图像输入Vision

输入 · 已普及

Anthropic「All current Claude models support text and image input … and vision」· OpenAI「vision input」

各家叫法：Vision · image input同一件事，各家名字不同。我们自己就因为按字面去搜而误判过 —— Kling 管角色参考叫 Element、LTX 叫 Ingredients，按 Character Reference 去找会一无所获，然后把「没找到」写成「官方没说」。

chat：谁实现了

Anthropic · Anthropic

Claude Fable 5.1

总览页原文：「All current models support text and image input, text output, multilingual capabilities, vision, and tool use」

Anthropic 官方文档 · 模型总览官方来源核验版本 Fable 5.1核验于 2026-09-10机器录入

OpenAI · OpenAI

GPT-6 Astra

「All latest OpenAI models support text and image input, text output, multilingual capabilities, and vision.」GPT-6 Astra 卡片同列 Tools: Functions, Web search, File search, Computer use

OpenAI · Models官方来源核验版本 GPT-6 Astra核验于 2026-09-10机器录入

Google DeepMind · Google DeepMind

Gemini 4 Argon

模型卡明确支持图像与视频输入。

Google · Gemini 4 Argon 模型卡官方来源核验版本 Gemini 4 Argon核验于 2026-10-19机器录入

阿里巴巴 · 通义 Qwen

Qwen 3.8-max

原来这一格挂着 sibling=3.7-plus（视觉在 plus 那一支）。中文站的批量页现在把 qwen3.8-max 自己也列进了图像与视频理解那一栏，与 qwen3-vl-plus 并列 —— 旗舰这一版已经原生收图，sibling 去掉。

阿里云百炼中文站 · 批量推理官方来源核验版本 3.8-max核验于 2026-08-12机器录入

深度求索 · DeepSeek

DeepSeek V4.1 Flash-1017

当前价目表明确将 deepseek-flash 绑定到 DeepSeek-V4.1-Flash-1017；视觉仅 Flash 支持，FIM 仅非思考模式。