Multimodal: comprensión de imágenes y documentos
Los modelos con capacidad de visión aceptan piezas de contenido del tipo image_url: image_url
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.
Ver también:Documentos API › Entrada multimodal