視覚理解

視覚対応モデル(gpt-5.6、fable-5、omni-flash など)は、対話の中で画像を直接理解できます: content をマルチモーダル配列として記述し、text と image_url を混在させます。

リクエスト例

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": "この請求書の金額と発行日は何ですか?"},
        {"type": "image_url", "image_url": {"url": "https://example.com/invoice.jpg"}}
      ]
    }]
  }'

画像は base64 Data URL で埋め込むこともできます(社内ネットワークの画像に適しています):

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

代表的な利用シーン

• 伝票 / 表 / スクリーンショットの構造化情報抽出(response_format と組み合わせて JSON 出力を強制);
• EC 商品画像のタグ付けとコンプライアンス審査;
• UI スクリーンショットのコード化、グラフデータの解釈;
• 複数画像の比較:content 配列に複数の image_url を順に入れる。

注意事項

• 画像は解像度に応じて token 課金されます。大きな画像は 2048px 以内に圧縮することを推奨します;
• URL 方式では画像がインターネットからアクセス可能である必要があります。社内 / 一時画像には base64 を使用してください;
• 動画コンテンツの理解には、動画入力に対応したモデルを使用し、そのモデルの説明を参照してください。