Gemini 多模态能力调用实战：用 Python 轻松实现图文理解

如今多模态大模型已成为开发者工具箱里的重要武器，Google 的 Gemini 系列凭借原生多模态能力，直接用图片、音频、视频和文本作为输入，无需额外桥接模型。这篇文章就带你从零开始，用 Gemini API 完成一次图文混合理解任务，代码清晰，上手即用。

## 环境准备

你需要一个 Gemini API 密钥，如果没有海外信用卡，文末会介绍一个极低门槛的获取方式。安装官方 Python SDK：

```bash pip install google-generativeai ```

## 初始化客户端

首先导入库并配置密钥：

```python import google.generativeai as genai

genai.configure(api_key="YOUR_GEMINI_API_KEY") ```

接着选定模型。目前对多模态支持最好的是 `gemini-1.5-flash`（速度快，成本低）和 `gemini-1.5-pro`（推理更强）：

```python model = genai.GenerativeModel("gemini-1.5-flash") ```

## 读入图片并构造请求

多模态调用的核心是同一条消息里混合文本和图片。SDK 直接支持文件路径或 PIL 图片对象，这里我们把一张本地图片读成二进制数据：

```python import PIL.Image

image = PIL.Image.open("demo.jpg") ```

然后构造提示词，向模型提问关于图片内容的问题：

```python response = model.generate_content( ["请用中文描述这张图片的场景和主要物体，并推测拍摄时间。", image] ) print(response.text) ```

模型返回结果类似：“图片展示的是一个冬日下午的城市街景，前景有积雪覆盖的长椅，远处是模糊的行人和灰色建筑群，光照偏冷，推测拍摄时间为下午三四点。”

## 多图+复杂指令

Gemini 可以一次性传入多张图片，甚至混合文件，比如比较两张图片的异同：

```python image1 = PIL.Image.open("img1.jpg") image2 = PIL.Image.open("img2.jpg")

prompt = [ "第一张图片是白天的办公室，第二张是夜晚的同一间办公室。", image1, image2, "请对比两张图片在光线、人物活动、氛围上的主要差异。" ]

response = model.generate_content(prompt) print(response.text) ```

模型会从光线强度、色温、人物位置、动作状态等多个维度给出结构化对比，完全是多模态原生推理。

## 配置生成参数

你还可以控制输出的随机性和长度：

```python response = model.generate_content( ["为这张图片写一句朋友圈文案。", image], generation_config=genai.GenerationConfig( temperature=0.9, max_output_tokens=100, ) ) ```

## 处理流式响应

对于长文本输出，可以使用流式接口边生成边展示：

```python response = model.generate_content( ["详细描述这张风景照的构图、光线、色彩和情绪。", image], stream=True ) for chunk in response: print(chunk.text, end="") ```

## 用中转站解决 API 获取难题

上面的示例都依赖一个有效的 Gemini API 密钥。如果你没有海外信用卡，或者在合规访问上遇到麻烦，可以试试 [TokenPocket API 中转站](https://tokenpocket.site)。它把 DeepSeek、Qwen、Claude、Gemini 等主流模型统一成一个接口，按量计费，用 USDT 直接支付，省去境外支付的各种麻烦。新用户注册还送免费额度，非常方便用来跑通今天的多模态示例——你只需要把中转站提供的 base_url 和 key 拼接到 SDK 的配置里，代码几乎不用改。

同一套多模态逻辑，用更低的门槛跑起来，这才是高效实战的终极姿势。