GPT-4V接口gpt-4-vision-preview简介

GPT-4V全称是GPT-4 with Vision，是一个多模态的能力，它可以理解图片，为用户解析图片并回答图片相关的问题。

GPT-4V可以准确理解图像的内容，识别图像中物体、计算物体的数量、提供图片相关的洞察和信息、提取文本等。更为强大的是，它可以识别表格转化成markdown格式，也可以针对柱状图等信息图表进行分析。

早先，GPT-4V刚推出的时候只有Web版本可以使用。在2023年11月6日，OpenAI官方推出了gpt-4-vision-preview版本接口，大家可以调用接口实现图像的理解。

与纯文本的大语言模型不同的是，图像的理解包含图片的解析，这部分无法单纯使用文本的tokens计算输入，而官方则是通过图像的清晰度（像素）来计算的。

在azure上使用GPT-4 Turbo with Vision Preview

GPT-4 Turbo with Vision Preview = gpt-4 (vision-preview). 如需部署模型, 在oai.azure.com 左侧边栏Deployments 下选的模型gpt-4. 模型版本 select vision-preview. （⚠️，模型属于公开预览，因此不建议放在生产环境使用）

可部署区域: Australia East , Sweden Central, Switzerland North, West US

api 版本选择用 2023-12-01-preview

GPT-4-Turbo 单订阅单区域 TPM：10K

常见文档：
https://learn.microsoft.com/en-us/azure/ai-services/openai/gpt-v-quickstart?tabs=image&pivots=rest-api

在azure 的Azure AI Studio 使用示例

调用代码

import os
import requests
import base64

# Configuration
GPT4V_KEY = "YOUR_API_KEY"
encoded_image = base64.b64encode(open(IMAGE_PATH, 'rb').read()).decode('ascii')
headers = {
    "Content-Type": "application/json",
    "api-key": GPT4V_KEY,
}

# Payload for the request
payload = {
  "messages": [
    {
      "role": "system",
      "content": [
        {
          "type": "text",
          "text": "You are an AI assistant that helps people find information."
        }
      ]
    }
  ],
  "temperature": 0.7,
  "top_p": 0.95,
  "max_tokens": 800
}

GPT4-V_ENDPOINT = "https://xx.openai.azure.com/openai/deployments/gpt-4-vision-preview/chat/completions?api-version=2023-07-01-preview"

# Send request
try:
    response = requests.post(GPT4-V_ENDPOINT, headers=headers, json=payload)
    response.raise_for_status()  # Will raise an HTTPError if the HTTP request returned an unsuccessful status code
except requests.RequestException as e:
    raise SystemExit(f"Failed to make the request. Error: {e}")

# Handle the response as needed (e.g., print or process)
print(response.json())

gpt-4-vision-preview接口的计算逻辑

与此前的文本数据类似，gpt-4-vision-preview也是按照输入和输出的tokens计算。如下所示：

GPT-4-Turbo 价格: Prompt $0.01/1000 token, Completion $0.03/1000 token

模型名称	输入费用	输出费用
gpt-4-vision-preview	$0.01 / 1K tokens	$0.03 / 1K tokens

但是由于多了图像的输入，因此需要先将图像转换成tokens计算。而图像的转换官方提供了一个计算逻辑，是按照图像区域计算，在官方的文档中一个图像的512*512像素区域（tile）算作170个tokens。每个图片需要额外增加一个固定的85个tokens。

举个例子来说，如果你输入一个150px × 150px的图像，那么它的tokens和输入费用计算如下：

计算项	计算结果
每1000个tokens费用（固定）	0.01美元
512 × 512区域（tiles）	1 × 1
总的区域（tiles）数量	1
基本tokens	85
区域（tiles）包含的tokens	170*1
总的tokens	170+85 = 255
总的费用	255*0.01/1000 = 0.00255美元

可以看到，一个150px × 150px的图像输入价格是0.00255美元。这里最核心的就是区域（tiles）计算。这里是长*宽的像素数计算的。因此，如果你的图片变成513*150，由于长超过了512，向上取整，那么这里就是2*1是2个区域，上面的tokens就变成2*170+85=425，最终的费用就是0.00425美元。如果是513*513大小，那么区域（tiles）就是4个了，最终的tokens就是4*170+85=765个tokens。

参考资料:

OpenAI最新的GPT-4V的多模态API接口是如何计算tokens的？这些计算逻辑背后透露了GPT-4V什么样的模型架构信息？ | 数据学习者官方网站(Datalearner)