Compréhension visuelle

Les modèles prenant en charge la vision (comme gpt-5.6, fable-5, omni-flash) peuvent comprendre directement les images dans une conversation : écrivez content sous forme de tableau multimodal, en combinant text et image_url.

Exemple de requête

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": "Quel est le montant et la date d'émission de cette facture ?"},
        {"type": "image_url", "image_url": {"url": "https://example.com/invoice.jpg"}}
      ]
    }]
  }'

Les images peuvent aussi être intégrées via une base64 Data URL (adapté aux images sur intranet) :

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

Scénarios typiques

• Extraction d’informations structurées à partir de reçus / tableaux / captures d’écran (associée à response_format pour forcer une sortie JSON) ;
• Étiquetage et contrôle de conformité d’images de produits e-commerce ;
• Conversion de captures d’écran d’interface en code, interprétation de données de graphiques ;
• Comparaison de plusieurs images : placez successivement plusieurs image_url dans le tableau content.

Remarques

• La facturation des images est calculée en tokens selon la résolution ; pour les images très grandes, il est recommandé de les compresser au préalable à moins de 2048 px ;
• La méthode par URL exige que l’image soit accessible publiquement ; pour les images internes ou temporaires, utilisez base64 ;
• Pour la compréhension de contenu vidéo, utilisez un modèle prenant en charge l’entrée vidéo et référez-vous à sa documentation de modèle.