Multimodal — compreensão de imagens e documentos

Modelos compatíveis com Vision aceitam partes de conteúdo do 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"}}
        ]
    }],
)

Faturação de token de imagem

Cada imagem é cobrada aproximadamente1,000 ~ 4,000tokens dependendo da resolução. A contagem acumula-se na respostausage.prompt_tokens.