视觉理解

支持视觉的模型(如 gpt-5.6、fable-5、omni-flash)可以在对话中直接理解图片: 把 content 写成多模态数组,混合 text 与 image_url。

请求示例

curl https://api.4allapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AIPROXY_KEY" \
  -d '{
    "model": "omni-flash",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "这张发票的金额和开票日期是多少?"},
        {"type": "image_url", "image_url": {"url": "https://example.com/invoice.jpg"}}
      ]
    }]
  }'

图片也可以用 base64 Data URL 内嵌(适合内网图片):

{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,/9j/4AAQ..."}}

典型场景

• 票据 / 表格 / 截图的结构化信息抽取(配合 response_format 强制 JSON 输出);
• 电商商品图打标与合规审查;
• UI 截图转代码、图表数据解读;
• 多张图对比:在 content 数组中依次放入多个 image_url。

注意事项

• 图片按分辨率折算 token 计费,超大图建议先压缩到 2048px 以内;
• URL 方式要求图片可被公网访问,内网/临时图请用 base64;
• 视频内容理解请使用支持视频输入的模型,并参考其型号说明。