图片理解
在 user 消息中放入 image_url 类型的 content 部分，内容为 base64 编码后的图片。搭配同一数组里的 text 部分给出指令，模型即可按指令描述或分析图片内容。
moonshot-v1-vision-preview
AI TOOL PROFILE工具资料Kimi 开放平台的视觉理解模型，支持图片与视频输入的多模态对话
官网地址 https://platform.moonshot.cn/docs/guide/use-kimi-vision-model
价格按模型推理总 Tokens 计费，token 价格详见模型推理价格说明
平台API / Web
归类AI 绘画生图
收录2026-01-01
复核2026-01-01
编辑评分
4.3 / 5
★★★★☆
moonshot-v1-vision-preview编辑总结
这是 Moonshot AI（月之暗面）在 Kimi API 开放平台上提供的视觉理解能力，通过 OpenAI 兼容接口调用。它支持图片与视频两类输入：图片用 base64 编码后以内联方式提交，视频需先用文件接口上传再以 ms:// 文件 ID 引用。格式覆盖 image/jpeg、image/png、image/gif、image/webp、video/mp4、video/mov 等十余种。模型不直接接受 URL 格式的图片，仅支持 base64 内容与文件上传；请求体整体大小上限为 100M，超大视频必须走文件上传通道。
moonshot-v1-vision-preview是什么？
moonshot-v1-vision-preview 是 Moonshot AI 面向开发者开放的视觉理解模型，隶属于 Kimi API 开放平台。它的定位是让 Kimi 系列模型在纯文本对话之外，进一步读取图片与视频中的内容，并把理解结果以自然语言返回。开发者通过 OpenAI SDK 即可接入，base_url 指向 https://api.moonshot.cn/v1。
在使用形态上，调用方式与普通对话补全一致，区别在于 user 消息的 content 由字符串变为数组：数组里放一个 image_url 部分（携带 base64 编码后的图片）和一个 text 部分（携带指令，例如“请描述图片的内容”）。视频走另一条通道，先用 client.files.create 以 purpose 为 video 上传，再用 ms:// 前缀的文件 ID 传给 video_url 字段。
对普通用户来说，这个模型一般不直接操作，而是通过集成 Kimi 能力的应用来体验看图说话；对开发者与团队来说，它可以作为流水线中的一环，配合多轮对话、流式输出、工具调用、JSON Mode、Partial Mode 等能力，接入到内容审核、素材理解、结构化抽取等工作流中。
moonshot-v1-vision-preview核心功能
视频理解
先用 client.files.create 上传视频文件，purpose 设为 video；再把返回的文件 ID 以 ms:// 前缀填入 video_url 字段。视频被理解为若干关键帧，帧数越多、分辨率越高消耗越大。
多格式支持
图片侧支持 image/jpeg、image/png、image/gif、image/webp、image/bmp、image/heic、image/heif；视频侧支持 video/mp4、video/mpeg、video/mov、video/avi、video/x-flv、video/mpg、video/webm、video/wmv、video/3gpp。
动态 token 计费
图片与视频按动态 token 计算，可在开始理解前通过计算 token 接口预先获取包含图片或视频的请求会消耗多少 token。图片分辨率越高消耗越多。
OpenAI 兼容调用
使用标准 OpenAI SDK，把 base_url 指向 https://api.moonshot.cn/v1，即可用 chat.completions.create 发起请求。示例中 model 参数为 kimi-k3。
多轮与流式
官方文档明确列出该模型支持多轮对话、流式输出、工具调用、JSON Mode 与 Partial Mode，可与其他对话能力组合使用。
moonshot-v1-vision-preview值不值得用？
当你要让程序读取图片或视频内容、并把结果接入已有对话流程时，这个模型值得考虑：它复用 OpenAI SDK，图片走 base64、视频走文件上传，格式覆盖到 heic、heif、webm 这类不太常见的选择。但有两处要注意：一是图片不支持直接传 URL，必须先把内容编码或上传，接入时多一道转换；二是请求体整体上限 100M，长视频只能走文件上传通道。另外官网未公开具体 token 单价，只说明按模型推理总 Tokens 计费，做成本预算前需要另行确认费率。
建议选它的情况
- 已有 OpenAI SDK 调用代码，想低成本加上看图能力
- 需要在同一次对话里既读图片又读视频
- 要处理 heic、heif、webm 等格式的素材
不建议选它的情况
- 只想直接传图片 URL、不愿做 base64 编码或上传
- 单次请求体预计超过 100M 的大文件场景
moonshot-v1-vision-preview使用建议
入门先把路子走对
- 先跑通图片调用把 MOONSHOT_API_KEY 写进环境变量，用 OpenAI SDK 把 base_url 指向 https://api.moonshot.cn/v1，再照示例把 content 从字符串改成含 image_url 与 text 的数组。
- 视频要先上传视频不能像图片那样内联，需要先调 client.files.create，把 purpose 设为 video，拿到的文件 ID 再以 ms:// 前缀填进 video_url。
进阶省时间也省钱
- 先算 token 再发请求官方提供计算 token 接口，可在开始理解前就获取包含图片或视频的请求会消耗多少 token，便于控制批量任务成本。
- 重复素材走文件上传对于需要多次引用的图片或视频，用文件上传方式比每次重新编码 base64 更省事，也避免请求体被撑大。
moonshot-v1-vision-preview适合谁用？
接入多模态能力的开发者
推荐已有 OpenAI SDK 调用基础，想用同一套接口加上图片与视频理解，可直接替换 base_url 与 model 参数起步。
处理结构化素材的团队
推荐需要把图片、视频内容转成文字或结构化字段，可结合 JSON Mode 与工具调用串进现有流水线。
批量长视频处理方
有条件视频按关键帧计 token，帧数越多、分辨率越高消耗越大，请求体上限 100M，长视频必须走文件上传，成本与流程都要提前规划。
只想贴图片 URL 的轻量用户
不推荐模型不支持 URL 格式的图片，只接受 base64 编码内容或文件 ID，需要先做一步转换才能使用。
moonshot-v1-vision-preview优点和缺点
优点
- OpenAI SDK 直接接入，base_url 指向 api.moonshot.cn/v1
- 图片与视频都能理解，覆盖十余种输入格式
- 图片数量无限制，只需保证请求体不超过 100M
- 支持多轮对话、流式输出、工具调用、JSON Mode 与 Partial Mode
- 提供计算 token 接口，可在请求前预知消耗
缺点
- 图片不支持 URL 传入，必须先 base64 编码或上传
- 超大视频必须改用文件上传方式，不能直接内联
- 按模型推理总 Tokens 计费
moonshot-v1-vision-preview常见问题
图片可以直接传一个网址吗？＋
不行。官网明确说明 URL 格式的图片暂不支持，目前只有两种方式：把图片内容用 base64 编码后放进 image_url，或者先上传文件再用文件 ID 引用。
一次能传多少张图片？＋
Vision 模型本身没有图片数量限制，但需要保证整个请求的 Body 大小不超过 100M。传得多时建议关注体积，必要时改用文件上传方式。
视频怎么传给模型？＋
视频不能内联。先用 client.files.create 上传文件并把 purpose 设为 video，再把返回的文件 ID 以 ms:// 前缀填进 video_url 字段，并在同一条消息里附上文字指令。
图片和视频是怎么计费的？＋
按模型推理的总 Tokens 计费，图片与视频都按动态 token 计算。图片分辨率越高消耗越多；视频由若干关键帧组成，关键帧数量越多、分辨率越高，token 消耗越多。具体单价官网未公开，需查阅模型推理价格说明。
调用时用哪个模型名？＋
官方示例中的 model 参数为 kimi-k3。开放平台同时提供 Kimi K3、Kimi K2.7 Code、Kimi K2.6 等模型，选型时可参考模型列表页对各模型多模态能力的说明。
moonshot-v1-vision-preview竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| moonshot-v1-vision-preview本工具 | 4.3 | 按模型推理总 Tokens 计费，token 价格详见模型推理价格说明 | 图片理解；视频理解；多格式支持；动态 token 计费 | API / Web |
| Champ | — | 未标价 | Champ:一种用于生成 3D 物体形状的生成模型 | — |
| Sapiens | — | 未标价 | 先进的人工智能视觉模型，专门分析和理解人类动作 | — |
| LaVi-Bridge | — | 未标价 | 连接不同语言模型和生成视觉模型进行文本到图像生成 | — |
| Diffree | — | 未标价 | 文本引导的无形状物体修复模型 | — |
| Custom Vision | — | 未标价 | 使用自己的图像和 REST API 自定义计算机视觉模型 | — |
