多模态模型图片输入怎么做尺寸校验：压缩、像素上限与失败重试

多模态接口接收图片时，最容易踩的坑是把“文件不大”当成“模型一定能处理”。一张压缩后只有几百 KB 的图片，仍可能因为格式不支持、宽高过大、总像素超限或编码后的请求体膨胀而失败。更稳妥的做法，是在进入模型请求前建立一条固定的输入检查流水线：先读元数据，再计算像素预算，必要时压缩，最后只对可恢复的失败做一次有边界的重试。

先定义图片输入的四道门

图片进入模型前，可以把检查拆成格式、尺寸、像素和体积四道门。格式检查确认 MIME 类型与文件头一致；尺寸检查关注宽度、高度和方向；像素检查用宽乘高判断解码后的工作量；体积检查则看最终编码后的请求大小。四道门分别解决不同问题，不能用一个阈值替代全部判断。

为了让失败状态可追踪，建议给每次输入生成一个短暂的校验记录，至少保存 input_sha256、mime、width、height、pixels、encoded_bytes 和 decision。原图和压缩图的哈希必须分开记录，不能只覆盖保存最后一个文件。

宽高和总像素要同时检查

只限制长边不够，因为接近正方形的大图可能在长边阈值内，却拥有很高的总像素；只限制总像素也不够，因为极端长条图会在视觉编码和后续裁切阶段造成额外负担。工程上通常同时设置最大宽度、最大高度与最大总像素，并在读取尺寸时先做整数溢出保护。

type ImageMeta struct {
    Width, Height int64
    EncodedBytes  int64
    MIME          string
}

func checkImage(m ImageMeta) string {
    if m.Width  8192 || m.Height > 8192 {
        return "reject:dimension-limit"
    }
    if m.Width > 0 && m.Height > 50_000_000/m.Width {
        return "reject:pixel-limit"
    }
    if m.Width*m.Height > 50_000_000 {
        return "reject:pixel-limit"
    }
    return "pass"
}

示例中的数字只是应用层的保护线，实际值仍要以目标模型和接口文档为准。重点在于先检查宽高，再计算乘积；不要先把两个大整数直接相乘后才判断是否超限。

压缩不是越狠越好

输入超过体积或像素预算时，优先采用可解释的变换：按长边等比缩放，再选择合适的编码质量，最后重新读取压缩结果的元数据。不要把压缩后的图片直接当成合格输入，必须从头再跑一遍四道门，因为编码转换可能改变 MIME、方向信息和最终体积。

压缩记录至少包括原图哈希、目标长边、编码格式、质量参数、输出哈希和输出字节数。这样模型返回异常时，可以确认问题来自原始图片、变换过程，还是请求链路。对于文字截图、表格和细小标注，压缩质量要优先保证可读性；对于照片类输入，才更适合在质量和体积之间做渐进调整。

失败重试要区分三种状态

输入被本地校验拒绝，不应该重试原请求；这类问题要返回明确的修复建议。压缩后仍不满足像素或体积上限，也不应该盲目重复上传，而应结束为不可处理。只有网络中断、连接重置或服务端明确表示临时不可用，并且请求还没有产生可见副作用时，才适合做一次带请求标识的重试。

重试前要重新计算剩余时间，而不是沿用第一次请求的完整超时。上传、模型处理、响应读取和最终日志写入都要预留窗口。若只剩下不足以完成一次闭环的时间，应写入 deadline_exhausted，不要为了追求成功率继续启动新请求。

上线前用四组样本验收

• 合法的小图：格式、方向、像素和体积全部通过，模型只收到一次请求。
• 长边过大但体积很小的图：被尺寸门拒绝，并返回可操作的缩放建议。
• 像素总量过高的正方形图：被像素门拒绝，不进入网络重试分支。
• 临时网络失败：只在预算充足且请求可幂等时重试一次，最终状态保留两次请求的关联标识。

验收时还应检查日志是否能把原图、变换图和最终请求关联起来。若日志只记录“图片处理失败”，后续无法判断是读取元数据失败、压缩失败，还是模型端拒绝，排查成本会迅速上升。

常见问题

图片文件很小，为什么仍会被模型拒绝？

文件大小只代表编码后的体积，不代表解码后的宽高、总像素或格式一定符合接口要求。应同时读取图片元数据，并在发送前重新计算像素和编码体积。

压缩后要不要复用原图的校验结果？

不能复用。压缩会改变尺寸、格式、方向或字节数，必须把输出当作新的输入重新执行完整校验，并记录新的哈希。

网络失败时可以一直重试吗？

不建议。先判断请求是否可幂等、剩余预算是否足够，以及服务端是否明确属于临时错误。对同一输入设置有限次数和请求关联标识，通常比无限重试更容易恢复。

总结

多模态图片输入的稳定性，关键不在于把某个上限调得更大，而在于把格式、宽高、像素和体积检查放在请求之前，并把拒绝、压缩、临时失败和预算耗尽分成不同状态。每次变换都保存前后哈希，每次重试都重新计算预算，模型收到的图片版本和最终结果才真正可核对。