多模块总览 - moxus

Moxus AI 将常用多模块能力放在统一 API 网关下。你可以用同一套账户、API 密钥和计费体系调用文本、图像、视频与文档处理模型。

多模态能力是否可用取决于模型本身、账户分组和 API 密钥限制。调用前请在模型广场确认模型能力标签。

图像理解

让模型读取图片内容，完成描述、识别、对比、信息抽取和视觉问答。

根据文本提示生成图像，或基于已有图片进行风格调整与编辑。

将 PDF 内容作为上下文输入模型，用于总结、问答、提取字段和生成结构化结果。

结合支持视频输入的模型分析场景、动作、字幕、画面变化和片段内容。

通过平台支持的专用模型或服务发起文生视频、图生视频等任务。

图像理解用于让模型读取图片，并返回文字分析结果。常见任务包括图片描述、商品识别、票据字段提取、截图问答和图文混合推理。

图像越清晰、问题越具体，输出越稳定。需要结构化结果时，可以结合结构化输出。

图像生成用于根据提示词创建图片，或以已有图片作为参考进行编辑。你可以把生成任务用于配图、草图、海报、概念设计和素材迭代。

PDF 文件通常先作为文档内容输入模型，再让模型执行总结、问答、字段抽取或格式转换。对于长文档，建议先拆分章节或页码，并在请求中明确需要处理的范围。

不要把包含敏感个人信息、未脱敏合同或内部机密的 PDF 上传给不应访问该内容的模型或密钥。生产环境建议按项目隔离 API 密钥。

视频理解适合处理短视频片段、监控摘要、画面问答、动作识别和字幕辅助分析。若模型不支持直接输入视频，可以先抽取关键帧，再结合图像理解和文本模型进行总结。

视频生成通常是异步任务。提交任务后，平台会返回任务 ID，你可以轮询任务状态或在任务日志中查看结果。