← Volver a la lista

Multimodal: comprensión de imágenes y documentos

Los modelos con capacidad de visión aceptan piezas de contenido del tipo image_url: image_url

python
resp = client.chat.completions.create(
    model="gpt-4o",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "How many cats are in this image?"},
            {"type": "image_url", "image_url": {"url": "https://.../cats.png"}}
        ]
    }],
)

Facturación de tokens de imagen

Cada imagen se factura aproximadamente 1,000 ~ 4,000 tokens dependiendo de la resolución. La cuenta se acumula en la respuesta. usage.prompt_tokens.