 系列：
    • deepseek-ai/deepseek-vl2
注意：支持的 VLM 模型可能发生调整，请在「模型广场」筛选“视觉”标签，了解支持的模型列表。

​
4. 视觉输入内容计费方式

对于图片等视觉输入内容，模型会将其转化为 tokens，与文本信息一并作为模型输出的上下文信息，因此也会一并进行计费。不同模型的视觉内容转化方式不同，以下为目前支持模型的转化方式。

​
4.1 Qwen2-VL 系列

规则：

Qwen2-VL 最高支持像素是 3584 * 3584= 12845056，最低支持像素是 56 * 56 = 3136，会对先对每张图片长短边均放缩至28的倍数 (h * 28) * (w * 28)。如果不在最小像素和最大像素区间内，再等比缩放至该区间。

  1. detail=low 时将所有图片resize 成 448 * 448 尺寸，最终对应 256 tokens；
  2. detail=high 时等比缩放，首先将长宽按照最近的 28 倍数向上取整，然后再等比缩放至像素区间 (3136, 12845056)，并保证长宽均为 28 整数倍。

示例：

  • 224 * 448 和 1024 x 1024 和 3172 x 4096 的图片，选择 detail=low 时，均消耗 256 tokens；
  • 224 * 448 的图片，选择 detail=high 时，因为 224 * 448 在像素区间内，且长宽均为 28 倍数，消耗 (224/28) * (448/28) = 8 * 16 = 128 tokens；
  • 1024 * 1024 的图片，选择 detail=high 时，将长宽按照 28 的倍数向上取整至 1036 * 1036，该数值在像素区间内，消耗 (1036/28) * (1036/28) = 1369 tokens；
  • 3172 * 4096 的图片，选择 detail=high 时，将长宽按照 28 的倍数向上取整至 3192 * 4116，该值超过最大像素，再将长宽等比例缩小至 3136 * 4060，消耗 (3136/28) * (4060/28) = 16240 tokens。

​
4.2 InternVL 系列

规则：

InternVL2 实际处理的像素以及消耗的 tokens 数与原始图片的长宽比例有关。最低处理像素为 448 * 448，最高为 12 * 448 * 448。

  1. detail=low 时将所有图片 resize 成 448 * 448 尺寸，最终对应 256 tokens；
  2. detail=high 时会根据长宽比例，将图片 resize 成长宽均为 448 的倍数，(h * 448) * (w * 448)，且 1 <= h * w <=12。
    • 缩放的长宽 h * w 按照如下规则选择：
      • h 和 w 均为整数，在满足 1 <= h * w <= 12 约束下，按照 h * w 从小到大的组合遍历；
      • 对于当前 (h, w) 组合，如果原始图片长宽比例更接近 h / w ，那么选择该 (h, w) 组合；
      • 对于后续 数值更大但是比例相同 的 (h, w) 组合，如果原始图片像素大于 0.5 * h * w * 448 * 448，那么选择数值更大的 (h, w) 组合。
    • token消耗按照如下规则:
      • 如果 h * w = 1，那么消耗 256 tokens；
      • 如果 h * w > 1，按 448 * 448 滑动窗口，每个窗口均额外消耗 256 token，一共 (h * w + 1) * 256 tokens。

示例:

  • 224 * 448、1024 * 1024 和 2048 * 4096 的图片，选择 detail=low 时，均消耗 256 tokens；
  • 224 * 448 的图片，选择 detail=high 时，长宽比为1:2，会缩放至 448 x 896，此时 h = 1, w = 2，消耗 (h * w + 1) * 256 = 768 tokens；
  • 1024 * 1024 的图片，选择 detail=high 时，长宽比为1:1，会缩放至 1344 * 1344 (h = w = 3)，因为 1024 * 1024 > 0.5 * 1344 * 1344. 此时 h = w = 3，消耗 (3 * 3 + 1) * 256 = 2560 tokens；
  • 2048 * 4096 的图片，选择 detail=high 时，长宽比为1:2，在满足 1 <= h * w <= 12 条件下数值最大的 (h, w) 组合为 h = 2, w = 4，所以会缩放至 896 * 1792，消耗(2 * 4 + 1) * 256 = 2304 tokens。

​
4.3 DeepseekVL2系列

规则：

DeepseekVL2对于每张图片，会处理global_view和local_view两部分。global_view将原图片统一resize成384*384像素大小，local_view会将每张图片划分成若干384*384的块大小。图片中间会根据宽度增加额外token来衔接。

  1. detail=low时将所有图片resize 成384*384尺寸
  2. detail=high时会根据长宽比例，将图片resize成长宽均为384(OpenAI是512)的倍数, (h*384) * (w * 384), 且1 <= h*w <=9。

  • 放缩的长宽h * w按照如下规则选择：

    • h和w均为整数，在满足1 <= h*w <=9约束下，按照(h, w)组合遍历。
    • 将图片resize成(h*384, w*384)像素时，和原图片的像素比较，取新图片像素和原图片像素的最小值作为有效像素值，取原图片像素值与有效像素值之差作为无效像素值。如果有效像素值超过之前判定的有效像素值，或者当有效像素值和之前持平，但是无效像素值更小时，选择当前(h*384, w*384)组合

  • token消耗按照如下规则:

    • (h*w + 1) * 196 + (w+1) * 14 + 1 token

示例:

  • 224 x 448 和 1024 x 1024 和 2048 x 4096 的图片，选择detail=low时，均消耗421token.
  • 384 x 768的图片, 选择detail=high时, 长宽比为1:1, 会缩放至384 x 768, 此时h=1, w=2, 消耗 (1*2 +1)*196+(2+1)*14+1=631 token.
  • 1024 x 1024的图片, 选择detail=high时, 会缩放至1152*1152(h=w=3), 消耗(3*3 + 1) * 196 + (3+1)*14+1 = 2017 token.
  • 2048 x 4096的图片, 选择detail=high时, 长宽比例为1:2, 按照规则缩放至 768*1536(h=2,w=4), 消耗 (2*4 + 1) * 196 + (4+1)*14+1 = 1835 token.

​
5. 使用示例

​
5.1. 示例 1 图片理解

import json  
from openai import OpenAI

client = OpenAI(
    api_key="您的 APIKEY", # 从https://cloud.siliconflow.cn/account/ak获取
    base_url="https://api.siliconflow.cn/v1"
)

response = client.chat.completions.create(
        model="Qwen/Qwen2-VL-72B-Instruct",
        messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://sf-maas-uat-prod.oss-cn-shanghai.aliyuncs.com/dog.png"
                    }
                },
                {
                    "type": "text",
                    "text": "Describe the image."
                }
            ]
        }],
        stream=True
)

for chunk in response:
    chunk_message = chunk.choices[0].delta.content
    print(chunk_message, end='', flush=True)

​
5.2. 示例 2 多图理解

import json  
from openai import OpenAI

client = OpenAI(
    api_key="您的 APIKEY", # 从https://cloud.siliconflow.cn/account/ak获取
    base_url="https://api.siliconflow.cn/v1"
)

response = client.chat.completions.create(
        model="Qwen/Qwen2-VL-72B-Instruct",
        messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://sf-maas-uat-prod.oss-cn-shanghai.aliyuncs.com/dog.png"
                    }
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://sf-maas-uat-prod.oss-cn-shanghai.aliyuncs.com/shark.jpg"
                    }
                },
                {
                    "type": "text",
                    "text": "Identify the similarities between these images."
                }
            ]
        }],
        stream=True
)

for chunk in response:
    chunk_message = chunk.choices[0].delta.content
    print(chunk_message, end='', flush=True)
快速上手文本转语音模型