让 AI 描述一张图片
把图拖进来。识图模型在你这台机器上写描述，文件不会离开这个标签页。
选一张图
也可以先试试这两张：
正在启动…
模型写出来的三段
alt 文本
提示词
这一段是拿模型自己那句话改写的：去掉「there is」「which appears to be」这类叙述骨架，剩下的切成逗号短语，最前面那个媒介词也是从描述里认出来的。没有加「8k, highly detailed」这类词——那是我们编的，不是模型看出来的。
这个页面是怎么跑的
- 一个模型，只下一次用的是 Hugging Face 的 SmolVLM-256M-Instruct（Apache-2.0）转成的 ONNX。浏览器会把权重缓存下来，所以第二次打开一两秒就能用；缓存好之后断网也能在这个标签页里接着处理。
- 图片是缩小，不是上传图片在页面里先缩成一格 512 像素——这正是这个模型训练时读图的尺寸，对应 64 个图像词元，然后交给同一个标签页里的 Worker 线程。这里根本没有「上传」这一步，所以也没有什么可关掉的。
- 跑三趟，出三段视觉那半边只算一次，语言那半边接着对同一张图回答三个问题：一段长描述、一句 alt 文本，再加一句种子句，改写成提示词那一行。
| 路径 | 首次下载 | 详细描述 | 三段合计 |
|---|---|---|---|
| WebGPU | 194 MB | 6.0 s | 6.8 s |
| CPU（WebAssembly） | 251 MB | 11.6 s | 14.1 s |
没有 WebGPU 的老笔记本，会比上面 CPU 那一行更慢。手机也能跑，但要先下 251 MB 的 CPU 版本，建议连 Wi-Fi。
这个模型做不到的事
- 它不认识具体的人和牌子。人名、品牌、地标、画家名字它都不知道——2.56 亿参数装不下这些，硬问它就会瞎编一个。
- 它只认得画面里最大的那几个字。海报上的大标题一般能读出来，小票、幻灯片、满屏小字的截图就不行。
- 它只会写英文。训练语料是英文图注，让它输出中文，句子会散掉，所以这版就只出英文。
- 它数不准数。四十个人的画面它可能写成「两个人」，凡是带数字的说法，发布前自己核一遍。
常见问题
我的图片会被上传吗？
不会。这个站上就没有接收图片的接口——页面只从 CDN 取模型权重，之后全部计算在这个标签页的 Worker 线程里完成。你可以打开浏览器的网络面板，描述一张图，看有没有一条请求带着你的图片出去。也正因为算力用的是你自己的设备，这里不需要账号，也没有每天几次的限制。
和 imageprompt.org、Midjourney 的 /describe 比，差别在哪？
差别是那些都要把图发到服务器。2026 年 9 月实测：imageprompt.org 每天送 5 次额度且要注册，describeimage.ai 不用登录但限速，ImageContext 每 10 分钟 5 条、并且自己页面上写明「图片会发给第三方 AI 提供商」，Midjourney 的 /describe 要先订阅。这一页给你的模型小得多，换来的是不上传、不登录、不计次。
为什么描述里不写人名、品牌和地名？
因为它是真不知道。SmolVLM-256M 只有 2.56 亿参数，大概是那些云端模型的千分之一，这点参数用在了形状、材质和画面布局上，没有一份明星和商标的记忆清单。它会写「一个人骑着马」而不是猜一个名字——对 alt 文本来说，这反而是对的写法。
这个 alt 文本能直接通过无障碍检查吗？
把它当初稿改，别当成品用。它能把主体和场景说对，也会控制在 125 字符这个惯例之内，省掉的就是打字的那部分。它不知道的是这张图为什么放在你的页面上——商品图要带型号，图表要带结论。检查工具挑的正是这些，只能你自己补。
能一次跑一整个文件夹吗？
这一页不行，免费档是一次一张。不过这里没有排队一说，队列就是你自己的机器。批量、更大的图和更大的 SmolVLM-500M 是 Pro 要解决的事。几十张的量其实不慢：第一张之后模型已经加载好了，在 M2 Max 上每张 WebGPU 约 7 秒、CPU 路径约 14 秒。
我的机器没有 WebGPU，还能用吗？
能。页面探测到没有就自动切到 WebAssembly 版本，在 CPU 上单线程跑：下载量从 194 MB 变成 251 MB，文本解码器换成在 CPU 上更快的那一档量化。M2 Max 上这样跑三段一共约 14 秒（WebGPU 约 7 秒）；老一点的笔记本会更久。状态栏一直写着当前走的是哪条路。
能让它用中文写描述吗？
这一版不能。SmolVLM-256M 的训练语料是英文图注，让它写中文会出半通不通的句子，与其糊弄不如不做。页面本身是中英双语的，模型输出是英文。想要中文，把英文粘到翻译工具里，或者用下面那个 Mac 版——它自带七种语言的翻译。
2.56 亿参数不够用的时候
Mac 版 Image2Prompt 走的是另一条路：用 MLX 在 Apple 芯片上跑 JoyCaption。代价是一次性下约 9 GB 模型、而且得有台 Mac，换来的是长得多的描述，以及五种提示词风格并排对照——详细描述、Stable Diffusion、MidJourney、Booru 标签、短标题，还能翻成七种语言。规矩和这里一样：图片不出本机。七天免费试用，之后一次性买断。