Vision

Analysiere Bilder mit den vision-fähigen Chatmodellen von Venice über multimodale Nachrichteninhalte in der OpenAI-kompatiblen Chat-Completions-API.

Vision-Modelle können Bilder zusammen mit Textprompts analysieren. Verwende sie für Bildverständnis, Extraktion, Klassifikation, visuelle Fragebeantwortung und multimodales Reasoning.

Venice unterstützt OpenAI-kompatible multimodale Chat-Nachrichten. Füge Text- und Bildblöcke in dieselbe Benutzernachricht ein und sende die Anfrage anschließend an ein vision-fähiges Modell.

​

Grundlegende Nutzung

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["VENICE_API_KEY"],
    base_url="https://api.venice.ai/api/v1",
)

response = client.chat.completions.create(
    model="qwen3-vl-235b-a22b",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe this image in three bullets."},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://www.gstatic.com/webp/gallery/1.jpg"
                    },
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

​

Base64-Bilder verwenden

Du kannst auch eine Base64-Data-URL übergeben, wenn das Bild lokal oder privat ist:

{
  "type": "image_url",
  "image_url": {
    "url": "data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAA..."
  }
}

​

Mehrere Bilder senden

content ist ein Array von Blöcken, daher kann eine einzelne Benutzernachricht mehrere image_url-Blöcke zusammen mit Text enthalten. Nutze das, um Bilder zu vergleichen oder Fragen zu stellen, die mehr als ein Bild umfassen:

{
  "model": "qwen3-vl-235b-a22b",
  "messages": [
    {
      "role": "user",
      "content": [
        {"type": "text", "text": "Vergleiche diese beiden Bilder und liste die Unterschiede auf."},
        {
          "type": "image_url",
          "image_url": {"url": "https://example.com/first.jpg"}
        },
        {
          "type": "image_url",
          "image_url": {"url": "https://example.com/second.jpg"}
        }
      ]
    }
  ]
}

Jedes Bild verbraucht Kontext-Tokens. Wenn eine Anfrage mit mehreren Bildern TOO_MANY_TOKENS (HTTP 400) zurückgibt, reduziere die Anzahl der Bilder, kürze deine Anweisungen oder wechsle zu einem Modell mit größerem Kontextfenster.

​

Ein Vision-Modell auswählen

Nutze die Seite Textmodelle oder die Models-API, um Modelle zu finden, die Vision unterstützen. Die Vision-Unterstützung ist in den Modellfähigkeiten aufgeführt.

Verwende bei dokumentähnlichen Eingaben Datei-Eingaben, wenn Venice Text aus einer Datei extrahieren soll. Verwende Vision, wenn das visuelle Layout oder der Bildinhalt selbst wichtig ist.

​

Prompt-Tipps

• Sag dem Modell, worauf es sich konzentrieren soll: Objekte, Text, Layout, Sicherheit, Defekte oder Unterschiede.
• Verlange strukturierte Ausgaben, wenn deine Anwendung Felder benötigt, die du parsen kannst.
• Achte darauf, dass Bild-URLs für die API zugänglich sind, oder verwende Base64-Data-URLs für private Bilder.
• Verwende ein Modell mit ausreichend Kontext, wenn du Bilder mit langen Anweisungen kombinierst.

​

Verwandte Ressourcen

• Chat-Completions-API
• Textmodelle
• Anleitung: Datei-Eingaben
• Anleitung: Strukturierte Antworten