多模态接口怎么调？一次请求传图、传音、传视频的参数与限制

你手上有一段录音加几张截图，想让模型一次性看完再回答，结果要么传不上去，要么传上去了模型当没看见。问题通常不在模型能力，而在请求体怎么写、内容块怎么排、体积和时长有没有超线。这篇按「先拆输入类型、再对齐参数、最后排查」的顺序走一遍，把一次请求塞多模态的活干成。具体数字到站内多模态页面核。

你手上有一段录音加几张截图，想让模型一次性看完再回答，结果要么传不上去，要么传上去了模型当没看见。这类问题九成不在模型能力，而在请求体怎么写、内容块怎么排、体积和时长有没有踩线。先别急着换模型，把请求拆开看一遍，往往改两个字段就通了。

下面按「先拆输入类型、再对齐参数、接着看限制卡点、最后排查」的顺序走一遍。凡是涉及具体体积上限、时长上限、分辨率门槛、计费倍率这类数字，一律以站内当时页面为准，各家改得很勤，写死在文章里第二天就过时。多模态接口怎么调，本质是把一次请求组织成接口能读懂的结构，剩下的都是对齐细节。

先把输入拆成三类，别混在一个字段里

文字、图片、音频、视频在请求体里是并列的内容块，各自有独立的类型标记，不能拼成一个字符串塞进去。最常见的错就是把图片描述成一段文字，或者把音频当成附件名写进 prompt，接口那边只会当成普通文本处理。先确认你的 SDK 或 HTTP 请求体里有没有专门的内容块数组，没有就先补上这一层。

• 图片走「链接还是 base64」是第一个岔路口：链接省请求体积，但要求能被公网取到且不失效；base64 稳，但请求体会膨胀数倍，多图叠加容易撞上限
• 音频和视频通常只能给链接或文件 ID，少数接口支持直接上传，先确认这条路通不通再写代码，别先写完上传逻辑才发现不支持
• 多模态内容块要按顺序排，模型读内容块的顺序基本等于你排列的顺序，图片放在问题之后还是之前，结论可能就不一样
• 同一个内容块别重复塞。接口未必帮你去重，重复传图会重复计费，先估一遍再决定要不要拆成多次请求

一个最小可用的组合写法

顺序上建议「先文字说明任务，再放各模态素材，最后补一句具体要求」。这样模型先知道要干什么，再看素材，不容易跑偏。如果你要它对比几张图，就在每张图前用一小段文字标注这是第几张、是什么，别让它自己猜编号。

参数对照：哪些必填、哪些看接口

模型名是第一个要确认的：只有标了多模态的模型才会真的读图音视频，纯文本模型给它图片通常不报错，直接忽略，你会以为传成功了。具体哪些模型支持哪种模态，到站内模型资料库和官方 API 页面按厂商核一遍，别凭印象。

分辨率、帧率、采样间隔这类参数直接决定成本和能不能过。音频要注意采样率与编码格式，视频要注意容器格式和时长上限，两者都不是「能播就行」。上线前先用一条短素材跑通，再逐步加长加多，别一上来就丢整段会议录像。

限制通常卡在哪几个地方

限制不是一个数字，是好几条线叠在一起：单请求体积上限、单文件体积上限、单次时长上限、内容块数量上限。多图叠加时先撞的往往是总请求体，而不是单张图太大。所以排查前先分清你是被哪条线拦下来的，再决定是压缩、拆分还是换链接。

• 单请求体积和单文件体积是两条线，先看报错提示里提的是哪个，别盲目压图
• 时长和帧数上限决定视频能不能整段传，超了就分段或抽帧，分段后要处理前后文衔接，别当成独立请求
• 并发和频率限制和多模态无关，但大文件请求更慢，更容易撞超时，超时设置先到站内测速工具量个基线
• 不同渠道对同一模型的多模态支持度可能不一样，中转站尤其要看它这一路的兼容说明，别默认官方支持它就支持

什么时候这些做法不适用

如果你只是偶尔传一张小图，没必要上抽帧、分段、链接托管这一整套。反过来，如果素材里有敏感内容，链接托管就意味着它要能被公网取到，这时候 base64 反而更稳，但体积问题又回来了。按你的频次和素材敏感度二选一。

传不上去或答非所问，按这个顺序查

1. 先看状态码4xx 多半是参数格式或体积问题，5xx 更像上游或通道问题。状态码含义和常见报错对照，站内有报错排除流程可以直接查。
2. 验证模型有没有识别到让它复述内容块数量，或者读出图片里一处明显的文字。一次就能分清是没传进去，还是传进去了没看懂。
3. 定位到具体模态图片能传但识别差，先怀疑分辨率和压缩；音频听不准，先怀疑采样率和底噪；视频结论偏，先怀疑抽帧太稀。
4. 换一条通道复测同一份请求在两条路径上表现不同，基本能定位到是渠道兼容问题，而不是你的参数写错。
5. 最后再改参数确认是参数问题后，一次只改一个变量再试，否则你分不清是哪一项起了作用。

顺带提一句，如果同一请求在本地跑通、上线后失败，多半是网络出口或超时设置的问题，不一定是多模态本身。先把网络这条线和参数这条线分开，排查会快很多。