AionClaw处理图片任务必须选用多模态模型，如Qwen-VL-Plus、Kimi-Vision、DeepSeek-VL等；OCR选Qwen-VL-Plus，设计理解选Kimi-Vision，技术图分析选DeepSeek-VL；上传前需确认通道权限、添加触发提示语、控制图片数量与大小。
☞☞☞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☜☜☜
处理图片内容时AionClaw应选多模态模型
当你需要让AionClaw识别截图、解析PDF中的图表、提取商品图里的文字、判断设计稿配色是否协调，或根据一张产品照片生成带卖点的电商文案——这些任务都依赖视觉理解能力，必须启用支持图像输入的多模态模型，纯文本模型无法读取像素信息。
在AionClaw界面右上角点击模型切换按钮，从下拉列表中选择明确标注【多模态】或含【Vision】【VL】字样的模型，例如Qwen-VL-Plus、Kimi-Vision、DeepSeek-VL、GLM-4V。这些模型经过图文联合训练，能同时处理Base64编码的图片和自然语言指令。
不要选Qwen3-32B-Instruct、DeepSeek-Coder-V2这类纯文本模型——它们看到图片只会返回“不支持图像输入”或直接忽略附件，任务必然失败。
不同图片任务对应的具体模型推荐
模型不是越参数量大越好，要按任务类型匹配：
方法一：需OCR文字提取或表格识别 → 优先用Qwen-VL-Plus。它对中文截图、微信聊天图、Excel截图中的小字号、倾斜排版识别准确率最高，实测在模糊截图下仍能还原95%以上文字，且响应快，适合批量处理。
方法二：需理解设计意图或生成描述性文案 → 选Kimi-Vision。它对构图、色彩、风格术语（如“莫兰迪色系”“赛博朋克质感”）理解更准，生成的电商文案/设计反馈更贴近人类审美判断，但处理单张图耗时比Qwen-VL-Plus多1.8秒左右。
方法三：需分析技术类图像（电路图、流程图、架构图）→ 用DeepSeek-VL。它内置符号识别模块，能区分UML中的箭头类型、Visio流程图中的决策菱形、原理图中的电容图标，普通多模态模型会把这类图形当成装饰性元素忽略。
上传图片前必须确认的三项设置
第一步：打开AionClaw设置 → 进入「模型通道」页 → 确保当前启用的通道已开通多模态权限。TaoToken通道默认开通，但部分私有化部署客户需联系管理员手动勾选【Vision API】授权项。
第二步：在任务指令中明确写出“请分析这张图”“请识别图中所有文字”等触发词。AionClaw不会自动检测附件类型，不写提示语时即使上传了图片，模型也会当作无效输入跳过。
第三步：单次上传图片不超过3张，总大小控制在8MB以内。超过此限制会导致Base64编码截断，模型收到的是损坏图像，返回结果将出现大量乱码或空白段落。【上传前务必用系统自带预览确认图片完整加载】
