Zaoyoe Studio早鸟工作室

Zaoyoe Studio · AI 工作台标准规范

全模型输入规范与支持标准

动图与视频接入规范

GPT Image 2.6 的 GIF 设置适用于工作台各上游;BBLABU 视频型号按下方通道规范使用。

动图输出与视频任务

图片跨上游 · 视频 BBLABU
  • GIF 输出:各上游精确匹配 gpt-image-2.6 时,API 计费与积分计费均可选择 PNG、JPEG、WebP、GIF;一次 1–10 张,最多 9 张参考图。GIF 可设 2–64 帧(默认 9),每帧 20–2000 毫秒(默认 200)。静态格式不发送帧参数。
  • 图像编辑:无参考图走 /v1/images/generations,有参考图走 /v1/images/edits。此型号省略 quality,不开放蒙版。GIF 输入、透明背景尚未核验。
  • 动图保存:按实际媒体类型识别并保存原始字节,保留动画帧;下载原文件。仅当原图存储已配置时受理此型号图片任务。
  • BBLABU 视频输入:各型号分别约束比例、分辨率、时长、参考图/视频/音频及首尾帧。素材须使用可被上游直接下载的公网 HTTPS 原始文件地址,每次生成一条视频。
  • BBLABU 视频恢复:创建后保存上游任务 ID,每轮查询间隔约 8 秒,最长 2 小时;有任务 ID 后只查询原任务。刷新页面或暂时查询失败均沿用同一 ID;地址、模型或凭据改变后不能用新配置恢复旧任务。
  • 接入状态:“已接入”表示工作台具备参数和协议适配,不代表已完成收费实测或生产启用。“待适配”型号保持禁止提交,价格以当前后台配置及上游实际账单为准。

BBLABU 型号能力目录

正在读取通道能力目录。

型号 / 状态输出与输入限制

资料来源:BBLABU 接入文档及配套视频文档。型号必须精确匹配。Image 2.6 的 GIF 参数适配跨上游共用;其他目录能力仅用于 BBLABU,各供应商的真实接口兼容性仍须分别核验。

1. 图像生成与编辑模型规范 (Image Mode)

在图片创作模式中,模型支持文本提示词生图、单图或多图参考垫图、局部重绘以及历史任务续作。

Banana 2.1 (Nano Banana)

Google / Gemini 生态
原生支持图生图与编辑
底层标识 (Canonical Model ID): nano-banana-2.1 gemini-nano-banana banana-2.1
支持文件格式 JPGPNGWebP
参考图上限 最多 4 张(单张 ≤ 10 MB)
上游协议机制 NewAPI /images/edits (image / image[])
计费模式 0.1 积分/张 · 支持 API 额度
  • 图像理解能力:上游集群原生解析图片内容,在提示词驱动下能精确继承底图的人物外貌特征、主体轮廓、服装纹理及整体光影布局。
  • 多图融合重绘:支持同时上传多张参考图,模型将自动融合两张及以上图片的关键要素进行统一生图。
  • 画幅与分辨率:原生支持 1:1、16:9、9:16、3:4、4:3 画幅,最高支持 2K/4K 渲染放大。
  • 输入限制:仅接收静态图片,不支持视频、动图或文本/PDF 文件附件。

Banana 2 (Nano Banana 2)

Google / Gemini 生态
支持图生图
底层标识: nano-banana-2 banana-2
支持文件格式 JPGPNGWebP
参考图上限 最多 4 张(单张 ≤ 10 MB)
上游协议机制 NewAPI /images/edits
计费模式 0.1 积分/张

经典 Banana 系列图像底座,生成速度极快,适合轻量级概念发散与参考图垫图实验。

Banana Pro (Nano Banana Pro)

Google / Gemini 生态
旗舰级图生图
底层标识: nano-banana-pro nano-banana-pro-preview
支持文件格式 JPGPNGWebP
参考图上限 最多 4 张(单张 ≤ 12 MB)
上游协议机制 OpenAI / Gemini Relay 兼容协议
计费模式 0.15~0.2 积分/张

高精度渲染版本,强化了复杂提示词遵循度、多主体构图一致性与手部及面部细节刻画。

GPT-Image 2 / GPT-Image 2 All

OpenAI 生态通道
支持图生图与图像续作
底层标识: gpt-image-2 gpt-image-2-all
支持文件格式 PNGJPGWebP
参考图上限 最多 4 张(单张 ≤ 10 MB)
上游协议机制 /v1/images/edits (multipart form)
计费模式 按实际用量扣费或积分折算

深度整合 GPT 智能重构与图像编辑管线,支持依据参考图增减画面元素、替换主体背景或进行艺术风格重绘。

GPT-Image 2.5

OpenAI 通道
支持图生图
底层标识: gpt-image-2.5
支持格式 PNGJPG
参考图上限 最多 4 张
分辨率规格 1024x1024 / 1792x1024 / 1024x1792
计费模式 标准扣费

DALL-E 3 (OpenAI)

OpenAI
仅文生图 (无图生图接口)
底层标识: dall-e-3
支持文件格式 纯文本 Prompt 驱动
参考图支持 官方接口不接收图片输入
协议规格 /v1/images/generations
生图尺寸 1024x1024, 1024x1792, 1792x1024

特别提醒:OpenAI 官方 DALL-E 3 接口仅开放文本生成图像功能。如您在工作台选择 DALL-E 3 并上传了图片,系统将给出“模型仅支持文生图”指引,参考图不会被传递给 DALL-E 3。

Gemini 3.1 Flash Image / 3 Pro Image

Google
多模态文本生成图像
底层标识: gemini-3.1-flash-image gemini-3-pro-image
支持格式 JPGPNGWebP
画幅比例 1:1, 3:4, 4:3, 9:16, 16:9 等 14 种画幅
生成极速 平均 2.5 秒极速出图
计费模式 0.08~0.1 积分/张

Google Imagen 4.0 (Ultra / Fast)

Google DeepMind
旗舰级文生图
底层标识: imagen-4.0-generate-001 imagen-4.0-ultra-generate-001
输出质感 超清摄影级真实材质
文本遵循度 卓越支持复杂自然语言排版
参考图机制 文生图优先
计费模式 0.2 积分/张

FLUX.1 Pro / FLUX Schnell

Black Forest Labs
支持图生图 / 风格重绘
底层标识: flux-pro flux-pro-api flux-schnell
支持文件格式 JPGPNGWebP
参考图上限 1~2 张(单张 ≤ 10 MB)
文字渲染 原生排版英文字符准确率高
计费模式 0.12~0.25 积分/张

通义千问 Qwen Image & Edit

阿里百炼 / 通义
原生支持中文图像编辑与修图
底层标识: qwen-image qwen-image-plus qwen-image-edit
支持文件格式 JPGPNGWebP
参考图上限 最多 3 张底图
中文语义理解 完美理解中文成语、国风及电商构图
计费模式 0.08~0.15 积分/张

即梦 Jimeng General v2.1

字节跳动 (ByteDance)
支持生图与东方审美优化
底层标识: jimeng_high_aes_general_v21_L
特色优势 亚洲人像、国风意境及美学评分强化
推荐画幅 1:1, 16:9, 9:16, 3:4
生成耗时 约 4~8 秒
计费模式 0.1 积分/张

Grok Imagine

xAI
高创意天马行空文生图
底层标识: grok-imagine
支持格式 JPGPNG
创意风格 超现实、赛博朋克与科幻感极佳
参考图支持 接收单张参考图风格迁移
计费模式 0.15 积分/张

2. 文本对话与多模态模型规范 (Chat & Vision Mode)

在智能对话模式下,工作台支持将文本、图片和文档/PDF整合传给大模型。支持图生文解析、文档知识检索与深度思考链 (Reasoning)。

GPT-4o & GPT-4o mini

OpenAI
原生视觉多模态全支持
底层标识: gpt-4o gpt-4o-mini chatgpt-4o-latest
支持文件格式 JPGPNGWebPPDFTXTMD
图片上传上限 最多 16 张(单张 ≤ 12 MB)
文档解析上限 单文件 ≤ 8 MB,合计 ≤ 12 万字
上下文窗口 128K Token 窗口

支持图文混排提问、长文档摘要与代码编写。图片输入将自动根据分辨率拆分 High/Low Detail Tiles 进行计费与识别。

GPT-4.1 / mini / nano

OpenAI
原生视觉与超快响应
底层标识: gpt-4.1 gpt-4.1-mini gpt-4.1-nano
支持格式 JPGPNGPDFTXT
图片上限 最多 16 张
优势 极速首 Token 交付,代码调试精准
计费模式 API Token 或微积分计费

GPT-5 / 5 mini / 5 Pro

OpenAI 次世代
全自适应推理与全模态
底层标识: gpt-5 gpt-5-mini gpt-5-pro
支持格式 JPGPNGWebPPDF多文档
推理控制 支持 reasoning_effort (minimal/low/medium/high/xhigh)
上下文窗口 256K 超大上下文
工具调用 支持高级函数回调与结构化输出

OpenAI o1 / o3 / o4-mini

OpenAI 强化学习
深度思维链推理 (Reasoning)
底层标识: o1 o1-pro o3 o3-mini o4-mini
视觉输入 o1/o3 原生支持高精图表与白板数学识图
思考过程 工作台完整回显思维链折叠面板
强度调节 低/中/高推理档位无缝自选
适用场景 复杂数学证明、算法奥赛、长链路排障

Claude 3.7 Sonnet (Hybrid Thinking)

Anthropic
原生视觉 + 动态自适应思考
底层标识: claude-3-7-sonnet-20250219 claude-3-7-sonnet-20250219-thinking
支持文件格式 JPGPNGGIFWebPPDF
图片上限 最多 20 张(单张 ≤ 5 MB)
思考预算 支持配置 1,024 ~ 64,000 Thinking Tokens
上下文窗口 200K Tokens

业界公认前端交互开发、代码架构与多模态文档提取综合评测第一名。工作台原生提供思考预算控制开关。

Claude 3.5 Sonnet & 3.5 Haiku

Anthropic
高精视觉多模态
底层标识: claude-3-5-sonnet-20241022 claude-3-5-haiku-20241022
支持格式 JPGPNGPDFTXT
图片上限 最多 20 张
文字提取能力 对模糊印章、复杂表格、手写体识别极佳
上下文 200K 窗口

Claude Opus 4 / Sonnet 4 系列

Anthropic
顶级学术与科研
底层标识: claude-opus-4 claude-sonnet-4 claude-opus-4-6
复杂推演 极高逻辑连贯性与文书拟真度
多模态支持 高精图文图表输入
计费模式 高级按量计费
上下文 200K+ 宽幅窗口

Gemini 2.5 Flash & 2.5 Pro

Google
百万级超长多模态窗口
底层标识: gemini-2.5-flash gemini-2.5-pro gemini-2.0-flash
支持文件格式 JPGPNGWebPPDFTXT音频
上下文窗口 1,000,000 ~ 2,000,000 Tokens
思考模式 支持 geminiThinking 动态思维链
性价比 Flash 版本极度高性价比

适合将长达数百页的技术手册、整部小说或长篇财报导入工作台进行秒级全文检索与交叉对比问答。

Gemini 3.0 / 3.1 Pro Preview

Google
次世代多模态
底层标识: gemini-3-pro-preview gemini-3.1-pro-preview gemini-3-flash-preview
支持格式 JPGPNGPDF
推理等级 支持 thinking_level 细粒度控制
超长记忆 2M Token 原生窗口
计费模式 标准 Token 扣费

DeepSeek V3 & DeepSeek R1 (满血版)

DeepSeek 深度求索
开源最强推理思维链
底层标识: deepseek-chat deepseek-reasoner
支持文件格式 TXTMDPDFCSV代码
思考过程 原生展示 <think> 思维链折叠卡片
代码与数学 对齐 OpenAI o1 顶级水平
计费模式 极优积分价格 · 支持私钥

说明:DeepSeek R1 为纯文本逻辑推理模型。对于附带的文档与代码,工作台将在浏览器本地完成精准文字提取后交由 R1 进行推导。

DeepSeek V4 Flash & Pro

DeepSeek
次世代自适应推理
底层标识: deepseek-v4-flash deepseek-v4-pro
推理挡位 none / max 自如切换
吞吐性能 首字毫秒级到达
长文处理 128K 完整无损记忆
计费模式 低廉 Token 费率

通义千问 Qwen 2.5 & Qwen 2.5 VL (视觉多模态)

阿里通义
高清视觉与视频解析
底层标识: qwen2.5-72b-instruct qwen2.5-vl-72b-instruct qwen-plus
支持格式 JPGPNGWebPPDF
图片上限 最多 12 张图片解析
空间感知 支持像素坐标检测与图表分析
中文场景 中文各专业领域极强表现

通义千问 Qwen 3.6 Plus

阿里百炼
超快对话与思考开关
底层标识: qwen3.6-plus
思考控制 支持 enable_thinking 思维链开启
记忆容量 支持速度优先/最近16条/长记忆三种配置
扣费模式 按实际用量扣费
响应时延 < 1 秒首字流式吐出

智谱清言 GLM-4V & GLM-5 系列

智谱 AI
视觉多模态与长文
底层标识: glm-4v glm-5 glm-5.2
支持格式 JPGPNGPDF
多模态能力 直接提取图片数据报表并转换为 Markdown
思考控制 支持 GLM-5.2 推理强度控制 (high/max)
计费模式 Token 扣费

月之暗面 Kimi K2 & Moonshot v1

Moonshot AI
极长上下文文档总结专家
底层标识: moonshot-v1-8k moonshot-v1-32k moonshot-v1-128k kimi-k2
支持格式 PDFDOCTXTMDCSV
文档上限 最多 5 个文档附件
思考机制 K2 支持 thinking_object 推理
长篇阅读 无损捕捉复杂法律合同细节

xAI Grok 2 Vision & Grok 3

xAI
视觉多模态与快节奏思维
底层标识: grok-2-vision-1212 grok-3-vision grok-3
支持格式 JPGPNGWebP
真实世界识图 准确解析生活照片、街景路牌与社交媒体截图
幽默风格 支持自由表达与个性化对话
计费模式 Token 扣费

字节豆包 Doubao Vision & Seed 2.1

字节跳动火山引擎
视觉多模态与高性价比
底层标识: doubao-vision-pro doubao-seed-2-1-turbo
支持格式 JPGPNGPDF
思考控制 Seed 2.1 支持深度思考对象
中文语感 极佳贴近当下网络流行表达
计费模式 超低单价 Token

MiniMax M2.7 & M3 系列

MiniMax 名之梦
自适应思考与长记忆
底层标识: minimax-m2.7 minimax-m3
支持格式 TXTPDFMD
思考机制 thinking_object_adaptive 自适应思考
角色扮演 出色的人设沉浸度与长对话记忆
计费模式 按量扣费

3. AI 视频生成模型规范 (Video Mode)

在视频生成模式下,用户可通过文本 Prompt 或上传首尾关键帧生成流畅动态影像。系统支持智能轮询与异步后台完成通知。

快手可灵 Kling 1.5 / Kling 2.0

快手 (Kuaishou)
原生支持首尾帧图生视频
底层标识: kling-v1 kling-v1-5 kling-v2
参考图类型 JPGPNGWebP
参考图上限 最多 4 张(支持起始帧与结束帧)
生成时长与分辨率 5s / 10s · 720p / 1080p / 4K
计费模式 视频积分 (基础约 60 积分/次)

首尾帧使用建议:建议第一张图作为动作起始状态,第二张图作为动作目标终点。两者画幅比例与主体位置越接近,物理运动过渡越平滑。

OpenAI Sora 2 & Sora 2 Pro

OpenAI
真实世界物理引擎级视频模拟
底层标识: sora-2 sora-2-pro
支持输入 Prompt 指令 + 首帧图片参考
输出规格 1080p / 60fps 电影画质
镜头运镜 支持航拍、变焦、特写与穿越运镜
计费模式 按生成时长消耗专属视频额度

Google Veo 2.0 / Veo 3.0 / Veo 3.1

Google DeepMind
极高清光影与物理一致性
底层标识: veo-2.0-generate-001 veo-3.0-generate-001 veo-3.1-generate-preview
图生视频 支持 1~2 张高精底图输入
画幅适配 16:9 横屏 / 9:16 竖屏全覆盖
光影质感 光线折射、水流扰动与烟雾粒子拟真度极高
计费模式 按次积分折算

字节即梦视频 Jimeng Video

字节跳动
短视频运镜节奏大师
底层标识: jimeng-video
参考图格式 JPGPNG
适用场景 短剧分镜、抖音快手爆款带货视频素材
生成速度 平均 45~90 秒快速交付
计费模式 基础视频扣费

MiniMax 海螺视频 (Hailuo Video)

MiniMax
人物动作与微表情高度逼真
底层标识: hailuo-video
动态幅度 大幅度武打动作与奔跑姿态不崩解
参考图数量 支持单张或双张底图
输出帧率 流畅 25~30 fps
计费模式 视频积分扣除

4. 语音与实时音频模型规范 (Audio & Speech Mode)

涵盖文本转语音 (TTS)、高精语音听写识别 (Whisper) 与双向全双工实时低延迟通话通道。

GPT-4o Audio & Realtime

OpenAI
原生双向音频流式对话
底层标识: gpt-4o-audio-preview gpt-4o-realtime-preview
输入格式 WAV (16kHz / 24kHz), PCM 16-bit
时延表现 300ms 极速响应,支持被打断 (Barge-in)
语气与情感 拟真人类呼吸、笑声、耳语与抑扬顿挫
通道模式 WebSocket 或 REST Audio Output

Whisper-1 听写 & TTS-1 HD 语音合成

OpenAI 语音基石
工业级音质标准
底层标识: whisper-1 tts-1 tts-1-hd
支持音频格式 MP3WAVM4AAACOGGFLAC
单文件上限 ≤ 25 MB
合成音色 Alloy, Echo, Fable, Onyx, Nova, Shimmer 等 6 款
多语言识别 99+ 语言自动侦测并支持跨语言翻译

Gemini 2.5 Native Audio

Google
原生端到端语音大模型
底层标识: gemini-2.5-flash-native-audio-latest
音频直通 无需 ASR 转换,直接从声学信号理解说话人情绪
输入格式 PCM / AAC / MP3
语言广度 支持多语种无缝混合交替交流
计费模式 音频 Token 折算

5. 全局文件支持与格式限制速查表

为避免上传失败,请参照以下全局受支持格式、单次上限及推荐参数:

素材类型 受支持文件扩展名 单文件上限 单次任务数量 推荐参数 / 规格建议
图片素材 (Image) JPGPNGWebPGIF ≤ 10 MB / 张 最多 4 张(生图)
最多 20 张(对话)
色彩空间建议 sRGB;长边建议 1024~4096px,避免超过 4K 分辨率造成上游自动压缩。
文档与代码 (Document) PDFTXTMDCSVJSONHTMLLOG ≤ 8 MB / 份 最多 5 个附件 纯文本自动截取关键段落;PDF 建议页数在 150 页内,带有标准文字编码(非纯扫描位图)。
视频素材 (Video) MP4MOVWebM ≤ 50 MB 最多 1~2 个参考 建议编码为 H.264/AAC,帧率 30fps,建议时长在 3~10 秒以便于模型抽取时序关键点。
音频素材 (Audio) MP3WAVM4AAACOGG ≤ 25 MB 最多 1 个附件 采样率建议 16,000Hz 或 44,100Hz,保持单声道或双声道清晰无强烈爆音。

6. 本地文档与 PDF 提取标准说明

工作台重视用户数据私密性,文档解析机制设计遵循本地化、最小化原则:

  • 浏览器端沙箱提取:当您在对话模式选择上传 PDF 或文本类文件时,系统优先借助浏览器内置 JavaScript 模块完成文字流清洗与断句,仅向后端模型发送提取出的纯文本 Token,杜绝原始文件外泄。
  • 文字上限与智能截断:单文件提取上限约为 50,000 汉字/字符,多文件单次会话合计建议不超过 120,000 汉字。超过上限的部分,系统会自动提取头尾关键摘要与章节大纲,避免触发上游上下文溢出报错。
  • 扫描件与图片型 PDF 建议:对于无可选文字的扫描版 PDF,建议直接截图成 JPG/PNG 格式,并选用具备原生视觉能力的多模态模型(如 Claude 3.7、Gemini 2.5 或 GPT-4o)进行 OCR 识别,以获得最佳精准度。

7. 数据安全、文件留存与销毁合规

平台严格遵守国际与本地网络安全标准,为您的每次创作保驾护航:

  • 临时素材自动过期:为执行图片生图和垫图任务而上传的临时图片对象,在生成任务完成后将进入生命周期倒计时,由云端 CDN 在 24~48 小时后自动释放销毁,不作长期存档。
  • 绝不用于二次训练:您提交的提示词指令、上传素材以及最终生成内容,仅用于完成本次实时推理,严禁被用于任何公共基础模型的二次再训练。
  • 内容合规与免责约定:上传的素材需严格遵守相关法律法规,严禁上传包含侵犯第三方版权、隐私、暴力或有害内容的素材。更多完整法律声明与权利归属,请查阅我们的《服务条款》与《隐私政策》。