OpenClaw 中文文档
本页内容

本页内容

查看 Markdown以纯文本查看本页在 ChatGPT 中打开针对本页提问在 Claude 中打开针对本页提问

供应商

Ollama视觉及图像描述

视觉与图像描述

捆绑的 Ollama 插件将 Ollama 注册为具备图像能力的媒体理解提供方，因此 OpenClaw 可以将显式的图像描述请求以及已配置的图像模型默认值，通过本地或托管的 Ollama 视觉模型进行路由。

bash
ollama pull qwen2.5vl:7bexport OLLAMA_API_KEY="ollama-local"openclaw infer image describe --file ./photo.jpg --model ollama/qwen2.5vl:7b --json

--model 必须是完整的 <provider/model> 参考；设置后，infer image describe 首先尝试该模型，而不是跳过已经支持原生视觉的模型的描述。如果呼叫失败，OpenClaw可以通过agents.defaults.imageModel.fallbacks继续； file/URL 准备错误在尝试回退之前失败。使用infer image describe进行OpenClaw的图像理解流程并配置imageModel；使用 infer model run --file 进行带有自定义提示的原始多模式检查。

要让 Ollama 成为入站媒体的默认图像理解提供方：

json5
{  agents: {    defaults: {      imageModel: {        primary: "ollama/qwen2.5vl:7b",      },    },  },}

更喜欢完整的 ollama/<model> 参考号。仅当该确切模型在 models.providers.ollama.models 和 input: ["text", "image"] 下列出并且没有其他配置的图像提供程序公开相同的裸 ID 时，裸 imageModel 引用（例如 qwen2.5vl:7b）才会标准化为 ollama/qwen2.5vl:7b；否则显式使用提供者前缀。

较慢的本地视觉模型可能需要比云模型更长的图像理解超时时间， 并且如果 Ollama 尝试分配模型完整标称的视觉上下文，在受限硬件上可能会崩溃。请设置能力超时并限制 num_ctx：

json5
{  models: {    providers: {      ollama: {        models: [          {            id: "qwen2.5vl:7b",            name: "qwen2.5vl:7b",            input: ["text", "image"],            params: { num_ctx: 2048, keep_alive: "1m" },          },        ],      },    },  },  tools: {    media: {      models: [        {          provider: "ollama",          model: "qwen2.5vl:7b",          timeoutSeconds: 300,          capabilities: ["image"],        },      ],      image: {        timeoutSeconds: 180,      },    },  },}

此超时适用于入站图像理解和显式 view_image 工具。 models.providers.ollama.timeoutSeconds 仍然控制底层 Ollama HTTP 请求防护以进行正常模型调用。

实时验证：

bash
OPENCLAW_LIVE_TEST=1 OPENCLAW_LIVE_OLLAMA_IMAGE=1 \  pnpm test:live -- src/agents/tools/image-tool.ollama.live.test.ts

如果你手动定义 models.providers.ollama.models，请显式标记视觉模型：

json5
{  id: "qwen2.5vl:7b",  name: "qwen2.5vl:7b",  input: ["text", "image"],  contextWindow: 128000,  maxTokens: 8192,}

OpenClaw 会拒绝对未标记为具备图像能力的模型发起图像描述请求。 在隐式发现的情况下，这一能力来自 /api/show 的视觉能力。

本页有帮助吗？