所在组：进阶（桥接） ｜ 上一组出口：能用发布门与版本化纪律长期运行 ｜ 本页出口：知道该主题影响哪个工程决策、何时去 Learn LLM
多模态（桥接）
桥接页：多模态 tokenization（图像如何变成 token）、跨模态对齐机制、视觉编码器的推导在 Learn LLM（多模态章节）。本仓只保留应用工程师需要的最小用法。
应用侧最小用法
在应用里用好多模态（以视觉为例）只需要四件事：
- 消息结构：图片作为 content block（base64 / URL / Files API 三种来源）与文本并列，见 模型 API 契约。
- 成本意识：图片按尺寸折算 token，进入上下文预算——大图是真实的成本项。
- 位置技巧：图片放在指令/问题之前效果好；多图用
Image 1:、Image 2:标签区分。 - 能力边界：空间推理、精确计数、人物识别是已知弱项；高风险场景必须人工复核（见 安全）。
产品化要点：多轮对话中重复引用同一图片时用 Files API 的 file_id，避免每轮重传 base64。
本区页面
| 页面 | 状态 | 内容 |
|---|---|---|
| Claude Vision 能力 | case | Claude 视觉能力的接入细节：图片来源、限制、token 计算、提示技巧（数字以官方文档为准） |
何时去 Learn LLM
- 想知道图像/音频如何被切分成 token、为什么有尺寸上限 → Learn LLM 多模态 tokenization 章
- 想理解视觉-语言对齐训练、多模态模型的能力从哪来 → Learn LLM 跨模态机制章
厂商侧的具体参数（图片张数上限、文件大小、支持格式）以官方文档实时为准，本仓不维护快照数字。