Skip to main content

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。
最終更新日 2026年5月15日