【智绘博弈】多模态大模型调研与 API 选型

项目：智绘博弈 —— 人机对抗绘画猜词与心理解读系统
角色：AI 识别 & 心理解读模块负责人
日期：2026.3.30 - 2026.4.5

---

一、本周目标

作为团队中负责 AI 识别与心理分析模块的成员，我在项目启动阶段的首要任务是：

1. 搞清楚「多模态大模型」到底是什么
2. 调研国内可用的多模态 API，对比价格、效果、易用性
3. 确定技术选型方案，为后续开发做准备

---

二、什么是多模态大模型？

在调研之前，我先花了点时间理解“多模态”这个概念。

传统的语言模型（如 GPT-3）只能处理文本，你给它一段话，它回你一段话。但多模态大模型不一样——它能同时理解文本 + 图像，甚至还有的能处理音频、视频。

对我们的项目来说，这意味着：

• 玩家画了一幅画（图像）
• AI 需要看懂这幅画，猜出画的是什么（图像理解 → 文本输出）

这正是多模态模型的典型应用场景。如果用传统方案，我们需要先用 CNN 提取图像特征，再用分类器猜词，整个流程很复杂。而多模态大模型可以“端到端”完成：直接把图片丢给它，它直接告诉你画的是什么。

简单说：多模态 = 能看图说话的 AI。

---

三、国内主流多模态 API 调研

由于网络原因，OpenAI 的 GPT-4V 和 Google 的 Gemini 对国内开发者不太友好。我们需要找国内可用、注册方便、有免费额度的平台。

经过一周的调研，我整理了三个主流选项：

1. 智谱 AI —— GLM-4V 系列

项目	内容
官网	https://open.bigmodel.cn
模型	GLM-4V-Flash（免费）/ GLM-4V-Plus（付费）
免费额度	新用户有免费 Token 额度
注册门槛	手机号注册即可，无需企业认证
SDK	pip install zhipuai，官方 Python SDK

关于 GLM-5： 智谱在 2026 年 2 月发布了 GLM-5 系列，4 月初又发布了 GLM-5V-Turbo（多模态 Coding 基座模型），效果更强、支持深度推理。但目前GLM-4V 系列对我们的项目来说效果够用，性价比更高，后续可以考虑升级。（之后的千问百度同理）

优点：

• 试用额度多，对学生党太友好了
• 中文理解能力强，简笔画识别能力够用
• SDK 封装得很好，几行代码就能调用

缺点：

• Flash 版本效果比 Plus 差一些（但对简笔画识别够用）

2. 通义千问 VL（阿里云）

项目	内容
官网	https://dashscope.console.aliyun.com
模型	qwen-vl-plus / qwen-vl-max
免费额度	新用户有免费 Token 额度
注册门槛	需要阿里云账号 + 实名认证
SDK	pip install openai（兼容 OpenAI 接口）

优点：

• qwen-vl-max 效果很好，可能是国内最强的多模态模型之一
• 支持 OpenAI 兼容接口，代码迁移方便

缺点：

• 需要实名认证，流程稍麻烦
• 免费额度用完后要付费

3. 文心一言（百度）

项目	内容
官网	https://cloud.baidu.com/product/wenxinworkshop
模型	ERNIE-4.0-Vision
免费额度	有限额
注册门槛	需要百度云账号 + 实名

优点：

• 品牌知名度高

缺点：

• 图像理解能力在三者中相对较弱（根据网上评测）
• API 文档和 SDK 没有前两家友好

---

四、技术选型决策

综合考虑免费额度、注册难度、效果、SDK 易用性，我们的选型方案是：

主方案：智谱 GLM-4V-Flash（免费无限量）
备份方案：通义千问 VL-Plus（付费但效果好）

理由：

1. 成本优先：项目初期我们先用个人试用额度进行开发测试，后续如果额度不够或需要部署上线，可以向学院申请提供 API 额度和云服务器支持。GLM-4V-Flash 的免费政策让我们前期零成本试错。
2. 够用就好：我们的场景是识别简笔画，不需要理解复杂的照片，Flash 版本的能力足够
3. 双保险：万一智谱的服务挂了（虽然概率很低），可以自动切换到通义千问

在代码层面，我们会实现一个自动降级机制：

智谱 GLM-4V → 通义千问 VL → Mock 模式（离线测试用）

如果主 API 调用失败，自动尝试备用 API；如果都失败，用本地 Mock 数据兜底，保证游戏流程不中断。

---

五、API Key 的安全管理

一个容易被忽略的问题是：API Key 不能写死在代码里。

如果把 Key 直接写在代码里然后提交到 Git 仓库，任何人都能看到。更危险的是，如果项目开源或者仓库被泄露，别人可以用你的 Key 白嫖额度甚至产生费用。

我们采用的方案是环境变量：

python

# config.py
import os

ZHIPU_API_KEY = os.environ.get('ZHIPU_API_KEY', '')
DASHSCOPE_API_KEY = os.environ.get('DASHSCOPE_API_KEY', '')

然后在启动脚本里设置环境变量：

bash

# start.bat (Windows)
set ZHIPU_API_KEY=密钥
python app.py

这样 Key 不会出现在代码文件里，也不会被提交到 Git。

---

六、遇到的问题

问题 1：注册智谱时手机收不到验证码

解决：换了个时间段重试，可能是高峰期短信通道拥堵。

问题 2：不太理解 Base64 编码

调用多模态 API 时，图片需要转成 Base64 格式传输。一开始我不太明白为什么不能直接传图片 URL。

后来查资料理解了：

• 如果传 URL，API 服务器需要去下载这张图片，增加延迟
• 我们的图片是 Canvas 画布实时生成的，根本没有 URL
• Base64 是把二进制数据编码成文本字符串，可以直接嵌入 JSON 请求

---

七、下周计划

1. 完成智谱 SDK 的第一次调用：写一个最简单的 demo，传一张画进去，看 AI 返回什么
2. 研究 Prompt 设计：怎么让 AI 按我们的格式返回结果（JSON 格式、包含猜测词和置信度）
3. 开始设计三档难度的 Prompt 策略：easy / medium / hard

---

八、本周总结

这是项目的第一周，主要工作是技术调研和方案确定。虽然还没写正式代码，但我对接下来要做的事情有了清晰的认识：

• 理解了多模态大模型的概念和应用场景
• 调研对比了三个国内平台，确定了「智谱主力 + 通义备份」的方案
• 学会了用环境变量管理敏感信息

下周开始正式写代码，期待第一次成功调用 API 的时刻！

---

（第一次写博客，没想到直接支持md格式哇，从typora过来都不用改格式，太方便了hhhh）