Мультимодальность — изображения и понимание документов
Модели с поддержкой машинного зрения принимают части содержимого типа 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"}}
]
}],
)Оплата токенами изображения
Стоимость каждого изображения оценивается примерно как 1,000 ~ 4,000 токены в зависимости от разрешения. Счетчик сводится к ответу usage.prompt_tokens.
См. также:API Документы › Мультимодальный ввод