gemma-3-12b-it实战教程：用curl命令行调用Ollama API完成图文问答

你是不是觉得，那些能看懂图片并回答问题的AI模型，部署和使用起来一定很复杂？需要写很多代码，或者需要一个复杂的开发环境？

今天，我要告诉你一个好消息：完全不需要。

借助Ollama和它的API，你只需要一个简单的命令行工具——curl，就能轻松调用像Gemma 3 12B这样强大的多模态模型，让它帮你分析图片、回答问题。整个过程就像在浏览器里访问一个网页一样简单。

这篇文章，我将手把手带你，从零开始，只用curl命令，完成一次完整的图文问答。你不需要懂复杂的Python，也不需要搭建任何开发框架，只需要一台能运行命令行的电脑。

1. 准备工作：理解我们要做什么

在开始敲命令之前，我们先花一分钟，搞清楚整个流程的“地图”。

我们的目标：让Gemma 3 12B模型看一张图片，然后回答我们关于这张图片的问题。

我们的工具：

1. Ollama：一个强大的工具，它能把像Gemma这样的大模型“打包”成一个本地服务。你可以把它想象成一个“模型服务器”。
2. curl：一个命令行工具，用来向网络服务器发送请求和接收响应。在这里，它就是我们的“遥控器”，用来向Ollama服务器发送指令和图片。
3. Gemma 3 12B-it 模型：Google出品的轻量级、开源的多模态模型。它既能理解文字，也能看懂图片。

核心流程：

1. 确保Ollama服务正在运行，并且已经拉取了gemma3:12b模型。
2. 准备一张你想让模型分析的图片。
3. 使用curl命令，构建一个符合Ollama API格式的请求，把图片和问题一起“打包”发送给Ollama。
4. 接收Ollama返回的答案，并在命令行里显示出来。

听起来是不是很简单？我们马上开始。

2. 环境检查：确保Ollama就绪

第一步，我们需要确认两件事：Ollama服务在运行，并且模型已经下载好了。

2.1 检查Ollama服务状态

打开你的终端（Windows上是PowerShell或CMD，Mac/Linux上是Terminal），输入以下命令：

curl http://localhost:11434/api/tags

这个命令在做什么？ 它在询问运行在本机11434端口的Ollama服务：“嘿，你那里都有哪些模型？”

如果你看到类似下面的响应（具体模型列表可能不同），说明Ollama服务运行正常：

{
  "models": [
    {
      "name": "gemma3:12b",
      "modified_at": "2024-...",
      "size": 12000000000,
      "digest": "..."
    }
  ]
}

如果看到连接错误（比如 Failed to connect to localhost port 11434）： 这说明Ollama没有运行。你需要先去Ollama官网下载并安装Ollama，然后启动它。在Mac/Linux上，安装后通常会自动启动服务。在Windows上，你可能需要在开始菜单找到Ollama并点击运行。

2.2 确认Gemma 3 12B模型已存在

在上一步的响应里，如果你看到了 "gemma3:12b" 这个模型名，恭喜你，模型已经准备好了。

如果列表里没有这个模型，你需要先拉取它。在终端里运行：

ollama pull gemma3:12b

这个命令会从网上下载模型文件，可能需要一些时间，取决于你的网速。下载完成后，再执行2.1的检查命令，就能看到它了。

好了，服务器和模型都准备好了。接下来，我们需要一张图片和一个问题。

3. 实战开始：用curl发送图文问答请求

这是最核心的一步。我们将构造一个curl命令，把图片和文字问题一起发送给模型。

假设我们有一张图片叫 cat.jpg，里面是一只猫。我们想问模型：“图片里是什么动物？”

3.1 理解API请求格式

Ollama的图文对话API端点（地址）是：http://localhost:11434/api/generate 我们需要以JSON格式向它发送一个POST请求。这个JSON里主要包含：

• model: 指定使用哪个模型，这里是 "gemma3:12b"。
• prompt: 我们的文字问题，比如 "图片里是什么动物？"。
• images: 一个数组，里面包含图片的Base64编码字符串。Base64是一种把二进制图片数据转换成纯文本的方法，方便在JSON里传输。
• stream: 是否以流式（一边生成一边返回）的方式接收响应。我们设为 false，让它一次性返回完整答案。

3.2 构建完整的curl命令

现在，我们把所有部分组合起来。在终端里，输入以下命令（这是一条很长的命令，建议先完整复制）：

curl http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma3:12b",
    "prompt": "图片里是什么动物？",
    "images": ["'"$(base64 -i cat.jpg)"'"],
    "stream": false
  }'

让我拆解一下这个命令：

• curl http://localhost:11434/api/generate: 这是向Ollama的API发送请求。
• -H "Content-Type: application/json": 告诉服务器，我们发送的数据是JSON格式。
• -d '...': -d 后面跟着的就是我们要发送的数据（请求体）。
  • "model": "gemma3:12b": 指定模型。
  • "prompt": "图片里是什么动物？": 我们的问题。
  • "images": ["..."]: 图片的Base64数据。$(base64 -i cat.jpg) 这部分是命令替换，它会先执行 base64 -i cat.jpg 命令把图片编码，然后把结果字符串放到这里。
  • "stream": false: 非流式响应。

注意：base64 -i cat.jpg 这个命令在Mac和Linux上通常可用。如果你的系统不支持，或者图片不在当前目录，你需要调整路径或使用其他方式先获取图片的Base64编码。

3.3 解读模型的回应

执行上面的命令后，你会收到一个JSON格式的响应。它可能看起来像这样（经过简化）：

{
  "model": "gemma3:12b",
  "created_at": "2024-...",
  "response": "图片中是一只猫，看起来像一只橘猫，它正趴在地上或某个平面上。",
  "done": true,
  "context": [...],
  "total_duration": 5049375000,
  "load_duration": 301250000,
  "prompt_eval_count": 265,
  "prompt_eval_duration": 1620000000,
  "eval_count": 23,
  "eval_duration": 3125000000
}

我们最关心的是 "response" 这个字段，它的值 "图片中是一只猫，看起来像一只橘猫，它正趴在地上或某个平面上。" 就是Gemma模型对图片的分析和回答！它准确地识别出了动物是猫，甚至还给出了毛色和姿态的细节。

其他字段是一些元信息，比如用了哪个模型、处理耗时等。

恭喜你！ 你已经成功完成了一次通过命令行调用多模态AI模型的图文问答。

4. 更多玩法与技巧

掌握了基本方法后，你可以玩出更多花样。

4.1 问更复杂的问题

不要只满足于“这是什么”。你可以基于图片内容进行推理、描述细节、甚至让它编故事。

示例命令：

curl http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma3:12b",
    "prompt": "详细描述这张图片的场景、主体物体的颜色、形态，并猜测拍摄这张照片可能的时间（白天/夜晚）和季节。",
    "images": ["'"$(base64 -i landscape.jpg)"'"],
    "stream": false
  }'

4.2 处理多张图片

Ollama的API支持一次性传入多张图片。你只需要在 images 数组里放入多个Base64字符串即可。

curl http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma3:12b",
    "prompt": "比较这两张图片中的猫咪，它们在外观上有什么主要区别？",
    "images": ["'"$(base64 -i cat1.jpg)"'", "'"$(base64 -i cat2.jpg)"'"],
    "stream": false
  }'

4.3 使用流式响应 (stream)

如果你想知道模型是如何“思考”并一个字一个字生成答案的，可以把 stream 设为 true。不过，用curl直接看流式响应会是一串连续的事件流，可读性不好。通常流式响应更适合在编程中处理，或者在Web前端展示。

4.4 将常用命令封装成脚本

如果你经常需要分析图片，每次都打这么长的命令太麻烦了。可以创建一个简单的Shell脚本（比如 ask_picture.sh）：

#!/bin/bash
# ask_picture.sh
IMAGE_PATH=$1
QUESTION=$2

if [ -z "$IMAGE_PATH" ] || [ -z "$QUESTION" ]; then
  echo "用法: ./ask_picture.sh <图片路径> <问题>"
  exit 1
fi

IMAGE_BASE64=$(base64 -i "$IMAGE_PATH")

curl http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma3:12b",
    "prompt": "'"$QUESTION"'",
    "images": ["'"$IMAGE_BASE64"'"],
    "stream": false
  }' | jq -r '.response'

给脚本执行权限：chmod +x ask_picture.sh 然后就可以这样使用了：./ask_picture.sh my_dog.jpg "这只狗是什么品种？"

注意，这个脚本示例使用了 jq 工具来从JSON响应中直接提取 response 字段。如果你的系统没有 jq，需要先安装它（例如在Ubuntu上：sudo apt install jq），或者修改脚本用其他方式解析JSON。

5. 总结

通过这篇教程，我们完成了一次非常“极客”的体验：不依赖任何图形界面或复杂的代码，仅用最基础的命令行工具，就调用了前沿的多模态大模型。

我们来快速回顾一下关键步骤：

1. 确保环境：运行Ollama并拉取 gemma3:12b 模型。
2. 构造请求：使用 curl 命令，以JSON格式将图片（Base64编码）和问题发送到 http://localhost:11434/api/generate。
3. 解析响应：从返回的JSON中获取 response 字段，这就是模型的答案。

这种方法的好处是极其轻量和灵活。你可以在服务器上、在自动化脚本中、或者在任何能运行命令行的地方使用它。它剥离了所有不必要的界面，直击核心功能。

下次当你需要快速让AI“看一眼”图片并给出见解时，不妨打开终端，试试这条 curl 命令吧。你会发现，强大的AI能力，其实离命令行并不遥远。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。