Мультимодальность определяется не только семейством модели, но и конкретной версией, endpoint и маршрутом.
Изображения в текстовом запросе#
Chat Completions обычно использует content parts типов text и image_url. Responses использует типизированные input Items. Messages использует собственные image source blocks.
Не переносите content block из одного диалекта в другой без преобразования.
Что проверить#
поддерживает ли выбранная модель изображения;
принимает ли она URL, base64 или загруженный файл;
допустимый MIME и размер;
максимальное число изображений;
влияет ли detail или resolution на стоимость;
возвращает ли модель только текст или ещё и медиа.
Большие файлы#
Не вставляйте большие двоичные файлы в JSON, если endpoint ожидает multipart/form-data или отдельную загрузку. Base64 увеличивает размер запроса.
Кросс-диалект#
Базовый image input может быть преобразован между Chat, Messages и Responses. PDF, audio, video, provider-specific file references и сложные мультимодальные blocks могут не иметь безопасного эквивалента.
Для критичного сценария используйте нативный пример со страницы модели и проверяйте его на реальном обезличенном файле.