OpenClaw 的图片识别与生成能力配置指南

OpenClaw 不仅能处理文本，还能「看懂」图片和「画出」图片。这篇文章带你了解背后的模型能力，以及如何在 OpenClaw 中配置和使用这些功能。

---

一、多模态模型的能力概览

在深入配置之前，先搞清楚几个概念：

能力类型	说明	OpenClaw 中的配置项
文本理解	处理文字输入、对话、推理	默认模型即可
图片识别	看懂图片内容、OCR 文字提取、物体识别	imageModel
图片生成	根据文字描述生成图片	imageGenerationModel
视频理解	分析视频内容（部分模型支持）	取决于所选模型
视频生成	根据文字生成视频（需特定模型）	插件或 API 调用
向量嵌入	将内容转为向量用于语义搜索	memorySearch

OpenClaw 的 image 和 image_generate 两个工具分别对应图片识别和图片生成能力，通过配置不同的模型来驱动。

---

二、主流多模态模型对比

国外模型

模型	图片识别	图片生成	视频理解	视频生成	特点
GPT-4o / GPT-4.1	✅	✅	✅	❌	多模态均衡，1M 上下文
Gemini 2.5 Pro	✅	✅	✅	❌	原生多模态，超长上下文
Claude 4 / 3.5 Sonnet	✅	❌	❌	❌	图片理解强，不支持生成

国内模型

模型	图片识别	图片生成	视频理解	视频生成	特点
Qwen3.5-Plus	✅	❌	✅	❌	阿里原生多模态，图文理解强
Qwen3.6-Plus	✅	❌	✅	❌	增强 Agentic Coding，多模态输入
MiniMax-M2.7	❌	❌	❌	❌	纯文本模型，专注 Coding 和 Agent，不支持多模态
MiniMax-M2.5	❌	❌	❌	❌	纯文本模型，同上
MiniMax image-01	❌	✅	❌	❌	专用图片生成模型
GLM-5 / GLM-4.7	✅	❌	✅	❌	智谱多模态，中文优化
Kimi K2.5 / K2.6	✅	❌	✅	❌	月之暗面，超长上下文

💡 关键区别：图片识别（看懂图片）和图片生成（画图）是两套不同的模型。通常一个模型只擅长其中一项，所以 OpenClaw 需要分别配置。

⚠️ 关于 MiniMax：MiniMax-M2.7 / M2.5 自身是纯文本模型，不支持图片输入。但如果你通过 minimax-portal 提供商（OAuth 登录）使用 OpenClaw，它会自动启用 MiniMax 的 Image Understanding MCP 能力，实现图片识别。这是 OpenClaw 的插件机制提供的，跟 M2.7 模型本身无关。

以阿里为例

阿里百炼平台的通义千问系列中：

• Qwen3.5-Plus / Qwen3.6-Plus：支持图片、视频输入，具备强大的图像识别和理解能力，但不支持图片生成
• 如果需要图片生成，则需要搭配专门的图像生成模型

以 MiniMax 为例

MiniMax 系列中：

• MiniMax-M2.7 / M2.5：纯文本模型，不支持图片输入。但如果通过 minimax-portal OAuth 使用，OpenClaw 会自动启用 Image Understanding MCP 来提供图片识别能力
• MiniMax image-01：专门的图片生成模型，根据文字生成高质量图片，支持多种风格和比例

---

三、配置图片能力

OpenClaw 通过两个配置项分别控制图片识别和图片生成能力：

配置项	作用	推荐模型
imageModel	图片识别（看懂图片）	bailian/qwen3.5-plus
imageGenerationModel	图片生成（画出图片）	minimax-portal/image-01

配置路径示意

gateway
└── agents
    └── defaults
        ├── model              ← 对话模型
        ├── imageModel         ← 图片识别模型
        └── imageGenerationModel ← 图片生成模型

下面分别介绍两项配置的具体方法。

---

3.1 配置图片识别（imageModel）

查看当前配置：

cat ~/.openclaw/openclaw.json | grep -A 3 '"imageModel"'

如果没有输出，说明未配置。在 agents.defaults 中添加：

"imageModel": {
    "primary": "bailian/qwen3.5-plus"
}

💡 推荐模型：bailian/qwen3.5-plus 是阿里百炼的通义千问多模态模型，图片理解能力出色，中文支持好。也可用 bailian/qwen3.6-plus（更新版）。

3.2 配置图片生成（imageGenerationModel）

查看当前配置：

cat ~/.openclaw/openclaw.json | grep -A 3 '"imageGenerationModel"'

在 agents.defaults 中添加：

"imageGenerationModel": {
    "primary": "minimax-portal/image-01"
}

💡 推荐模型：minimax-portal/image-01 是 MiniMax 的专用图片生成模型，生成质量高，支持多种比例和风格。

3.3 让 OpenClaw 自己配置（推荐）

不想手动改文件？直接告诉 OpenClaw 就行：

“帮我配置图片识别模型，用 qwen3.5-plus”
“帮我配置图片生成模型，用 minimax-portal/image-01”

OpenClaw 会自动编辑配置文件并重启 Gateway。

3.4 完整配置示例

"agents": {
    "defaults": {
        "model": {
            "primary": "opencode-go/deepseek-v4-flash",
            "fallbacks": [...]
        },
        "imageModel": {
            "primary": "bailian/qwen3.5-plus"
        },
        "imageGenerationModel": {
            "primary": "minimax-portal/image-01"
        }
    }
}

四、测试效果

4.1 测试图片识别

给 OpenClaw 发一张图片，让它描述内容：

“这张图里有什么？”

OpenClaw 会调用 image 工具，将图片传给配置的 imageModel 进行分析并返回结果。

示例效果（我自己的测试）：

用户：这张图里有什么？
→ OpenClaw 调用 image 工具 → qwen3.5-plus 分析 → 返回描述

4.2 测试图片生成

让 OpenClaw 生成一张图片：

“帮我生成一张小狗的图片”

OpenClaw 会调用 image_generate 工具，使用配置的 imageGenerationModel 生成图片。

示例效果（我自己的测试）：

用户：生成一只小狗的图片
→ OpenClaw 调用 image_generate → minimap-portal/image-01 生成 → 返回图片

4.3 发送生成的图片

图片生成完成后，OpenClaw 需要通过 message 工具 把图片发送给你。这是因为图片生成是后台任务，生成的图片需要主动投递到对话中。

流程如下：

你让 OpenClaw 生成图片
  → OpenClaw 调用 image_generate（后台任务）
  → 图片生成完成
  → OpenClaw 收到完成通知
  → 调用 message 工具将图片发送给你 ✅

---

五、常见问题

Q: 配置了 imageModel 但图片识别不工作？

A: 确认模型是否支持图片输入。不是所有模型都支持多模态，例如 opencode-go/deepseek-v4-flash 就不支持图片识别，只能用文本来生成图片？不对，纯文本模型根本无法识别图片。所以一定要配一个支持多模态的模型。

Q: 图片生成特别慢？

A: image_generate 是后台异步任务，生成时间取决于模型服务端的负载。通常 10-30 秒完成。

Q: 生成的图片怎么没显示在对话里？

A: 检查 OpenClaw 的 message 工具权限是否正确。OpenClaw 需要通过 message 工具把图片发送回来。

---

总结

能力	配置项	推荐模型	主要工具
图片识别	imageModel	bailian/qwen3.5-plus	image
图片生成	imageGenerationModel	minimax-portal/image-01	image_generate

记住两条核心原则：

1. 图片识别和图片生成是两套模型，需要分别配置
2. 不想手动改配置？直接告诉 OpenClaw 就好 🦞

---