视觉输入

带图请求把 content 从字符串换成数组，用内容块混排文字与图片。协议与 OpenAI 一致。

视觉输入指「看图回答」。它和图像生成是两件不同的事——生成类模型走各自的端点与计费方式，请在模型详情页确认。

哪些模型支持

当前公开目录中声明了视觉能力的模型共 9 个：

gpt-5.6-luna、gpt-5.6-sol、gpt-5.6-terra、grok-4.20-0309-non-reasoning、grok-4.20-0309-reasoning、grok-4.20-multi-agent-0309、grok-4.3、grok-4.5、grok-4.6

清单来自构建期快照，会随目录变化，以模型目录的实时字段为准。向不支持视觉的模型传图片块，通常会报参数错误或图片被静默忽略。

消息体结构

纯文本请求里 content 是字符串；带图时改成数组，每个元素是一个内容块，type 为 text 或 image_url。顺序会影响理解，建议先给指令再给图。

用 URL 传图

curl https://chuanapi.com/v1/chat/completions \
  -H "Authorization: Bearer $WANCHUAN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MODEL_ID",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "这张图里有哪些控件？"},
        {"type": "image_url",
         "image_url": {"url": "https://example.com/screenshot.png"}}
      ]
    }]
  }'

URL 必须是公网可访问的直链。需要登录、带签名过期时间或只在内网可达的地址会拉取失败。若图片存放在私有存储，请改用 base64。

用 base64 传图

import base64
from openai import OpenAI

client = OpenAI(api_key="...", base_url="https://chuanapi.com/v1")

with open("screenshot.png", "rb") as fp:
    encoded = base64.b64encode(fp.read()).decode()

resp = client.chat.completions.create(
    model="MODEL_ID",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "这张图里有哪些控件？"},
            {"type": "image_url", "image_url": {
                # 注意 data URI 前缀要和真实图片类型一致
                "url": f"data:image/png;base64,{encoded}",
            }},
        ],
    }],
)
print(resp.choices[0].message.content)

base64 会让请求体膨胀约三分之一，大图容易撞上请求体大小限制。本地图片、私有存储或一次性截图适合用它；重复使用的图片更适合先上传到可公开访问的位置再用 URL。

多图与图文混排

一条消息里可以放多张图，配合文字说明各图的角色。

"content": [
  {"type": "text", "text": "左边是改版前，右边是改版后，列出布局差异"},
  {"type": "image_url", "image_url": {"url": "https://example.com/before.png"}},
  {"type": "image_url", "image_url": {"url": "https://example.com/after.png"}}
]

图片数量越多，占用的输入 token 越多。做对比任务时，两三张通常已足够；一次塞十几张既贵又容易让模型混淆。

成本与清晰度权衡

图片按视觉 token 计入输入侧费用，分辨率越高消耗越多。换算规则与倍率见计费说明。
截图类任务先裁掉无关区域，比整屏上传更省也更准。
需要识别小字（例如日志、报错弹窗）时不要过度压缩，压过头会导致模型读错字符，反而要多轮追问。
多轮对话里历史图片会持续占用上下文。长会话应在拿到结论后移除旧图片块。