Endpoints

Vision och filer

Skicka bilder, PDF-filer, ljud och video som innehållsdelar i meddelanden till multimodala modeller, med format, exempel, gränser och felkoder.

Testa i playground

Multimodala modeller accepterar bilder, PDF-filer, ljud och video i ett användarmeddelande. Skicka content som en array av delar i stället för en sträng. För att se vad en modell accepterar, kontrollera architecture.input_modalities i Modeller (image, file, audio, video).

Innehållsdelar

Del	Form	Anteckningar
Text	`{ "type": "text", "text": "..." }`
Bild	`{ "type": "image_url", "image_url": { "url": "https://..." \| "data:image/png;base64,...", "detail": "auto" } }`	PNG, JPEG, WebP, GIF. URL eller base64-data-URL.
PDF / fil	`{ "type": "file", "file": { "filename": "doc.pdf", "file_data": "https://..." \| "data:application/pdf;base64,..." } }`	Fungerar med alla modeller. Modeller utan inbyggt filstöd får tolkad text.
Ljud	`{ "type": "input_audio", "input_audio": { "data": "<base64>", "format": "wav" } }`	Endast base64. `wav`, `mp3` och fler, beroende på modell.
Video	`{ "type": "video_url", "video_url": { "url": "https://..." } }`	Stöds av vissa modeller, t.ex. Gemini.

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api14.com/api/v1",
  apiKey: process.env.API14_API_KEY,
});

const result = await client.chat.completions.create({
  "model": "openai/gpt-5-mini",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "What is in this image?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://upload.wikimedia.org/wikipedia/commons/3/3a/Cat03.jpg"
          }
        }
      ]
    }
  ]
});
console.log(result.choices[0].message.content);

Bildexempel

{
  "model": "google/gemini-2.5-flash",
  "messages": [
    {
      "role": "user",
      "content": [
        { "type": "text", "text": "What is in this picture?" },
        { "type": "image_url", "image_url": { "url": "https://upload.wikimedia.org/wikipedia/commons/a/a7/Camponotus_flavomarginatus_ant.jpg" } }
      ]
    }
  ]
}

PDF-exempel

{
  "model": "anthropic/claude-sonnet-4.5",
  "messages": [
    {
      "role": "user",
      "content": [
        { "type": "text", "text": "Summarize this contract in five bullets." },
        { "type": "file", "file": { "filename": "contract.pdf", "file_data": "data:application/pdf;base64,JVBERi0xLjcK..." } }
      ]
    }
  ],
  "plugins": [{ "id": "file-parser", "pdf": { "engine": "pdf-text" } }]
}

Det valfria pluginet file-parser väljer hur en PDF läses: pdf-text (kostnadsfri textextrahering), mistral-ocr (OCR för skannade dokument, faktureras per sida) eller native (modellen läser filen själv). Kostnaden för tolkningen ingår i usage.cost.

Svar

Svaret är en vanlig chat completion. Bild-, fil- och ljudindata räknas som indata-tokens, och deras kostnad finns i usage.cost:

{
  "choices": [{ "index": 0, "finish_reason": "stop", "message": { "role": "assistant", "content": "A close-up of an ant on a leaf." } }],
  "usage": { "prompt_tokens": 1290, "completion_tokens": 12, "total_tokens": 1302, "cost": 0.000417 }
}

Gränser och fel

Ett anrop får vara högst 25 MB. Base64 gör filer ungefär 33 % större. Större anrop returnerar 413 payload_too_large. För stora bilder, använd publika URL:er.
En modell som inte accepterar en indatatyp returnerar ett uppströms 400 eller 404.
Övriga fel är desamma som för Chat completions. Se Fel.