For the complete documentation index, see llms.txt. Markdown versions of documentation pages are available by appending .md to the page URL.
主导航

建议

选择模型

文本与代码

提示词

推理

图像与视频

实时交互与音频

专用模型

API Dashboard
试用 ChatGPT

图像与视觉

了解如何理解或生成图像。

概览

创建图像
创建图像
使用 GPT Image 模型生成或编辑图像。
处理图像输入
处理图像输入
使用我们模型的视觉能力分析图像。

较新的语言模型可以处理和分析图像输入，这种能力称为 视觉。GPT Image 模型可以根据文本和图像输入创建新图像或编辑现有图像。

根据您是要分析图像还是生成图像，选择相应的端点：

API支持的使用场景
Responses API分析图像，或使用图像生成工具生成和编辑图像
Images API生成图像作为输出，也可选择使用图像作为输入
Chat Completions API分析图像并生成文本回答

如需了解我们模型支持的输入和输出模态，请参阅模型页面。

生成或编辑图像

使用 Images API 时，选择 gpt-image-2.5-sunburst 来根据文本生成图像或编辑现有图像。使用 Responses API 时，选择支持图像生成工具的主线模型；该工具会负责选择 GPT Image 模型。

使用 Responses 生成图像
from openai import OpenAI
import base64

client = OpenAI()

response = client.responses.create(
    model="gpt-6-astra",
    input="Generate an image of gray tabby cat hugging an otter with an orange scarf",
    tools=[{"type": "image_generation"}],
)

# Save the image to a file
image_data = [
    output.result
    for output in response.output
    if output.type == "image_generation_call"
]

if image_data:
    image_base64 = image_data[0]
    with open("cat_and_otter.png", "wb") as f:
        f.write(base64.b64decode(image_base64))

您可以在图像 生成指南中进一步了解图像生成。

利用世界知识生成图像

GPT Image 模型无需参考图像即可利用世界知识。例如，要求生成一柜半宝石的提示可以生成包含紫水晶、粉晶和玉石等可辨认宝石的场景。

分析图像

使用具备视觉能力的模型描述图像、读取可见文本，并回答有关物体、形状、颜色或纹理的问题。使用模型的回答时，请考虑其局限性。

向模型提供图像作为输入

通过以下任一方式提供要分析的图像：

  • 提供图像文件的完整 URL
  • 以 Base64 编码的数据 URL 形式提供图像
  • 提供文件 ID（通过 Files API 创建）

您可以在 content 数组中包含多张图像，从而在单个请求中提供多张图像作为输入，但请注意，图像会计为 Token，并据此计费。
分析图像内容
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6-astra",
    input=[
        {
            "role": "user",
            "content": [
                {"type": "input_text", "text": "what's in this image?"},
                {
                    "type": "input_image",
                    "image_url": "https://api.nga.gov/iiif/a2e6da57-3cd1-4235-b20e-95dcaefed6c8/full/!800,800/0/default.jpg",
                },
            ],
        }
    ],
)

print(response.output_text)

图像输入要求

请使用受支持的图像文件，并确保图像足够清晰，以便模型分析。

要求支持的输入
文件类型PNG（.png）、JPEG（.jpeg 或 .jpg）、WEBP（.webp）和非动画 GIF（.gif）
请求大小每个请求的总载荷最多为 512 MB
图像数量每个请求最多包含 1,500 张图像

对于基于图像块的图像输入，在应用所选模型和 detail 级别的缩放规则后，API 支持每张图像最多包含 30,000 个图像块。此限制适用于所有受支持的细节级别，并针对每张图像单独计算，而非针对请求中的图像块总数。

特定模型和细节级别规定的较低缩放预算仍然适用。处理后仍超过 30,000 个图像块限制的图像将被拒绝，系统不会自动缩放图像以满足此限制。请减小图像尺寸后重试。

图像 Token 和提示的其余部分也必须符合模型的输入和上下文限制。Token 估算结果并不保证请求满足所有输入限制。图像的使用必须遵守我们的使用政策。

选择图像细节级别

detail 参数控制图像预处理。支持的值因模型而异：low、high、original 或 auto。如果省略此参数，Responses API 和 Chat Completions API 均默认使用 auto。模型尺寸处理表列出了相应的处理方式。

{
    "type": "input_image",
    "image_url": "https://api.nga.gov/iiif/a2e6da57-3cd1-4235-b20e-95dcaefed6c8/full/!800,800/0/default.jpg",
    "detail": "original"
}

请根据以下指引选择细节级别：

细节级别最适合
low粗略理解图像。缩放方式和 Token 用量取决于模型；low 使用的 Token 不一定比 high 少。
high无需精确原图坐标时的标准高保真图像理解。
original在模型支持的情况下，用于尺寸较大、信息密集、对空间位置敏感或用于计算机使用的图像。
auto使用模型的默认尺寸处理方式，具体见模型尺寸处理表。

对于需要精细视觉细节或精确坐标的任务，例如光学字符识别（OCR）、小物体检测或计算机使用，请在模型支持时使用 "detail": "original"。原始细节级别仍可能缩放图像，以满足模型的像素尺寸限制或缩放图像块预算，但不会为了满足单独设定的 30,000 个图像块拒绝阈值而缩放。对于对坐标敏感的任务，请在发送前缩放图像以满足这些限制，并将返回的坐标映射回原图。有关坐标处理，请参阅计算机使用指南。

模型的尺寸处理方式

下表汇总了通用视觉模型的尺寸处理方式。其他模型和专用变体可能采用不同的限制。所有尺寸调整都会保持宽高比，且不会放大较小的图像。

模型系列 支持的细节级别 图像块与缩放处理方式
gpt-6-astra

low、high、original、 auto

low 将图像尺寸限制在 512 × 512 像素以内。high 允许最多 2,500 个图像块，且最大边长为 65,535 像素。这两项限制同时适用。 original 保留图像的原始尺寸，但如果图像 任一边长超过 65,535 像素，则会将其缩小至符合 该限制。如果处理后的图像需要超过 30,000 个图像块，API 会拒绝 该请求；不会为满足图像块数量限制而调整图像尺寸。 auto 的尺寸处理方式与 original 相同。

gpt-5.6-sol、gpt-5.6-terra、 gpt-5.6-luna

low、high、original、 auto

low 将图像限制在 512 × 512 像素以内。high 将图像限制在 2048 × 2048 像素和 2,500 个图像块以内。original 保留图像的原始尺寸，但任一边超过 65,535 像素的图像 会被缩小以满足该限制。如果处理后的 图像需要超过 30,000 个图像块，API 将拒绝 该请求；图像不会为满足图像块数量限制而缩放。 auto 采用与 original 相同的尺寸处理方式。

gpt-5.5

low、high、original、 auto

low 将图像限制在 512 × 512 像素以内。high 最多允许 2,500 个图像块，且最长边不超过 2048 像素。original 最多允许 10,000 个图像块，且最长边不超过 6000 像素。两项 限制同时适用。auto 采用与 original 相同的尺寸处理方式。

gpt-5.4、gpt-5.4-mini、gpt-5.4-nano

low、high、original、 auto

low 的最长边限制为 2048 像素，图像块预算为 6,144 个， 因此它可能比 high 使用更多 Token。 high 最多允许 2,500 个图像块，且最长边 不超过 2048 像素。original 最多允许 10,000 个图像块，且 最长边不超过 6000 像素。两项限制同时适用。auto 采用与 high 相同的尺寸处理方式。

gpt-5.2、gpt-4.1-mini

low、high、auto

这些细节级别采用相同的尺寸限制：最长边不超过 2048 像素， 图像块预算为 6,144 个。不支持 original 。

gpt-5.1、gpt-4.1、gpt-4o、 gpt-4o-mini

low、high、auto

low 使用固定数量的 Token。high 和 auto 使用 基于瓦片的尺寸处理规则。

计算成本

视觉模型将图像输入转换为可计费的输入 Token。图像输入成本计算器和本节中的图像块／瓦片规则适用于视觉模型的输入，不适用于 GPT Image 的图像生成或编辑。有关后者的单独定价，请参阅GPT Image 模型输入。

图像 Token 也会计入您的每分钟 Token 数（TPM）限制。计算器按标准输入费率估算一张图像的成本，不包含提示的其余部分或模型输出。

图像输入成本计算器

使用图像输入成本计算器，根据模型、图像尺寸和细节级别估算单张图像的输入 Token 数和成本。

基于图像块的图像 Token 化处理

某些模型通过用 32px x 32px 的图像块覆盖图像来进行 Token 化处理。许多模型与细节级别的组合都规定了缩放图像块预算。首先，API 会将图像调整到所选细节级别的像素尺寸限制以内，同时保留宽高比，并将尺寸舍入为整数像素，且不会放大较小的图像。随后按以下步骤确定 Token 成本：

A. 在应用像素尺寸限制后，计算覆盖图像需要多少个 32px x 32px 的图像块。图像块可以超出图像边界。

patch_count = ceil(width/32)×ceil(height/32)

B. 如果所选模型和细节级别规定了缩放图像块预算，且图像超出该预算，则按比例缩小图像。否则，跳过此步骤。调整缩放比例，确保转换为整数像素尺寸并计算覆盖所需的图像块数量后，仍不超出预算。在计算最终尺寸之前，始终保留完整精度。

shrink_factor = sqrt((32^2 * patch_budget) / (width * height))
adjusted_shrink_factor = shrink_factor * min(
  floor(width * shrink_factor / 32) / (width * shrink_factor / 32),
  floor(height * shrink_factor / 32) / (height * shrink_factor / 32)
)

C. 如果步骤 B 缩放了图像，将缩放后的最终宽度和高度向下取整为整数像素。计算覆盖所得图像所需的图像块数量。这就是应用模型乘数之前的图像 Token 数。如果设有图像块预算，此数量不会超出该预算。

resized_patch_count = ceil(resized_width/32)×ceil(resized_height/32)

如果此数量超过 30,000 个图像块，API 将拒绝请求。请在应用 Token 乘数之前检查此限制。

D. 将图像块数量乘以模型的乘数并向上取整，得到可计费的图像输入 Token 数。按模型的输入价格对这些 Token 计费一次；该乘数不适用于提示中的其他 Token，也不应再次应用于价格。

模型乘数
gpt-6-astra1.2
gpt-5.6-sol1.2
gpt-5.6-terra1.2
gpt-5.6-luna1.2
gpt-5.51.2
gpt-5.41.2
gpt-5.4-mini1.2
gpt-5.4-nano1.2
gpt-5.21.2
gpt-5-mini*1.2
gpt-5-nano*1.5
gpt-4.1-mini1.62
gpt-4.1-nano*（2025-04-14 快照）2.46
o4-mini*1.72

对于 gpt-4.1-mini，此规则适用于 2025-04-14 快照。

* 已弃用，并已计划停用。有关日期和替代模型，请参阅弃用时间表。计算器和上方的模型尺寸调整行为表均未包含这些模型。

gpt-6-astra 在 detail: high 设置下的图像 Token 计算示例

此组合的最大边长为 65,535 像素，图像块预算为 2,500 个，乘数为 1.2 倍。

  • 一张 1024 × 1024 的图像需要 32 × 32 = 1024 个图像块，无需调整尺寸。计费的图像输入 Token 数为 ceil(1024 × 1.2) = 1229。
  • 一张 2048 × 2048 的图像最初需要 64 × 64 = 4096 个图像块。受图像块预算限制，图像会缩小至 1600 × 1600 像素，即 50 × 50 = 2500 个图像块。估算的 Token 数为 ceil(2500 × 1.2) = 3000。
  • 一张 4096 × 512 的图像会保持原始尺寸：图像块数量为 128 × 16 = 2048，Token 数为 ceil(2048 × 1.2) = 2458。

计费过程中的浮点数舍入可能使最终数量与估算值相差一个 Token。

基于瓦片的图像 Token 化处理

下表中的模型将基础 Token 数与图像瓦片的 Token 数相加：

模型基础 Token 数每个瓦片的 Token 数
gpt-5.170140
gpt-5*70140
gpt-4o、gpt-4.185170
gpt-4o-mini28335667
o1*、o1-pro*、o3*75150

* 已弃用，并已计划停用。有关日期和替代模型，请参阅弃用时间表。计算器和上方的模型尺寸调整行为表均未包含这些模型。

使用 "detail": "low" 时，无论图像尺寸如何，都只计入该模型的基础 Token 数。使用 "detail": "high" 或 "detail": "auto" 时：

  • 保持宽高比，将图像缩小至 2048px x 2048px 的正方形范围内。较小的图像不会放大。
  • 如果最短边超过 768px，则将其缩小至 768px，并将另一边的尺寸向下取整。
  • 计算覆盖图像所需的边长为 512px 的正方形数量。每个正方形消耗该模型规定的每个瓦片的 Token 数。
  • 将模型的基础 Token 数与瓦片的 Token 总数相加。

GPT Image 模型输入

GPT Image 模型在生成和编辑图像时采用单独的图像 Token 定价。视觉计算器不估算这些模型的输入或输出费用。有关当前费率，请参阅图像生成定价；有关生成和编辑工作流，请参阅图像生成指南。

GPT Image 1

以下输入 Token 规则适用于 gpt-image-1。使用基于瓦片的图像尺寸调整方式，但将最短边缩小至 512px，而非 768px。Token 用量取决于图像尺寸以及 Images API 中的 input_fidelity 参数。

当输入保真度设为低时，基础消耗为 65 个图像 Token，每个瓦片消耗 129 个图像 Token。 使用高输入保真度时，除上述图像 Token 外，我们还会根据图像的宽高比增加一定数量的 Token。

  • 如果您的图像为正方形，我们会额外增加 4160 个输入图像 Token。
  • 如果图像更接近纵向或横向比例，我们会额外增加 6240 个 Token。

有关图像输入 Token 的定价，请参阅图像定价部分。

局限性

视觉模型可能出错。设计应用时，请考虑以下局限性：

  • 医学影像：该模型不适合解读 CT 扫描等专业医学影像，也不应被用于提供医疗建议。
  • 非英语文本：处理包含日语或韩语等非拉丁文字的图像时，模型的表现可能不够理想。
  • 小字号文本：放大图像中的文本以提高可读性。如果支持，使用 "detail": "original" 也有助于改善表现。
  • 旋转：模型可能会错误解读旋转或倒置的文本和图像。
  • 视觉元素：对于使用不同颜色或样式（例如实线、虚线或点线）的图表或文本，模型可能难以理解。
  • 空间推理：模型难以完成需要精确空间定位的任务，例如识别国际象棋棋子的位置。
  • 准确性：在某些情况下，模型可能生成不正确的描述或图注。
  • 图像形状：模型难以处理全景和鱼眼图像。
  • 元数据与尺寸调整：模型不处理原始文件名或元数据。图像在分析前可能会被调整尺寸，即使使用 original 细节级别也是如此。有关各模型适用的限制，请参阅模型尺寸调整行为。
  • 计数：模型对图像中物体的计数可能是近似值。
  • 验证码：出于安全原因，我们的系统会阻止提交验证码。