概要
ビジョン言語モデル(VLM)は、画像入力とテキスト入力の両方を処理できるマルチモーダル基盤モデルの一種です。これらのモデルは、言語による指示と組み合わせて視覚コンテンツを理解し、統合されたコンテキストに基づいて高品質な応答を生成します。画像認識、コンテンツ解釈、インテリジェントな視覚 Q&A などのシナリオで広く利用されています。一般的なユースケース
- 画像認識と説明: 画像内のオブジェクト、色、シーン、空間的関係を自動的に識別し、自然言語の説明を生成します。
- マルチモーダル理解: 画像入力とコンテキストテキストを組み合わせ、マルチターン対話やタスク完了を実現します。
- 視覚的な質問応答: 画像内に埋め込まれたテキストを認識・解釈することで、高度な OCR ツールとして機能します。
- 新しい応用分野: インテリジェントなビジョンアシスタント、ロボット知覚、AR インターフェースなどでの利用に最適です。
API 使用ガイド
ビジョン言語モデルを呼び出すには、画像入力とテキスト入力の両方を指定して/chat/completions エンドポイントを使用します。
画像詳細パラメータ
画像解像度を制御するには、detail フィールドを使用します。以下のモードを利用できます。
high: 高解像度で、より多くの詳細を保持します。精密なタスクに最適です。low: 低解像度で、応答が高速です。リアルタイム利用に適しています。auto: 適切なモードを自動的に選択します。
メッセージ形式の例
URL 経由の画像
Base64 経由の画像
Python コード: 画像を Base64 にエンコードする
複数画像入力
API は、テキスト入力と併せて複数の画像を送信することをサポートしています。最良の結果を得るため、1 リクエストあたり 2 枚以下の画像を送信することを推奨します。サポートされているモデル
Novita プラットフォームでは、現在以下のビジョン言語モデルがサポートされています。 利用可能なモデルの完全かつ最新の一覧については、Model Hub を参照してください。請求
画像入力はトークン化され、テキストと合わせて請求対象としてカウントされます。- 各モデルは異なる画像からトークンへの変換方法を使用します。
- 詳細な請求およびトークンポリシーについては、各モデルの料金ページを参照してください。
API 呼び出し例
単一画像の説明
複数画像の比較
注意事項とトラブルシューティング
- 画像の解像度と鮮明さは、モデルの性能に大きく影響します。可能な場合は高品質なソースを使用してください。
- Base64 エンコードされた画像は、タイムアウトやエラーを避けるため、理想的には 1MB 未満にしてください。
- 詳細な使用方法については、必要に応じて営業チームとの通話を予約するか、サポートにお問い合わせください。