WorkBuddy模型需启用多模态模型（如LLaVA、Qwen-VL）、在Skill中声明image输入字段、配置匹配的图像预处理参数，并确保GPU显存充足且视觉编码器成功加载，才能识别图片内容。
☞☞☞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☜☜☜
WorkBuddy模型能否识别图片内容，取决于你当前启用的模型类型和技能配置——不是所有模型天生具备“看图”能力，必须手动激活多模态支持并确保图像输入路径畅通。
确认当前模型是否支持多模态
WorkBuddy默认加载的是纯文本大模型（如混元、DeepSeek），这类模型【无法解析任何图像数据】，上传图片后只会忽略或返回空响应。
进入WorkBuddy管理后台 → 点击左侧「模型配置」 → 查找名称含“llava”“qwen-vl”或“florence”的模型条目 → 确认其状态为“已启用”。若显示“已禁用”，点击右侧「启用」按钮并等待状态刷新完成。
检查技能JSON中是否声明image输入
即使启用了多模态模型，若你使用的Skill未在配置文件中明确定义图像输入字段，WorkBuddy仍会跳过图片解析流程。
打开该Skill对应的JSON文件 → 定位到"input_schema"字段 → 检查是否存在类型为"image"的字段定义。若无，需添加：{"name": "input_image", "type": "image", "required": true} → 保存后重新导入Skill，并在弹窗中勾选「强制重载模型依赖」。
验证图像预处理参数是否匹配模型要求
多模态模型对输入图像尺寸、归一化参数极为敏感，参数错一位就可能导致特征提取失败，且不报错。
方法一：在「模型配置」页面找到已启用的多模态模型 → 点击「编辑参数」 → 核对image_size值：Llama-3-LLaVA需为336×336，Qwen-VL需为448×448。
方法二：确认image_mean和image_std参数与原始模型一致，例如Qwen-VL对应[0.48145466, 0.4578275, 0.40821073]与[0.26862954, 0.26130258, 0.27577711]。
排查GPU显存与视觉编码器加载状态
第一步：在WorkBuddy服务日志中搜索关键字"vision_tower loaded" → 确认其后紧跟"success"标识。
第二步：若发现"OOM"或"cuda out of memory"提示 → 进入模型参数页 → 将"max_image_tokens"值从默认256降至128或64 → 保存后重启模型服务。
第三步：重启后再次上传一张测试图（建议使用纯白背景+黑体字的PNG）→ 观察是否返回结构化描述文本而非空白或报错。
