百智云图像理解：功能篇——上传一张图，告诉它你想知道什么

图片里有什么，机器能否像人一样「看懂」？答案其实比想象中更近。长亭百智云提供的图像理解服务（image-analysis.app.baizhi.cloud）把多模态模型的识图能力封装成一套可以直接使用的在线能力：上传图片、给出提示词、获得描述与结论。这篇文章作为系列开篇，先把服务本身是什么、能做什么、边界在哪里讲清楚，后面的文章再逐项展开功能与场景。

一句话理解这个服务

图像理解服务解决的是「给机器一张图，让它理解图中内容」这件事。与传统的以图搜图、单点图像识别不同，它不局限于固定的模板——狗还是猫、车牌是几位——而是接受自然语言提问，模型结合整张图片的视觉信息给出开放式回答。换句话说，输入由「图片 + 你想要它关注的问题」组成，输出则是一段结构化的描述、分析或结论。

在百智云的「在线体验」页面上，整个交互被简化成三个动作：上传图片、填写提示词、点击开始识别。提示词决定了模型看图的视角：默认示例是「请描述这张图片的内容」，你可以换成任何更具体的要求，比如「提取图中所有文字」或「分析这张报表的结构」。

上传什么、怎么计费

服务支持 JPG、PNG、WebP、GIF、BMP 五种常见图片格式，单张大小上限为 20MB，覆盖了日常工作中绝大多数的截图、照片、设计稿和扫描件。图片上传后会自动上传到服务端，上传完成后再点击识别即可。计费按次进行：每次识别消耗 10 积分，用量与日志都可以在控制台里查询，便于控制成本。

识别结果与提示词

「开始识别」之后，页面会在识别结果区域展示模型对图片的理解。提示词写得越具体，回答越贴合需求——这也是图像理解与「看图说话」最大的区别：它不是泛泛描述，而是围绕你的问题组织信息。复制按钮可以把结果一键复制用于存档或进一步加工。

小结

图像理解服务的核心逻辑可以概括为「图片 + 问题 → 答案」：五类常见格式、单次 20MB 以内的图片输入，配合自定义提示词，得到按需组织的理解结果，并按次计费、按量可查。理解了这一层，后面的接入与场景文章就有了共同的语言基础。