Gemini API图像处理失真主因是模型分辨率配置错配；需按模型上限（如gemini-ultra-vision为4096×4096）等比缩放或关键区域裁切放大，优先用WebP格式，base64编码禁换行，mime_type须与实际格式严格一致。
☞☞☞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☜☜☜
当你用Gemini API处理产品白底图、财报截图或UI界面分析时，图片上传后文字识别错漏、图表细节丢失、关键像素被模糊化——这往往不是模型能力问题，而是媒体分辨率配置未对齐任务需求导致的底层失配。
确认所用模型支持的原生分辨率上限
gemini-pro-vision基础版默认仅支持3072×3072像素输入，而gemini-ultra-vision才开放4096×4096；若你上传一张5120×2880的显示器截图却调用前者，Gemini会在预处理阶段强制缩放裁剪，【原始像素信息不可逆丢失】。
打开Google AI Studio → 进入「Model Explorer」→ 点击目标模型（如gemini-ultra-vision）→ 查看「Input capabilities」栏中的「Max image resolution」数值，以官方实时标注为准，勿依赖旧文档。
使用API调用时，必须显式指定模型名：model = genai.GenerativeModel("gemini-ultra-vision")，写成"gemini-pro-vision"将直接锁定低分辨率通道。
上传前对图像进行精准预处理
方法一：按模型上限等比缩放，保留完整构图
用PIL加载图像后执行img.thumbnail((4096, 4096), Image.Resampling.LANCZOS)，该方法自动维持宽高比，避免拉伸变形，且Lanczos重采样能最大限度保留边缘锐度。
方法二：针对OCR类任务裁切关键区域再放大
若原始图是A4扫描件，但只需识别右下角印章区域，先用OpenCV定位坐标(x,y,w,h)，再crop + resize至4096×4096满帧——这比全图缩放后识别印章更准，因为模型注意力集中在高像素密度区域。
注意：WebP格式在同等视觉质量下体积比PNG小40%，上传失败率降低，优先转为WebP再base64编码。
构造请求Payload时控制图像数据精度
第一步：读取二进制文件时禁用自动解码
务必使用with open("input.webp", "rb") as f: raw_bytes = f.read()，而非text模式，否则会破坏二进制头信息导致解析失败。
第二步：Base64编码不带换行符
base64.b64encode(raw_bytes).decode('utf-8').replace("\n", "").replace("\r", "")，Gemini API对含\r\n的base64字符串会静默截断，造成图像残缺。
第三步：mime_type必须与实际格式严格一致
哪怕文件后缀是.jpg，若实际为JPEG2000编码，需设为image/jp2；错误填写image/jpeg将触发服务端静默降级，【输出质量下降但无报错提示】。
验证分辨率是否真正生效
① 在prompt中插入强约束指令：“请逐字转录图中所有文字，不得省略任何标点、数字或小字号注释”
② 获取响应后，立即检查是否存在“图中文字模糊无法识别”“部分区域未覆盖”等兜底回复
③ 若出现上述回复，说明图像实际输入分辨率未达预期——此时不要调整prompt，应返回第二步检查缩放逻辑与文件格式
④ 成功响应中若包含精确到小数点后两位的坐标值、完整十六进制色值（如#3a86ff）、或连续12位以上数字串，即为高分辨率通路已激活的明确信号
