您的问题有点简略，我需要更多上下文才能给出准确建议。您指的是哪种情况？比如： 1. **Whisper 模型**：选 `large`（纯语音转文字，多语言效果最好）；`large-v3` 是最新版。Whisper 没有 "vision" 版本。 2. **CLIP / 多模态模型**：如果需要处理图像，选带 vision 能力的模型。 3. **GPT-4 系列**：`gpt-4-visio