# ورودی تصویر (بینایی)

Claude Code فقط کد نمی‌خواند — می‌تواند **تصویر ببیند**. یک اسکرین‌شات، ماکت طراحی، صفحه خطا یا نمودار معماری به آن بدهید تا مدلی با قابلیت بینایی، آنچه در تصویر است را به‌طور تحت‌اللفظی «بخواند» و سپس همراه با prompt شما روی آن اقدام کند — تبدیل ماکت به رابط کاربری، یافتن باگ از روی اسکرین‌شات خطا، یا توضیح یک نمودار معماری یا چارت داده.

این صفحه درباره **ورودی تصویر** است: شما تصویر را ارائه می‌دهید و مدل آن را درک می‌کند. این با «تولید تصویر» تفاوت دارد.

> **⚠️ این را با تولید تصویر اشتباه نگیرید**
> این صفحه درباره **دادن تصویر به مدل برای درک آن** است (ورودی بینایی). اگر می‌خواهید هوش مصنوعی **تصویر تولید/ویرایش کند** (پوستر، تصویرسازی، ماکت رابط کاربری، حذف پس‌زمینه/تعویض پس‌زمینه)، این قابلیت جداگانه‌ای است — از `gpt-image-2` استفاده کنید. به [تولید تصویر gpt-image-2](/docs/usage/image-2) مراجعه کنید.
> در یک جمله: **خواندن تصویر = این صفحه؛ کشیدن تصویر = image-2.**

---

## سه روش برای ارائه تصویر

در یک نشست Claude Code، سه روش برای دادن تصویر به مدل وجود دارد:

| روش | نحوه کار | مناسب برای |
|--------|-----|----------|
| **چسباندن** | یک تصویر را کپی کنید، سپس `Ctrl+V` را در کادر ورودی فشار دهید | تصاویری که با ابزار اسکرین‌شات گرفته شده‌اند، هر چیزی در کلیپ‌بورد شما |
| **کشیدن و رها کردن** | یک فایل تصویر را مستقیم به پنجره ترمینال بکشید | فایل‌های تصویری که از قبل در مدیر فایل دارید |
| **ارجاع به مسیر** | مسیر فایل تصویر را در prompt خود بنویسید | تصاویری که از قبل در پروژه هستند، پردازش دسته‌ای/اسکریپتی |

> در macOS، اسکرین‌شات به‌طور پیش‌فرض در کلیپ‌بورد قرار می‌گیرد، بنابراین `Ctrl+V` بلافاصله کار می‌کند؛ اگر اسکرین‌شات به‌صورت فایل ذخیره شده است، کشیدن و رها کردن یا مسیر قابل‌اعتمادتر است. پشتیبانی از چسباندن و کشیدن بسته به ترمینال / سیستم‌عامل متفاوت است — اگر شناسایی نشد، به «ارجاع به مسیر فایل» بازگردید که قابل‌اعتمادترین گزینه است.

### نمونه‌های ارجاع به مسیر

```
> Look at the mockup ./design/dashboard.png and implement it with React + Tailwind
> What's causing this error screenshot @screenshots/build-error.png, and how do I fix it?
> Explain the system architecture in docs/architecture.png — how do the components interact?
```

ارجاع به مسیر **قابل بازتولید** است: آن را در یک اسکریپت یا قالب prompt قرار دهید و هر بار به همان تصویر دقیق اشاره می‌کند، بدون نیاز به چسباندن دستی.

---
## کاربردهای معمول

### 1. ماکت / اسکرین‌شات → کد رابط کاربری

یک ماکت یا اسکرین‌شات از یک صفحه موجود را به Claude Code بدهید و از آن بخواهید کد فرانت‌اند قابل اجرا را بازتولید کند.

```
> Here's the mockup @mockups/pricing-page.png. Implement it with Next.js + Tailwind.
  Match the layout, spacing, and colors as closely as possible, with sensible component splits.
```

مدل چیدمان، متن و رنگ‌ها را از تصویر می‌خواند و کد کامپوننت منطبق را تولید می‌کند. میزان تطابق به وضوح تصویر و محدودیت‌های موجود در prompt شما بستگی دارد (فریم‌ورک، سیستم استایل‌دهی، قراردادهای نام‌گذاری و غیره).

### 2. اسکرین‌شات خطا → مکان‌یابی و رفع

آن خطاهای قرمز در IDE، کنسول مرورگر یا ترمینال — فقط از آن‌ها اسکرین‌شات بگیرید، به‌جای اینکه یک رد پشته طولانی را دوباره تایپ کنید.

```
> @screenshots/ts-error.png How do I fix this TypeScript error? The relevant code is in src/api/client.ts
```

مدل پیام خطا و پشته را از اسکرین‌شات می‌خواند و با در نظر گرفتن فایل کدی که به آن اشاره می‌کنید، یک راه‌حل اصلاح پیشنهاد می‌دهد.

### 3. نمودار معماری / نمودار داده → درک و توضیح

یک نمودار معماری، نمودار توالی، فلوچارت، داشبورد پایش یا نمودار داده را به مدل بدهید و از آن بخواهید توضیح دهد، داده استخراج کند یا از آن کد / مستندات بنویسد.

```
> Explain the data-flow diagram @diagrams/data-flow.png and draft an API doc based on it
> Read this monitoring screenshot @screenshots/latency.png — what's the p95 latency range? Any abnormal spikes?
```

---

## کدام مدل‌ها می‌توانند تصاویر را ببینند

بینایی یک ویژگی مدل است — **همه مدل‌ها نمی‌توانند تصاویر را بخوانند**. مدل‌های دارای قابلیت بینایی که از طریق QCode.cc در دسترس هستند:

| مدل | توضیحات |
|-------|-------|
| `claude-opus-5` | پرچم‌دار؛ بینایی + استدلال قوی، انتخاب اول برای ماکت‌ها / نمودارهای پیچیده |
| `claude-sonnet-5` | انتخاب متعادل؛ ارزش بالا برای خواندن روزمره تصویر / بازتولید رابط کاربری |
| GPT (`gpt-6-sol`) | مدل‌های بینایی خانواده OpenAI با درک چندوجهی قوی |

> مدل‌های سبک‌وزن متنی / فقط‌کد ممکن است از ورودی تصویر پشتیبانی نکنند. اگر تصویری را به مدل بدون قابلیت بینایی بدهید، تصویر نادیده گرفته می‌شود یا خطا می‌دهد — یکی از مدل‌های بالا را انتخاب کنید. شناسه‌های بینایی 4.x مانند `claude-sonnet-4-6` و `claude-opus-4-8` همچنان به فروش می‌رسند. برای تغییر مدل، [انتخاب مدل](/docs/usage/model-selection) را ببینید.

مزیت QCode.cc: **یک کلید API `cr_` همه پروتکل‌ها و مدل‌ها را پوشش می‌دهد**. همان کلید با مدل‌های بینایی Claude و GPT-5.x به‌طور یکسان کار می‌کند و بدون تغییر حساب‌های کاربری، بنا به نیاز جابه‌جا می‌شوید. برای نقاط پایانی و مسیرهای پروتکل، [نقاط پایانی و قالب‌های API](/docs/getting-started/endpoints-and-api-paths) را ببینید (کاربران در چین باید `asia.qcode.cc` را ترجیح دهند).

---
## نکات کاربردی

- **تصاویر را واضح نگه دارید**: قدرت تفکیک بیش از حد پایین یا متن تار باعث می‌شود مدل نتواند آن را به‌درستی بخواند. برای ماکت‌ها و اسکرین‌شات‌های خطا از تصاویر اصلی استفاده کنید؛ بیش از حد فشرده نکنید.
- **تصاویر زیادی را یک‌جا انباشته نکنید**: تصاویر بیشتر و بزرگ‌تر توکن بیشتری مصرف می‌کنند و تمرکز روی موضوع اصلی را سخت‌تر می‌کنند. هر بار روی یکی دو تصویر کلیدی تمرکز کنید.
- **هدف خود را در متن به‌صراحت بیان کنید**: کنار تصویر بنویسید که می‌خواهید چه کاری انجام دهد («بازتولید در React»، «یافتن علت خطا»، «استخراج داده‌های جدول») — این کار بسیار بهتر از فرستادن تنها یک تصویر است.
- **ابتدا اطلاعات حساس را پاک‌سازی کنید**: کلیدها، توکن‌ها، نشانی‌های داخلی، داده‌های کاربر و غیره را پیش از ارسال در اسکرین‌شات بپوشانید.
- **برای سناریوهای دسته‌ای از مسیرها استفاده کنید**: برای پردازش تصاویر در اسکریپت‌ها / اتوماسیون، «ارجاع به مسیر فایل» قابل‌کنترل‌ترین روش است؛ در ترکیب با حالت بدون رابط گرافیکی در [اتوماسیون و CI/CD](/docs/advanced/headless) می‌توانید پردازش دسته‌ای انجام دهید.

---

## قالب‌های تصویر، اندازه‌ها و هزینه توکن

تا تاریخ 2026-10-15، مطابق مستندات رسمی بینایی Anthropic (مرجعی مفید هنگام استفاده از Claude از طریق QCode):

| مورد | آنچه مستندات می‌گوید |
|---|---|
| قالب‌های پشتیبانی‌شده | JPEG، PNG، GIF، WebP؛ انیمیشن GIF پشتیبانی نمی‌شود و فقط فریم اول استفاده می‌شود |
| حداکثر ابعاد هر تصویر | 8000×8000 px |
| بیش از 20 تصویر در یک درخواست | محدودیت ابعاد سخت‌گیرانه‌تری برای هر تصویر اعمال می‌شود؛ مستندات پیشنهاد می‌کند هر ضلع را زیر 2000 px نگه دارید، یا درخواست را در حد 20 تصویر یا کمتر نگه دارید |
| اندازه هر تصویر | در Claude API به‌طور مستقیم 10 MB (با کدگذاری base64)؛ محدودیت بدنه درخواست در نقاط پایانی استاندارد 32 MB است |
| هزینه توکن | تصاویر در قالب قطعه‌های 28×28 پیکسلی شمارش می‌شوند، تقریباً ⌈width/28⌉ × ⌈height/28⌉ توکن بصری |
| تغییر اندازه خودکار | در سطح استاندارد، تصاویری که ضلع بلندشان بالاتر از 1568 px است کوچک‌تر می‌شوند؛ مدل‌های Claude 4.7 و جدیدتر ضلع بلند 2576 px را مجاز می‌دانند |
| ملاحظه دقت | مدل بیشتر احتمال دارد تصاویر زیر 200 px، تصاویر چرخیده و تصاویر کم‌کیفیت را اشتباه بخواند |

در عمل: اسکرین‌شات‌هایی بزرگ‌تر از نیاز نگیرید. یک تصویر 4K تمام‌صفحه کوچک می‌شود، بنابراین پیکسل‌های اضافی فقط حجم بارگذاری را افزایش می‌دهند و وضوحی اضافه نمی‌کنند. برش دادن به ناحیه‌ای که واقعاً مهم است، هم دقیق‌تر است و هم از نظر توکن ارزان‌تر از یک تصویر تمام‌صفحه.
## پیوست کردن تصاویر در Claude Code

بر اساس مستندات Claude Code، می‌توانید تصویری را به پنجره بکشید یا آن را کپی کنید و با `Ctrl+V` بچسبانید (`Alt+V` در Windows و WSL، `Cmd+V` در iTerm2). نشانگری مانند `[Image #1]` در کادر ورودی ظاهر می‌شود و می‌توانید در prompt خود با شماره به آن ارجاع دهید.

## خطاهای رایج و روش عیب‌یابی

| نشانه | علت احتمالی | راه‌حل |
|---|---|---|
| مدل می‌گوید تصویر را نمی‌بیند یا آن را نادیده می‌گیرد | مدل فعلی از بینایی پشتیبانی نمی‌کند یا تصویر واقعاً پیوست نشده است | با `/model` به یکی از مدل‌های بینایی بالا بروید و نشانگر `[Image #N]` را در کادر ورودی بررسی کنید |
| چسباندن کاری انجام نمی‌دهد | ترمینال یا سیستم‌عامل تصاویر کلیپ‌بورد را منتقل نمی‌کند | در Windows / WSL از `Alt+V` استفاده کنید؛ در غیر این صورت فایل را به داخل بکشید یا مسیر فایل را بنویسید |
| درخواست با خطای مربوط به اندازه رد می‌شود | بیش از 20 تصویر در یک درخواست، محدودیت سخت‌گیرانه‌تر اندازه را فعال کرده است | اندازه هر تصویر را به کمتر از 2000 px برسانید یا آن‌ها را دسته‌ای بفرستید |
| درخواست بیش از حد بزرگ است و رد می‌شود | تعداد زیاد یا اندازه بزرگ تصاویر از محدودیت درخواست فراتر می‌رود | فشرده کنید، وضوح را کاهش دهید یا فقط تصاویر کلیدی را نگه دارید |
| متن اشتباه خوانده می‌شود | وضوح پایین یا فشرده‌سازی شدید | نسخه اصلی را ارائه دهید یا ناحیه متن را برش دهید؛ فشرده‌سازی شدید JPEG خواندن متن را دشوار می‌کند |
| `model_not_available_on_endpoint` | مدل Claude از طریق رابط OpenAI فراخوانی شده است | Claude از `https://api.qcode.cc/api` استفاده می‌کند؛ [نقاط پایانی و قالب‌های API](/docs/getting-started/endpoints-and-api-paths) را ببینید |

## پرسش‌های متداول

### آیا اسکرین‌شات‌ها باید PNG باشند؟

خیر. JPEG، PNG، GIF و WebP همگی پشتیبانی می‌شوند. برای اسکرین‌شات‌های رابط کاربری با متن زیاد، PNG را ترجیح دهید تا فشرده‌سازی اتلافی متن را تار نکند.

### آیا تصاویر هزینه اضافی دارند؟

تصاویر به‌عنوان توکن‌های ورودی محاسبه می‌شوند و همراه با متن به‌ازای هر توکن صورت‌حساب می‌شوند؛ نرخ‌های هر مدل در [qcode.cc/models](https://qcode.cc/models) فهرست شده است. هرچه تصویر بزرگ‌تر باشد، توکن‌های بینایی بیشتری مصرف می‌کند؛ بنابراین پیش از ارسال، آن را برش دهید.

### آیا مدل می‌تواند تشخیص دهد چه کسی در تصویر است؟

خیر. مستندات Anthropic بیان می‌کند که نمی‌توان از Claude برای نام بردن افراد در تصاویر استفاده کرد و Claude از انجام این کار خودداری می‌کند. توصیف صحنه، خواندن متن و توضیح نمودارها همگی کار می‌کنند.

### چند تصویر را می‌توانم هم‌زمان بفرستم؟

مستندات Anthropic محدودیت API را 100 تصویر در هر درخواست برای مدل‌هایی با پنجره زمینه 200K توکن و 600 تصویر برای سایر مدل‌ها اعلام می‌کند، اما بالای 20 تصویر محدودیت ابعاد سخت‌گیرانه‌تر می‌شود و ممکن است ابتدا به محدودیت اندازه درخواست برسید. در استفاده روزمره، روی یک یا دو تصویر کلیدی در هر بار تمرکز کنید.

## مستندات مرتبط

- [تولید تصویر با gpt-image-2](/docs/usage/image-2) — تولید / ویرایش تصویر (نقطه مقابل «خواندن تصاویر» در اینجا)
- [انتخاب مدل](/docs/usage/model-selection) — مدلی با قابلیت بینایی انتخاب کنید
- [نقاط پایانی و قالب‌های API](/docs/getting-started/endpoints-and-api-paths) — نقاط پایانی، مسیرهای پروتکل، روش‌های خودآزمایی
- [خودکارسازی و CI/CD](/docs/advanced/headless) — تغذیه دسته‌ای تصاویر در اسکریپت‌ها

> با یک کلید API واحد QCode.cc، از مدل‌های بینایی Claude و توان چندوجهی GPT-5.x بهره‌مند شوید، با سهمیه‌ای که میان همه نقاط پایانی مشترک است. [مشاهده پلن‌ها و قیمت‌گذاری →](https://qcode.cc/pricing)