Saltar al contenido principal

Documentation Index

Fetch the complete documentation index at: https://docs.aihubmix.com/llms.txt

Use this file to discover all available pages before exploring further.

​
Descripción general de la capacidad

La capacidad de visión permite al modelo entender simultáneamente imágenes y texto, lo que le permite analizar, describir, evaluar y responder preguntas basadas en el contenido de las imágenes. Los desarrolladores pueden enviar una o varias imágenes al modelo en una sola solicitud junto con instrucciones en lenguaje natural para completar tareas de comprensión multimodal. Las capacidades típicas incluyen:
  • Descripción del contenido de la imagen (objetos, escenas, acciones)
  • Respuesta a preguntas sobre la imagen (formular preguntas sobre la imagen)
  • Análisis comparativo y síntesis de varias imágenes
  • Razonamiento conjunto con imagen + texto

​
Inicio rápido

from openai import OpenAI

client = OpenAI(
  api_key="<AIHUBMIX_API_KEY>",
  base_url="https://aihubmix.com/v1"
)

response = client.chat.completions.create(
  model="gpt-4o",
  messages=[
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "What’s in this image?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg",
            "detail": "auto"
          },
        },
      ],
    }
  ],
  max_tokens=300,
)

print(response.choices[0])

​
Formatos de entrada admitidos

Las imágenes se pueden proporcionar al modelo de dos formas principales: pasando el enlace de la imagen o incluyendo directamente una imagen codificada en base64 en la solicitud. Las imágenes pueden incluirse en los mensajes user, system y assistant. Actualmente, las imágenes no son compatibles en el primer mensaje system.

​
Entrada con URL de imagen (recomendada)

Pasa directamente una URL de imagen accesible desde la internet pública, adecuada para escenarios de negocio en línea. 
{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/demo.jpg"
  }
}
Notas:
  • La URL debe ser accesible para el modelo.
  • El formato de la imagen debe ser PNG / JPEG / WEBP / no GIF.
  • El tamaño de una sola imagen no debe superar los 20 MB.

​
Entrada con imagen codificada en Base64

Adecuada para archivos locales o escenarios de imágenes privadas. Descripción del proceso:
  1. Lee el archivo de imagen localmente.
  2. Conviértelo en una cadena base64.
  3. Pásalo como contenido de imagen en la solicitud.
{
  "type": "image_url",
  "image_url": {
    "url": "data:image/png;base64,<BASE64_DATA>"
  }
}

​
Ejemplo de estructura del mensaje

Las imágenes se envían habitualmente junto con instrucciones de texto para clarificar los objetivos de comprensión del modelo. 
{
  "role": "user",
  "content": [
    { "type": "text", "text": "Please describe the main content of this image" },
    {
      "type": "image_url",
      "image_url": {
        "url": "https://example.com/photo.jpg"
      }
    }
  ]
}

​
Entrada con múltiples imágenes

Pueden enviarse varias imágenes en una sola solicitud, permitiendo al modelo integrar la comprensión de todas ellas. 
{
  "role": "user",
  "content": [
    { "type": "text", "text": "Compare the differences between these two images" },
    { "type": "image_url", "image_url": { "url": "https://example.com/a.jpg" } },
    { "type": "image_url", "image_url": { "url": "https://example.com/b.jpg" } }
  ]
}

​
Control de nitidez de la imagen (parámetro detail)

El parámetro detail se puede usar para controlar el nivel de detalle con el que el modelo procesa las imágenes:
Valor del parámetroDescripción
lowBaja resolución, velocidad rápida, bajo consumo de tokens
highAlta resolución, más detalles, alto consumo de tokens
autoSelecciona automáticamente (predeterminado)
{
  "image_url": {
    "url": "https://example.com/photo.jpg",
    "detail": "high"
  }
}
Estrategia recomendada:
  • Comprensión del contenido / valoración de escena: auto o low
  • Cuando se necesita observación detallada (texto, partes específicas): high

​
Facturación y explicación de tokens

La entrada visual consume tokens adicionales que deben tenerse en cuenta al evaluar los costos:
  • Modo low: Cada imagen consume una cantidad fija de 85 tokens
  • Modo high: El consumo de tokens aumenta en función del tamaño y la resolución de la imagen
Recomendaciones:
  • Por defecto utiliza auto
  • Evita el uso innecesario de high en escenarios masivos o de alta concurrencia

​
Recomendaciones de uso

  • Proporciona siempre instrucciones de texto claras; no envíes solo imágenes.
  • Controla el número y la resolución de las imágenes para evitar costos innecesarios.
  • Realiza una validación secundaria para los resultados críticos de negocio.
  • Utiliza la comprensión visual como capacidad complementaria, no como única base de decisión.
Última actualización: 2026-06-01