ಉಚಿತ vision API
vision API ಒಂದು LLM ಗೆ ಚಿತ್ರಗಳನ್ನು ಓದಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ನೀವು ಫೋಟೋವನ್ನು ವಿವರಿಸಲು, ರಶೀದಿಯನ್ನು ಓದಲು ಅಥವಾ ಚಾರ್ಟ್ ವಿವರಿಸಲು ಕೇಳಬಹುದು. FreeLLMAPI ಕ್ಯಾಟಲಾಗ್ನಲ್ಲಿ ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸುವ 78 ಉಚಿತ ಮಾದರಿ ಆಫರ್ಗಳಿವೆ. ನೀವು ಚಿತ್ರಗಳನ್ನು ಪ್ರಮಾಣಿತ OpenAI ಸ್ವರೂಪದಲ್ಲಿ ಕಳುಹಿಸುತ್ತೀರಿ, ಮತ್ತು ರೂಟರ್ ನಿಮಗಾಗಿ vision ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ. ಈ ಮಾರ್ಗದರ್ಶಿ ಮಾದರಿಗಳನ್ನು, ಪ್ರತಿ ಪೂರೈಕೆದಾರರ ಗಾತ್ರ ಮಿತಿಗಳನ್ನು ಮತ್ತು ಕೆಲಸ ಮಾಡುವ ಕೋಡ್ ಅನ್ನು ತೋರಿಸುತ್ತದೆ.
ಕೋಡ್, ಮಾದರಿ ಹೆಸರುಗಳು ಮತ್ತು ನೇರ ಕ್ಯಾಟಲಾಗ್ ಲೇಬಲ್ಗಳನ್ನು ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
ಚಿತ್ರ ಇನ್ಪುಟ್ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
messages ಅರೇಯಲ್ಲಿ image_url ವಿಷಯ ಬ್ಲಾಕ್ಗಳಾಗಿ ಚಿತ್ರಗಳನ್ನು ಕಳುಹಿಸಿ. URL base64 ಬೈಟ್ಗಳೊಂದಿಗೆ data: URL ಆಗಿರಬಹುದು, ಅಥವಾ http(s) URL ಆಗಿರಬಹುದು. /v1/chat/completions ಬಳಸಿ. /v1/responses ಎಂಡ್ಪಾಯಿಂಟ್ ಇನ್ನೂ ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ.
- ಸ್ವಯಂಚಾಲಿತ ರೂಟಿಂಗ್: ವಿನಂತಿಯಲ್ಲಿ ಚಿತ್ರವಿದ್ದಾಗ, ರೂಟರ್ ಕೇವಲ vision ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಆ ವಿನಂತಿಗಾಗಿ ಅದು ಕೇವಲ ಪಠ್ಯದ ಮಾದರಿಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತದೆ.
- ಬದಲಾವಣೆ: ಒಂದು vision ಪೂರೈಕೆದಾರ ತನ್ನ ಮಿತಿಯನ್ನು ತಲುಪಿದಾಗ, ರೂಟರ್ ನಿಮ್ಮ ಸರಣಿಯಲ್ಲಿ ಮುಂದಿನ vision ಮಾದರಿಯನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತದೆ.
- ಸ್ಪಷ್ಟ ದೋಷ: ಯಾವ vision ಮಾದರಿಯೂ ಸಕ್ರಿಯವಾಗಿಲ್ಲದಿದ್ದಾಗ, ನಿಮಗೆ
code: "no_vision_model"ಜೊತೆ ದೋಷ 422 ಸಿಗುತ್ತದೆ. ಚಿತ್ರ ಎಂದಿಗೂ ಮೌನವಾಗಿ ಕೈಬಿಡಲಾಗುವುದಿಲ್ಲ.
ಇಂದಿನ ಉಚಿತ vision ಮಾದರಿಗಳು
ಕೋಷ್ಟಕವು ಇಂದು ಕ್ಯಾಟಲಾಗ್ನಲ್ಲಿ ಚಿತ್ರ ಇನ್ಪುಟ್ ಇರುವ ಅತ್ಯಂತ ಬಲವಾದ ಉಚಿತ ಮಾದರಿಗಳನ್ನು ತೋರಿಸುತ್ತದೆ. ಇದು ನೇರ ಕ್ಯಾಟಲಾಗ್ನಿಂದ ಬರುತ್ತದೆ. ಒಂದು ಸಾಲು ಒಂದೇ ಮಾದರಿಯನ್ನು ನೀಡುವ ಹಲವು ಪೂರೈಕೆದಾರರನ್ನು ಪಟ್ಟಿ ಮಾಡಬಹುದು.
| ಮಾದರಿ | ಉಚಿತ | ಸಂದರ್ಭ | ಉಚಿತ ಮಿತಿಗಳು (ಅತ್ಯುತ್ತಮ ಕೊಡುಗೆ) | ಉಪಕರಣಗಳು | ದೃಷ್ಟಿ |
|---|---|---|---|---|---|
| GLM 5.3 Flash | UnoRouter | 1M | 1 ವಿನಂತಿ/ನಿಮಿಷ 1 req/min per model | ಹೌದು | ಹೌದು |
| Gemini 3.8 Flash | Google AI Studio | 1M | Recurring provider quota | ಹೌದು | ಹೌದು |
| Gemini Flash (latest alias) | Google AI Studio | - | 10 ವಿನಂತಿ/ನಿಮಿಷ 20 ವಿನಂತಿ/ದಿನ 250,000 ಟೋಕನ್/ನಿಮಿಷ ~3M | ಹೌದು | ಹೌದು |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | ಹೌದು | ಹೌದು |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 ವಿನಂತಿ/ನಿಮಿಷ 20 ವಿನಂತಿ/ದಿನ 250,000 ಟೋಕನ್/ನಿಮಿಷ ~3M | ಹೌದು | ಹೌದು |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | ಹೌದು | ಹೌದು |
| Dots3 Note Preview | Kilo Gateway, OpenRouter | 512K | 20 ವಿನಂತಿ/ನಿಮಿಷ 50 ವಿನಂತಿ/ದಿನ 50 req/day account-wide (1,000 after a $10 purchase) | ಹೌದು | ಹೌದು |
| Qwen3.8 27B | ElectronHub, Groq | 262K | 30 ವಿನಂತಿ/ನಿಮಿಷ 250 ವಿನಂತಿ/ದಿನ 70,000 ಟೋಕನ್/ನಿಮಿಷ ~6M | ಹೌದು | ಹೌದು |
| Gemini 3.6 Flash | Google AI Studio | 1M | 10 ವಿನಂತಿ/ನಿಮಿಷ 20 ವಿನಂತಿ/ದಿನ 250,000 ಟೋಕನ್/ನಿಮಿಷ ~3M | ಹೌದು | ಹೌದು |
| Qwen 3.8 27B | Cloudflare Workers AI | 262K | Shared 10k neurons/day | ಹೌದು | ಹೌದು |
| Gemini 3.5 Flash | Google AI Studio | 1M | 10 ವಿನಂತಿ/ನಿಮಿಷ 20 ವಿನಂತಿ/ದಿನ 250,000 ಟೋಕನ್/ನಿಮಿಷ ~3M | ಹೌದು | ಹೌದು |
| Gemini 3.8 Live | Google AI Studio | - | 10 ವಿನಂತಿ/ನಿಮಿಷ 20 ವಿನಂತಿ/ದಿನ 250,000 ಟೋಕನ್/ನಿಮಿಷ ~3M | ಹೌದು | ಹೌದು |
| Gemini 3.8 Live Extended Thinking | Google AI Studio | - | 10 ವಿನಂತಿ/ನಿಮಿಷ 20 ವಿನಂತಿ/ದಿನ 250,000 ಟೋಕನ್/ನಿಮಿಷ ~3M | ಹೌದು | ಹೌದು |
| Moondream 3.1 9B A2B | Cloudflare Workers AI, Moondream | 33K | ~10-20M | ಇಲ್ಲ | ಹೌದು |
| Moondream 3 Preview | Moondream | - | $5/month shared workspace usage credits | ಇಲ್ಲ | ಹೌದು |
ಹೊಂದಾಣಿಕೆಯಾಗುವ 67 ಉಚಿತ ಮಾದರಿಗಳಲ್ಲಿ 15 ಅನ್ನು ತೋರಿಸಲಾಗುತ್ತಿದೆ. ಎಲ್ಲಾ ಮಾದರಿಗಳನ್ನು ನೋಡಿ.
FreeLLMAPI ಕ್ಯಾಟಲಾಗ್ನಿಂದ ನೇರ ಡೇಟಾ (ಆವೃತ್ತಿ 2026.11.19, 2026-11-19 ರಂದು ಪರಿಶೀಲಿಸಲಾಗಿದೆ). ಉಚಿತ ಮಿತಿಗಳು ಆಗಾಗ್ಗೆ ಬದಲಾಗುತ್ತವೆ. ಕ್ಯಾಟಲಾಗ್ ಪ್ರತಿದಿನ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ.
Gemini ಮಾದರಿಗಳು ದೊಡ್ಡ ಸಂದರ್ಭ ನೀಡುತ್ತವೆ ಮತ್ತು ಅನೇಕ ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತವೆ. Groq ಮತ್ತು Cloudflare ನಲ್ಲಿರುವ Qwen 3.8 27B, Google ಹೊರಗಿನ ವೇಗದ ಆಯ್ಕೆ. Moondream ಚಿತ್ರ ಕಾರ್ಯಗಳಿಗಾಗಿ ಮಾಡಲಾಗಿದೆ, ಆದರೆ ಅದರ ಔಟ್ಪುಟ್ 4,096 ಟೋಕನ್ಗಳಿಗೆ ಸೀಮಿತ.
ಹಂತ 1: FreeLLMAPI ಸ್ಥಾಪಿಸಿ ಮತ್ತು ಕೀಗಳನ್ನು ಸೇರಿಸಿ
FreeLLMAPI ಮುಕ್ತ ಮೂಲದ್ದು. ಇದು Docker ನಲ್ಲಿ ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ನಲ್ಲಿ ಚಲಿಸುತ್ತದೆ. ನಿಮ್ಮ ಪೂರೈಕೆದಾರ ಕೀಗಳು ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ನಲ್ಲಿಯೇ ಉಳಿಯುತ್ತವೆ.
ಸ್ಥಾಪಿಸಿ (macOS ಅಥವಾ Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 ನಲ್ಲಿ ಡ್ಯಾಶ್ಬೋರ್ಡ್ ತೆರೆಯಿರಿ. Keys ಪುಟದಲ್ಲಿ ಒಂದು Google AI Studio ಕೀ ಮತ್ತು ಇನ್ನೊಂದು ಕೀ ಸೇರಿಸಿ. Fallback Chain ಪುಟದಲ್ಲಿ, vision ಮಾದರಿಗಳಿಗೆ Vision ಬ್ಯಾಡ್ಜ್ ಇರುತ್ತದೆ. ಕನಿಷ್ಠ ಒಂದು ಸಕ್ರಿಯವಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿ. Keys ಪುಟದಿಂದ ನಿಮ್ಮ ಏಕೀಕೃತ ಕೀಯನ್ನು ನಕಲಿಸಿ.
ಹಂತ 2: ಚಿತ್ರ ಕಳುಹಿಸಿ
curl: URL ನಿಂದ ಚಿತ್ರ
curl http://localhost:3001/v1/chat/completions \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{
"model": "auto",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "Describe this image in two sentences."},
{"type": "image_url", "image_url": {"url": "https://upload.wikimedia.org/wikipedia/commons/4/47/PNG_transparency_demonstration_1.png"}}
]
}]
}'Python: base64 ಆಗಿ ಸ್ಥಳೀಯ ಫೈಲ್
import base64
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
with open("receipt.jpg", "rb") as fh:
b64 = base64.b64encode(fh.read()).decode()
resp = client.chat.completions.with_raw_response.create(
model="auto", # the router selects a vision model
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "List each item and price on this receipt as JSON."},
{"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
],
}],
)
print("Routed via:", resp.headers.get("x-routed-via"))
print(resp.parse().choices[0].message.content)data URL ನಲ್ಲಿ ಸರಿಯಾದ MIME ಪ್ರಕಾರ ಬಳಸಿ, ಉದಾಹರಣೆಗೆ image/png ಅಥವಾ image/jpeg. ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಚಿತ್ರಗಳನ್ನು ಕಳುಹಿಸಲು, ಅದೇ ಸಂದೇಶಕ್ಕೆ ಹೆಚ್ಚು image_url ಬ್ಲಾಕ್ಗಳನ್ನು ಸೇರಿಸಿ.
ಪೂರೈಕೆದಾರರ ಪ್ರಕಾರ ಚಿತ್ರ ಮಿತಿಗಳು
| ಪೂರೈಕೆದಾರ | ಮಿತಿ (ಅಧಿಕೃತ) | ಏನು ಮಾಡಬೇಕು |
|---|---|---|
| Google Gemini | ಇನ್ಲೈನ್ ಚಿತ್ರಗಳೊಂದಿಗೆ ಒಟ್ಟು ವಿನಂತಿ ಗಾತ್ರ: 20 MB. ಸ್ವರೂಪಗಳು: PNG, JPEG, WEBP, HEIC, HEIF | ಕಳುಹಿಸುವ ಮೊದಲು ದೊಡ್ಡ ಫೋಟೋಗಳನ್ನು ಚಿಕ್ಕದಾಗಿಸಿ |
| Google Gemini | 384x384 ಪಿಕ್ಸೆಲ್ಗಳವರೆಗಿನ ಚಿತ್ರಕ್ಕೆ 258 ಟೋಕನ್ಗಳು ವೆಚ್ಚವಾಗುತ್ತವೆ. ದೊಡ್ಡ ಚಿತ್ರಗಳನ್ನು 768x768 ಟೈಲ್ಗಳಾಗಿ ಕತ್ತರಿಸಲಾಗುತ್ತದೆ, ಪ್ರತಿಯೊಂದಕ್ಕೂ 258 ಟೋಕನ್ಗಳು | 960x540 ಚಿತ್ರ 6 ಟೈಲ್ಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಸುಮಾರು 1,548 ಟೋಕನ್ಗಳು |
| Groq (Qwen 3.8 27B) | ಪ್ರತಿ ವಿನಂತಿಗೆ ಗರಿಷ್ಠ 3 ಚಿತ್ರಗಳು. ಚಿತ್ರ URL ಇರುವ ವಿನಂತಿಗೆ ಗರಿಷ್ಠ 20 MB | Groq ಮಾದರಿಗಳಿಗೆ ಗರಿಷ್ಠ 3 ಚಿತ್ರಗಳನ್ನು ಮಾತ್ರ ಕಳುಹಿಸಿ |
| Moondream | ಕೇವಲ Base64 data URL ಗಳು. ದೂರಸ್ಥ ಚಿತ್ರ URL ಗಳಿಗೆ ಬೆಂಬಲವಿಲ್ಲ | ಲಿಂಕ್ ಅಲ್ಲ, ಚಿತ್ರದ ಬೈಟ್ಗಳನ್ನು ಕಳುಹಿಸಿ |
ಚಿತ್ರ ಟೋಕನ್ಗಳು ಉಚಿತ ಶ್ರೇಣಿಯ ಪ್ರತಿ ನಿಮಿಷದ ಟೋಕನ್ ಮಿತಿಗೆ ಎಣಿಕೆಯಾಗುತ್ತವೆ. ಐದು ದೊಡ್ಡ ಚಿತ್ರಗಳಿರುವ ವಿನಂತಿ ಚಿಕ್ಕ ಪೂರೈಕೆದಾರರ ಮಿತಿಗಿಂತ ದೊಡ್ಡದಾಗಿರಬಹುದು. ಸೂಕ್ಷ್ಮ ವಿವರ ಬೇಡದಿದ್ದಾಗ ಚಿತ್ರಗಳನ್ನು ಚಿಕ್ಕದಾಗಿಸಿ, ಉದಾಹರಣೆಗೆ ಉದ್ದ ಬದಿಯಲ್ಲಿ 1024 ಪಿಕ್ಸೆಲ್ಗಳು.
ಚಿತ್ರ ಕಾರ್ಯಗಳಿಗೆ ಕೆಲಸ ಮಾಡುವ ಪ್ರಾಂಪ್ಟ್ಗಳು
- ಪ್ರತಿ ವಿನಂತಿಗೆ ಒಂದು ಕಾರ್ಯ: ಚಿತ್ರದ ಬಗ್ಗೆ ಒಂದು ಸ್ಪಷ್ಟ ಪ್ರಶ್ನೆ ಕೇಳಿ. ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ನಲ್ಲಿ ಹಲವು ಪ್ರಶ್ನೆಗಳು ಚಿಕ್ಕ ಮತ್ತು ಕಡಿಮೆ ನಿಖರ ಉತ್ತರಗಳನ್ನು ನೀಡುತ್ತವೆ.
- ರಚನಾತ್ಮಕ ಔಟ್ಪುಟ್: ರಶೀದಿಗಳು ಮತ್ತು ಫಾರ್ಮ್ಗಳಿಗೆ, ನಿಮಗೆ ಬೇಕಾದ ಕ್ಷೇತ್ರಗಳನ್ನು ಹೆಸರಿಸಿ, ಉದಾಹರಣೆಗೆ
item,priceಮತ್ತುtotal. ಕೇವಲ JSON ಕೇಳಿ. - ಓದಲಾಗದ ಮೌಲ್ಯಗಳು: ಒಂದು ಮೌಲ್ಯವನ್ನು ಓದಲು ಸಾಧ್ಯವಾಗದಿದ್ದಾಗ
nullಬರೆಯಲು ಮಾದರಿಗೆ ಹೇಳಿ. ಆಗ ಅದು ಊಹಿಸುವುದಿಲ್ಲ. - ಮೊದಲು ಕತ್ತರಿಸಿ: ನಿಮಗೆ ಬೇಕಾದ ಭಾಗಕ್ಕೆ ಚಿತ್ರವನ್ನು ಕತ್ತರಿಸಿ. ಚಿಕ್ಕ ಚಿತ್ರ ಕಡಿಮೆ ಟೋಕನ್ಗಳನ್ನು ಬಳಸಿ ಉತ್ತಮ ವಿವರ ನೀಡುತ್ತದೆ.
- ಸ್ಥಿರ ಉತ್ತರಗಳು: ಹೊರತೆಗೆಯುವ ಕಾರ್ಯಗಳಿಗೆ
temperatureಅನ್ನು 0 ಗೆ ಹೊಂದಿಸಿ. - ಸಂಖ್ಯೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ: ಒಟ್ಟು ಮೊತ್ತ ಮತ್ತು ದಿನಾಂಕಗಳನ್ನು ಚಿತ್ರದೊಂದಿಗೆ ಹೋಲಿಸಿ. vision ಮಾದರಿಗಳು ಸಣ್ಣ ಪಠ್ಯ ಮತ್ತು ಹೋಲುವ ಅಂಕಿಗಳನ್ನು ತಪ್ಪಾಗಿ ಓದಬಹುದು.
ದೋಷ ನಿವಾರಣೆ
| ಸಮಸ್ಯೆ | ಕಾರಣ | ಪರಿಹಾರ |
|---|---|---|
ದೋಷ 422 no_vision_model | ನಿಮ್ಮ ಸರಣಿಯಲ್ಲಿ ಯಾವ vision ಮಾದರಿಯೂ ಸಕ್ರಿಯವಾಗಿಲ್ಲ | Fallback Chain ಪುಟದಲ್ಲಿ Vision ಬ್ಯಾಡ್ಜ್ ಇರುವ ಮಾದರಿಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ |
| ಮಾದರಿ ಚಿತ್ರವನ್ನು ನೋಡಲಾಗುತ್ತಿಲ್ಲ ಎನ್ನುತ್ತದೆ | ವಿನಂತಿ /v1/responses ಗೆ ಹೋಯಿತು | /v1/chat/completions ಬಳಸಿ |
| ದೂರಸ್ಥ URL ನಲ್ಲಿ ದೋಷ 400 | ಪೂರೈಕೆದಾರರು URL ಅನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ | ಚಿತ್ರವನ್ನು base64 data URL ಆಗಿ ಕಳುಹಿಸಿ |
| ದೊಡ್ಡ ಫೈಲ್ಗಳಲ್ಲಿ ದೋಷ 413 ಅಥವಾ 400 | ಚಿತ್ರ ಅಥವಾ ವಿನಂತಿ ತುಂಬಾ ದೊಡ್ಡದು | ಚಿತ್ರವನ್ನು ಚಿಕ್ಕದಾಗಿಸಿ, ಅಥವಾ ಕಡಿಮೆ ಚಿತ್ರಗಳನ್ನು ಕಳುಹಿಸಿ |
| ಚಿತ್ರ ವಿನಂತಿಗಳಲ್ಲಿ ದೋಷ 429 | ಚಿತ್ರ ಟೋಕನ್ಗಳು ಪ್ರತಿ ನಿಮಿಷದ ಟೋಕನ್ ಮಿತಿಯನ್ನು ಬಳಸಿವೆ | ಚಿತ್ರಗಳನ್ನು ಚಿಕ್ಕದಾಗಿಸಿ, ಅಥವಾ ಹೆಚ್ಚು vision ಪೂರೈಕೆದಾರರಿಂದ ಕೀಗಳನ್ನು ಸೇರಿಸಿ |
ಪದೇ ಪದೇ ಕೇಳುವ ಪ್ರಶ್ನೆಗಳು
ಉಚಿತ vision API ಇದೆಯೇ?
ಹೌದು. Google AI Studio, Groq, Cloudflare, NVIDIA, OpenRouter ಮತ್ತು ಇತರ ಪೂರೈಕೆದಾರರು ಚಿತ್ರ ಇನ್ಪುಟ್ ಇರುವ ಉಚಿತ ಮಾದರಿಗಳನ್ನು ನೀಡುತ್ತಾರೆ. FreeLLMAPI ಒಂದು OpenAI-ಹೊಂದಾಣಿಕೆಯ ಕೀ ಹಿಂದೆ 78 ಉಚಿತ vision ಮಾದರಿ ಆಫರ್ಗಳನ್ನು ಹೊಂದಿದೆ.
ಉಚಿತ LLM API ಗೆ ಚಿತ್ರವನ್ನು ಹೇಗೆ ಕಳುಹಿಸುವುದು?
ಬಳಕೆದಾರ ಸಂದೇಶಕ್ಕೆ image_url ವಿಷಯ ಬ್ಲಾಕ್ ಸೇರಿಸಿ. base64 data URL ಅಥವಾ https URL ಬಳಸಿ, ಮತ್ತು /v1/chat/completions ಗೆ ಕಳುಹಿಸಿ.
ಒಂದು ಚಿತ್ರ ಎಷ್ಟು ಟೋಕನ್ಗಳನ್ನು ಬಳಸುತ್ತದೆ?
Gemini ನಲ್ಲಿ, 384x384 ಪಿಕ್ಸೆಲ್ಗಳು ಅಥವಾ ಚಿಕ್ಕ ಚಿತ್ರ 258 ಟೋಕನ್ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ದೊಡ್ಡ ಚಿತ್ರವನ್ನು 768x768 ಟೈಲ್ಗಳಾಗಿ ಕತ್ತರಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಪ್ರತಿ ಟೈಲ್ 258 ಟೋಕನ್ಗಳನ್ನು ಬಳಸುತ್ತದೆ.
ಒಂದು ವಿನಂತಿಯಲ್ಲಿ ಹಲವು ಚಿತ್ರಗಳನ್ನು ಕಳುಹಿಸಬಹುದೇ?
ಹೌದು. ಸಂದೇಶಕ್ಕೆ ಹೆಚ್ಚು image_url ಬ್ಲಾಕ್ಗಳನ್ನು ಸೇರಿಸಿ. ಕೆಲವು ಪೂರೈಕೆದಾರರು ಸಂಖ್ಯೆಯನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತಾರೆ. ಉದಾಹರಣೆಗೆ, Groq Qwen 3.8 27B ನಲ್ಲಿ ಪ್ರತಿ ವಿನಂತಿಗೆ 3 ಚಿತ್ರಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
ದಾಖಲೆಗಳನ್ನು ಓದಲು ಯಾವ ಉಚಿತ vision ಮಾದರಿ ಉತ್ತಮ?
ರಶೀದಿಗಳು, ಚಾರ್ಟ್ಗಳು ಮತ್ತು ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಪುಟಗಳಿಗೆ Gemini ಮಾದರಿ ಬಳಸಿ. ಅದಕ್ಕೆ ದೊಡ್ಡ ಸಂದರ್ಭ ವಿಂಡೋ ಇದೆ ಮತ್ತು ಅನೇಕ ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ. vision ಮಾದರಿಗಳು ಸಣ್ಣ ಪಠ್ಯವನ್ನು ತಪ್ಪಾಗಿ ಓದಬಹುದಾದ್ದರಿಂದ, ಸಂಖ್ಯೆಗಳಿಗಾಗಿ ಉತ್ತರವನ್ನು ಚಿತ್ರದೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿ.
ಸಂಬಂಧಿತ ಮಾರ್ಗದರ್ಶಿಗಳು
ಮೂಲಗಳು
- FreeLLMAPI docs: Vision and image input (20 November 2026 ರಂದು ಪರಿಶೀಲಿಸಲಾಗಿದೆ)
- Google AI Studio docs: Image understanding (20 November 2026 ರಂದು ಪರಿಶೀಲಿಸಲಾಗಿದೆ)
- Groq docs: Vision (20 November 2026 ರಂದು ಪರಿಶೀಲಿಸಲಾಗಿದೆ)
- Moondream OpenAI-compatible API docs (20 November 2026 ರಂದು ಪರಿಶೀಲಿಸಲಾಗಿದೆ)