MOSS-VL
Beta多模态理解MOSS-VL 支持文本指令与图片、视频或多图输入，可用于图片理解、视频理解、OCR、文档解析、视觉问答和跨媒体内容分析。当前每次请求最多支持 5 张图片或 1 个视频，不支持图片与视频混合输入。
ENDPOINT
POST /v1/responses
当前调用路径
输入
文本 + 图片 / 视频
请求可接受的内容
输出
文本
成功返回的内容
模型概览
多模态理解模型。默认使用稳定模型 ID moss-vl-1.0；如需复现固定版本，可在 model 中传 moss-vl-1.0-2026-07-08。
计费
限时免费。
0 积分 查看完整计费标准
模态支持
文文本输入与输出
音音频不支持
图图片仅输入
视视频仅输入
支持的 Endpoint
单人语音生成
/v1/audio/speech不支持多人对话语音生成
/v1/audio/speech/speakers不支持音频转写
/v1/audio/transcriptions不支持音色设计
/v1/audio/voice/generations不支持多模态理解
/v1/responses支持实时视频理解
/v1/realtime不支持图像生成
/v1/images/generations不支持能力
性能高
推理速度中
流式 不支持
异步 不支持
- 支持图片描述、OCR 与文档内容理解
- 支持视频摘要、事件理解与问答
- 单次最多 5 张图片或 1 个视频
- 支持文件 ID 和 URL 输入
版本与快照
Model ID
moss-vl-1.0快照
moss-vl-1.0-2026-07-08最新版本