多模态大模型最实用的能力之一就是"看图说话"。上传一张图片，模型能理解其中的内容、结构和含义。

图表分析

上传折线图、柱状图、饼图，模型能提取数据、识别趋势、生成分析报告。

response = client.chat.completions.create(
    model="qwen2.5-vl:7b",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "分析这张销售数据图表，总结关键趋势"},
            {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{base64_image}"}}
        ]
    }]
)

文档OCR

拍照或扫描的文档，模型能识别文字、表格、标题结构。比传统OCR的优势在于能理解文档的语义结构——区分标题、正文、表格、页码。

UI截图分析

上传App或网页截图，模型能识别界面元素、描述布局、甚至发现UI问题。适合自动化测试和竞品分析。

本地部署

推荐Qwen2.5-VL-7B，中文效果最好。7B版本需要约16GB显存。如果只需要OCR功能，PaddleOCR更快更省资源。复杂场景才需要VLM。