从"跑通了"到"拿到产物"

评估一个模型平台的能力面，我一开始的做法是把文档从头读一遍，再照着教程跑一次调用。教程跑通了，命令行刷出一段回答，然后就没有然后了，文件夹里什么都没留下。

问题出在评估方式上：只验证了"能调通"，没验证"能产出什么"。

我后来换成一个更直接的口径：四个模态入口各跑一条命令，每条命令必须落一个能拿走的文件。 跑完看文件夹，不看结论。

阿里云百炼的 CLI 正好覆盖这四个入口，我把这一轮完整走了一遍，四个产物都拿到了，中间撞上一次超时，也如实写在下面。

四个入口与四个产物

（蓝黄手绘示意图，非实测截图）

第四个入口读的是第二个入口生成的那张图。这一层依赖关系是刻意保留的：能看出四个入口不是各自独立，产物可以在链路里传递。

下面全部读数都是我 10 月 20 号在自己电脑上跑出来的，环境是 bl 2.1.0、macOS arm64，一轮共发起 8 次调用，6 次成功、2 次失败。

环境准备

安装 CLI：

npm install -g bailian-cli

用 API Key 登录：

bl auth login --api-key sk-你的key

Key 在控制台密钥管理页签发，命令说明与安装方式见CLI 安装页。

这一轮四条命令全部走 API Key 域，没有创建任何云资源，也不需要控制台操作。

入口一：文本生成

bl text chat --message "用一句话解释什么是 API Key，说给完全没接触过编程的人听。"

4.6 秒返回：

API Key 就像一张"专属通行证"，用来告诉某个服务："我是谁，我有权限使用这个功能。"

提示里要求"说给完全没接触过编程的人听"，返回就没有使用任何术语。输出口吻由 --message 里的自然语言控制，不需要额外的参数配置，这一点对面向非技术读者的场景比较有用。

加 --output json 可以拿到结构化返回，除答案外还带消耗读数，我这次是输入 77、输出 82。

入口二：图像生成，以及一次超时

第一次执行的命令是：

bl image generate --prompt "一只戴着圆框眼镜的橘色小猫，坐在蓝色的复古热气球上，手里捧着一杯茶，扁平插画风格" --size 1024*1024 --out-dir out --out-prefix balloon

耗时 2035.9 秒后失败，退出码 5，报错原文：

Error:       Request timed out.
Hint:        Try increasing --timeout (e.g. --timeout 60).
Caused by:   This operation was aborted
Exit code:   5

（蓝黄手绘示意图，非实测截图）

按提示补充超时参数后重试：

bl image generate --prompt "一只戴眼镜的橘猫坐在蓝色热气球上，扁平插画风格" --size "1024*1024" --timeout 900 --out-dir out --out-prefix balloon

68.2 秒成功，产物 out/balloon.png，1024×1024、RGB、745,737 字节。

需要如实说明的是：重试时同时调整了三处，补 --timeout 900、--size 加引号、提示词缩短。三处是一起改的，无法判定单一变量的作用，能确认的只有补充超时后这次调用成功了。

由此得到两条使用约定：图像生成属于长耗时调用，应显式指定 --timeout，不依赖默认值；--size 的像素写法含 *，在 shell 中必须加引号，否则会被当通配符展开，也可改用 --size 1:1、--size 16:9 这类比例写法。

图像生成的产物默认带"AI 生成"角标，--watermark 默认值为 true，需要关闭时在生图命令中加 --watermark false。

入口三：语音合成

bl speech synthesize --text "你好，这是我第一次用命令行让机器说话。" --voice longcheng_v3 --format mp3 --out out/hello.mp3

1.8 秒完成，产物 out/hello.mp3，62,011 字节，时长 3.096 秒，码率 160235。

平台预置的系统音色可以直接盘点，这条命令不校验 Key：

bl speech synthesize --list-voices

cosyvoice-v3-flash 返回 64 个系统音色，每个都带中文人设描述与语言标注，例如 longcheng_v3 龙橙「智慧青年男」、longantai_v3 龙安台「嗲甜台湾女」、longtian_v3 龙天「磁性理智男」。按描述筛选即可，不必逐个试听。

存盘参数需要注意差异：语音合成用 --out 接完整文件路径，图像生成用 --out-dir 加 --out-prefix，两者不通用。

入口四：视觉理解

bl vision describe --image out/balloon.png --prompt "这张图里有什么？用两句话描述。"

3.6 秒返回，消耗读数为输入 1044、输出 67。返回原文：

一只戴着眼镜、围着黄色围巾的橘猫正惬意地坐在热气球的篮子里，热气球的蓝色球体上印有白云与星星图案。背景是晴朗的蓝天，点缀着太阳、朵朵白云、飞鸟和远处的青山绿水，整体画面温馨可爱。

这里有一个对预期管理很重要的观察：它读出了提示词里没有的内容。

入口二的提示词只有"一只戴眼镜的橘猫坐在蓝色热气球上，扁平插画风格"。眼镜、橘猫、蓝色热气球来自提示词；黄色围巾、球体上的白云与星星图案、太阳、飞鸟、远处的青山绿水均由模型自行补充。反向印证：第一次那版提示词写了"手里捧着一杯茶"，重试时删掉，返回描述里也没有茶杯。

也就是说，图像生成不是精确执行指令，而是在描述基础上再创作。写验收标准时这一条要计入：提示词写到的会出现，删掉的不会出现，但模型会自行补细节。

视觉理解入口还有一个可复用的用法，就是核查角标：

bl vision describe --image out/balloon.png --prompt "图片右下角或边角有没有任何文字、logo 或水印角标？只回答有或没有，有的话把文字逐字念出来。"

返回逐字为"有，AI 生成"。这比人工放大图片逐处找要省事。

链路依赖方面补一条：入口二失败时图不存在，入口四的 --image 传空会直接返回退出码 2，报错 {"error":{"code":2,"message":"Provide --image or --video."}}。上游不出产物，下游就跑不了。

四条命令速查

bl text chat --message "你要问的话"
bl image generate --prompt "画面描述" --size "1024*1024" --timeout 900 --out-dir out --out-prefix 名字
bl speech synthesize --text "要念的话" --voice longcheng_v3 --format mp3 --out out/名字.mp3
bl vision describe --image out/名字.png --prompt "你想问这张图什么"

四个入口的共同形态是：输入是一句话或一个文件，输出是一个能拿走的产物。四条命令都支持 --model 切换模型，这一轮全部使用默认值，未调整任何采样参数。

（蓝黄手绘示意图，非实测截图）

如果你的目的是快速摸清平台能给到什么，这条路径的成本很低：四条命令、四个模态入口、四个本地产物，一轮跑完云资源创建为 0。

最后交代一句：四条命令的读数都是我自己跑出来的真实结果，但提示词里那只橘猫和热气球是我随口编的画面，你照着跑会拿到一张不一样的图（生图每次结果都不同）。

想先在网页端感受一下，可以去阿里云百炼控制台。