Skip to main content

Обзор возможностей

Визуально-языковые модели (Vision-Language Model, VLM) — это класс мультимодальных больших моделей, которые одновременно поддерживают ввод изображений и текста и способны понимать содержимое изображений, а также обрабатывать межмодальную информацию. На основе комбинированной информации из изображений и текста модель может выдавать качественные ответы и широко применяется в таких сценариях, как распознавание изображений, понимание контента и интеллектуальные вопросы-ответы.

Типичные сценарии применения

  • Распознавание и описание содержимого изображений: автоматическое распознавание объектов, цветов, сцен и пространственных отношений на изображении с генерацией описания на естественном языке.
  • Комплексное понимание изображений и текста: объединение изображений и текстового ввода для контекстно-зависимых многоходовых диалогов и ответов на сложные задачи.
  • Визуально-ассистированные вопросы-ответы: может использоваться как дополнение к OCR-инструментам для распознавания текстовой информации, встроенной в изображения, и выполнения задач вопросов-ответов.
  • Будущие расширенные применения: подходит для интерактивных сценариев, таких как интеллектуальные визуальные ассистенты, восприятие роботами и дополненная реальность.

Инструкции по вызову API

Для вызова визуально-языковой модели используйте интерфейс /chat/completions, который поддерживает смешанный ввод текста и изображений.

Параметры обработки изображений

Точность обработки изображения задается через поле detail; поддерживаются следующие варианты:
  • high: высокое разрешение, сохраняет больше деталей, подходит для задач, требующих высокой точности.
  • low: низкое разрешение, высокая скорость обработки, подходит для ответов в реальном времени.
  • auto: система автоматически выбирает подходящий режим.

Пример формата сообщения

Изображение в формате URL

Изображение в формате Base64

Пример кода для кодирования изображения в Base64 (Python)

Режим нескольких изображений

Поддерживается отправка нескольких изображений вместе с текстом в качестве входных данных. Для лучшей производительности и качества понимания рекомендуется использовать не более двух изображений.

Поддерживаемые модели

Ниже приведены визуально-языковые модели (VLM), которые в настоящее время поддерживаются платформой:

Тарификация

Входные изображения для визуально-языковых моделей преобразуются в Tokens и учитываются вместе с текстом при расчете стоимости вызова:
  • Правила оценки image Token для каждой модели могут немного отличаться;
  • Подробные тарифы можно посмотреть на странице описания соответствующей модели.

Примеры кода для вызова API

Описание одного изображения

Сравнительный анализ нескольких изображений

Частые вопросы и примечания

  • Разрешение и четкость изображения влияют на точность распознавания модели; рекомендуется использовать четкие исходные изображения.
  • Кодирование Base64 существенно увеличивает объем данных; рекомендуется использовать изображения размером не более 1MB.
  • При возникновении проблем обратитесь к документации платформы для разработчиков или отправьте тикет для получения поддержки.