多模态模型入门：GPT-4V / Claude Vision 到底能做什么-程序员充电站

我一个朋友上周在群里发了一张截图——产线报错日志，问"有没有人见过这个错？"

我正好刚接上 Vision API，顺手把截图丢进去，30 秒后 AI 给出了错误原因、涉及的文件名、甚至定位到了第几行。群里安静了 5 秒然后炸了：“这 TM 是把图片丢给 AI 读？”

对，就是。而且一分钱没花——用的免费额度。

多模态模型是什么

一句话：能同时理解文字和图片的 AI。

GPT-4V、Claude 3.5 Sonnet、DeepSeek V4 Pro 都支持。你把一张截图、照片、图表丢给它，它像看懂了似的给你分析。

这不是魔法。本质上是在文本模型的基础上，加了一个视觉编码器——把图片切成小块，每个块变成一个向量，和文本混在一起输入 LLM。

今天我们直接上手测，不讲原理讲实战。

前置准备

DeepSeek V4 Pro 支持 Vision API，用 Anthropic 兼容接口调。和文本接口几乎一样，只是 message 里可以夹带图片：

packagemainimport("bytes""encoding/base64""encoding/json""fmt""net/http""os")constbaseURL="https://api.deepseek.com/anthropic"typeImageSourcestruct{Typestring`json:"type"`MediaTypestring`json:"media_type"`Datastring`json:"data"`}typeContentBlockstruct{Typestring`json:"type"`Textstring`json:"text,omitempty"`Source*ImageSource`json:"source,omitempty"`}typeMessagestruct{Rolestring`json:"role"`Content[]ContentBlock`json:"content"`}typeRequeststruct{Modelstring`json:"model"`MaxTokensint`json:"max_tokens"`Temperaturefloat64`json:"temperature"`Messages[]Message`json:"messages"`}funcaskWithImage(imagePath,promptstring)(string,error){data,err:=os.ReadFile(imagePath)iferr!=nil{return"",fmt.Errorf("读取图片失败: %w",err)}b64:=base64.StdEncoding.EncodeToString(data)req:=Request{Model:"deepseek-v4-pro",MaxTokens:800,Temperature:0.1,Messages:[]Message{{Role:"user",Content:[]ContentBlock{{Type:"image",Source:&ImageSource{Type:"base64",MediaType:"image/png",Data:b64,},},{Type:"text",Text:prompt,},},},},}body,_:=json.Marshal(req)httpReq,_:=http.NewRequest("POST",baseURL+"/v1/messages",bytes.NewReader(body))httpReq.Header.Set("x-api-key",os.Getenv("DEEPSEEK_API_KEY"))httpReq.Header.Set("anthropic-version","2023-06-01")httpReq.Header.Set("Content-Type","application/json")resp,err:=http.DefaultClient.Do(httpReq)iferr!=nil{return"",err}deferresp.Body.Close()varresultmap[string]interface{}json.NewDecoder(resp.Body).Decode(&result)ifcontent,ok:=result["content"].([]interface{});ok&&len(content)>0{iftext,ok:=content[0].(map[string]interface{})["text"].(string);ok{returntext,nil}}return"",fmt.Errorf("无法解析响应")}

实测一：OCR —— 从截图里提取文字

我把一段 Go 错误日志截了图丢进去：

Prompt:「提取这张截图中的所有文本，保持原格式。」

结果：

panic: runtime error: invalid memory address or nil pointer dereference [signal 0xc0000005 code=0x0 addr=0x0 pc=0x1234567] goroutine 1 [running]: main.processOrder(0x0, 0x0) /app/internal/handler/order.go:42 +0x78 main.main() /app/cmd/server/main.go:27 +0x3a

一个字不差。连缩进都保持了。比我手动抄快了 100 倍，而且不会抄错。

评分:准确率 99%，偶有标点遗漏。比 tesseract OCR 强在不需要预处理，带背景的截图也能读。

实测二：图表分析 —— 读财务报表截图

我从某上市公司年报截了一张营收趋势图：

Prompt:「分析这张图表的数据趋势。如果有具体数值，请逐一列出。」

结果：

这是一张营收趋势折线图。数据如下： 2021年: 约 1250 亿 2022年: 约 1480 亿（同比增长 18.4%） 2023年: 约 1320 亿（同比下降 10.8%） 2024年: 约 1560 亿（同比增长 18.2%） 趋势分析： - 整体呈增长趋势，但 2023 年有明显下滑 - 2024 年恢复并超过前期高点 - 4 年复合增长率约 7.6%

数值有 5% 以内的误差，但趋势判断完全正确。关键是——它不只是读数字，还算了增长率、给了分析。

评分:数值准确率 90-95%，趋势分析 100%。适合快速了解图表含义，不适合精确审计。

实测三：UI 审查 —— 找设计问题

我截了一张公司后台管理的列表页：

Prompt:「你是 UI 评审专家。审查这个界面，找设计问题。」

结果：

发现以下问题： 1. 排版问题： - 表格列宽不均匀，"操作"列过宽 - "创建时间"列显示不完整，内容被截断 2. 交互问题： - "删除"按钮仅靠文字区分，无二次确认图标或颜色区分 - 分页器缺少"跳转到第X页"的输入框 3. 信息层级： - 搜索框和筛选条件未做视觉分组 - 批量操作按钮位置不显眼 4. 可访问性： - 表格缺少斑马纹，大屏下难以追踪行

这比我找一个设计师来审查快了 N 倍——虽然不能替代专业设计评审，但作为第一轮自查够了。

评分:能发现 70% 的通用问题。专业领域（如 iOS/Android 规范差异）准确率下降。

实测四：照片理解 —— 识别环境信息

我拍了一张机房的设备照片：

Prompt:「描述这张照片里有什么，尽可能详细。」

结果：

照片显示一个服务器机柜，包含： 1. 机柜顶部: 一台 Cisco Catalyst 2960-X 交换机 2. 中部: 3 台 Dell PowerEdge R740 服务器，从上到下排列 - 最上方那台硬盘指示灯（琥珀色）亮着，表示有硬盘故障 3. 底部: 1 台 UPS 不间断电源，显示面板读数 87% 4. 线缆管理：蓝色网线较多，部分未绑扎整齐

它识别出了具体型号、指示灯状态、UPS 读数。最有用的是「硬盘指示灯琥珀色」——这比我爬梯子去看快多了。

评分:物体识别 95%+，型号识别 80%（知名品牌更准）。场景理解能力超出预期。

实测五：代码截图转文本 —— 拯救你的手

朋友用手机拍了一张他显示器上的 SQL 截图，问我「这段 SQL 怎么优化」。

我不想一行行手打。直接丢给 Vision API：

Prompt:「提取这张图片中的 SQL 代码，不要加任何解释。」

结果：一字不差地把 30 行 SQL 变成可复制的文本——包括中文注释。

这是我最常用的场景。尤其是接别人的代码截图，不用手打。

五个场景总结

场景	准确率	实际价值	一句话
OCR 文字提取	99%	⭐⭐⭐⭐⭐	截图一键变文本
图表数据分析	90-95%	⭐⭐⭐⭐	不影响趋势判断
UI 设计审查	70%	⭐⭐⭐	第一轮自查够用
照片场景理解	85-95%	⭐⭐⭐⭐	出乎意料地好
代码截图转文本	98%	⭐⭐⭐⭐⭐	太实用了