图片与视频理解用哪个模型

结论先行：多模态任务的风险不在单价，而在 token 量级——一张高清图、一段短视频展开后的 token 数远超预期。可控的做法是「先用低价多模态档做全量理解与筛选，再让高价档只处理需要判断的片段」。

支持多模态输入的档位（每百万 token，采集 2026-10-08）

模型	输入价	输入模态	上下文
Gemini 3.7 Flash	$0.825	文本、图像、视频、文件、音频	105 万
Gemini 3.1 Pro	$2.2	音频、文件、图像、文本、视频	105 万
Qwen3.8 Flash	$0.165	文本、图像、视频	100 万
GLM-5.3 Flash	$0.165	文本、图像、视频	105 万

四档都覆盖图像与视频输入，差别在单价档位与目标任务复杂度。

素材 token 的三个经验法则

1. 图片：分辨率越高，token 越多。批量处理前先统一缩放到业务所需的清晰度
2. 视频：按帧采样，采样率决定 token 总量；抽帧描述比整段上传便宜得多
3. 音频：按时长展开，长时间录音优先转写成文本再处理

两段式流程

第一段（Flash 档，全量）：抽帧描述、字幕转写、场景切分、内容分级、异常初筛。

第二段（Pro 档，少量）：跨片段归纳、判定结论、结构化输出。

以 1 百万 token 的多模态素材估算：全量走 Gemini 3.7 Flash 约 $0.825，全量走 Gemini 3.1 Pro 约 $2.2。素材规模越大，流程设计带来的差异越明显。

接入示例

resp = client.chat.completions.create(
    model="google/gemini-3.7-flash",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "这张发票的金额与日期是什么？只输出 JSON。"},
        {"type": "image_url", "image_url": {"url": image_url}},
    ]}],
)

常见问题

视频必须整段上传吗？

不必。先抽帧或转写，再按需提交关键片段，通常是更省的做法。

中文场景用哪个档？

Qwen3.8 Flash 与 GLM-5.3 Flash 都支持图像/视频输入且单价低，适合中文票据、截图类任务。

结构化输出怎么保证格式？

在提示词中给出字段名与示例，并在程序侧做校验与重试。

价格采集时间？

2026-10-08；站内价 = OpenRouter 挂牌 ×1.1。

---

👉 立即注册，0 元尝鲜套餐试用

相关阅读：gemini-3-1-pro-vs-3-7-flash ｜ long-document-rag ｜ gemini-alternative