视觉理解（多模态）
适合图片理解、图文问答、视觉推理与多模态对话。
推荐模型
| 模型 | 公司 | 视觉亮点 | 适用场景 |
|---|---|---|---|
| GPT-4o | OpenAI | 视觉+文本一体化强 | 图文问答、产品助手 |
| Gemini 1.5 Pro | 长上下文 + 视觉理解 | 大型文档与图像结合 | |
| Grok-2 | xAI | 实时信息结合 | 社媒图片与热点理解 |
| Qwen2.5-VL | 阿里巴巴 | 中文多模态强 | 本地化图文应用 |
| ERNIE 4.0 | 百度 | 行业知识融合 | 图文搜索、教育 |
| 混元 | 腾讯 | 生态落地能力 | 企业应用、内容审核 |
| 豆包 | 字节跳动 | 产品化体验 | ToC 图文助手 |