Премини към основното съдържание
Български— Изберете език
Меню

Изпращане на няколко изображения в едно съобщение

Урок 6 от 12 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Едновременен анализ на няколко изображения
  2. Структура на съобщение с няколко изображения
  3. Пример: Сравняване на две изображения
  4. Редуване на текст и изображения
  5. Пакетна обработка с Base64
  6. Ограничения на заявките с няколко изображения
  7. Стратегия за големи обеми
  8. Ключови изводи

Едновременен анализ на няколко изображения

Vision API на Mistral не се ограничава до едно изображение на съобщение. Можете да изпратите няколко изображения в една заявка, за да поискате от модела да ги сравни, синтезира или анализира заедно. Разликата между това и две отделни заявки е съществена: при една заявка моделът вижда двете изображения едновременно и може да разсъждава върху връзките между тях – нещо, което никакво агрегиране на индивидуални отговори не би могло да постигне.

Тази възможност отваря врати за случаи на употреба, при които въпросът се фокусира върху разликата, а не върху съдържанието: сравнения „преди/след“, анализ на поредици от документи или проверки за визуално съответствие.

Структура на съобщение с няколко изображения

Принципът е прост: добавете няколко елемента image_url в масива content:

message = {
    "role": "user",
    "content": [
        {"type": "text", "text": "Compare these two images and describe the differences."},
        {"type": "image_url", "image_url": "https://example.com/image1.jpg"},
        {"type": "image_url", "image_url": "https://example.com/image2.jpg"}
    ]
}

Хомогенността не е задължителна: можете да смесвате изображения чрез URL и Base64 в едно и също съобщение. Това е често срещано, когато трябва да сравните референтно изображение, хоствано онлайн, с току-що генериран локален файл.

Пример: Сравняване на две изображения

Да разгледаме инспекция при получаване в склад. Сравнявате референтна снимка на съответстващия продукт със снимка на получения образец, като използвате системен промпт, който установява ролята на инспектора:

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "You are a quality control expert. Compare the provided images with precision."
        },
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Here are two photos of the same product. The first is the reference, the second is the received sample. Identify all differences."
                },
                {"type": "image_url", "image_url": "https://example.com/reference.jpg"},
                {"type": "image_url", "image_url": "https://example.com/sample.jpg"}
            ]
        }
    ]
)

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

Текстът изрично посочва реда – „първото е референтното“ – защото моделът не може да го предположи сам.

Редуване на текст и изображения

Този подход за подреждане бързо достига границите си при повече от две изображения. По-надежден метод е да етикетирате всяко изображение точно преди да го предоставите, редувайки елементите text и image_url:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Here is the original architectural plan:"},
                {"type": "image_url", "image_url": "https://example.com/plan-original.png"},
                {"type": "text", "text": "And here is the photo of the constructed building:"},
                {"type": "image_url", "image_url": "https://example.com/photo-batiment.jpg"},
                {"type": "text", "text": "Does the building match the plan? List the discrepancies."}
            ]
        }
    ]
)

Сега всяко изображение носи собствен етикет, а финалният въпрос идва едва след представянето на целия материал. Този формат значително подобрява разбирането на модела: той знае, че планът е стандартът, а снимката е обектът за оценка. Обръщането на реда би довело до обърнат доклад за несъответствията.

Пакетна обработка с Base64

За папка с локални изображения изграждането на content става програмно. Сглобявате списъка в цикъл, кодирайки всеки файл в реално време:

import base64
import os
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

def encode_image(path):
    with open(path, "rb") as f:
        b64 = base64.standard_b64encode(f.read()).decode("utf-8")
    ext = Path(path).suffix.lower()
    mime = {"jpg": "jpeg", "jpeg": "jpeg", "png": "png", "webp": "webp"}.get(ext.lstrip("."), "jpeg")
    return f"data:image/{mime};base64,{b64}"

# Load all images from a folder
folder = Path("captures/")
images = sorted(folder.glob("*.png"))

# Build the message content
content = [{"type": "text", "text": f"Analyze these {len(images)} screenshots and summarize common elements."}]
for img in images[:5]:  # Limit to max 5 images
    content.append({"type": "image_url", "image_url": encode_image(img)})

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[{"role": "user", "content": content}]
)

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

Срезът images[:5] е предпазната мярка на скрипта. Без него папка, съдържаща двеста екранни снимки, би била изпратена изцяло в една единствена заявка – с последствията, описани малко по-долу.

Ограничения на заявките с няколко изображения

Няма строго документиран лимит за броя изображения, но два ефекта се комбинират при над пет до десет: качеството на анализа се влошава, тъй като вниманието на модела се разпръсква между изображенията, а разходите за токени нарастват рязко. Спомнете си порядъка от Урок 2: всяко изображение консумира между 800 и 1500 токена, така че пет изображения вече представляват между 5000 и 7500 входни токена, преди въпросът Ви дори да започне. Общият сбор – изображения, текст и отговор – трябва също да се побере в контекстния прозорец на модела, таван, до който пакет от изображения достига много по-бързо от текстов документ.

Тази функция изчислява сметката преди заявката, а не след нея:

def estimate_multi_image_cost(num_images, tokens_per_image=1000, text_tokens=100, response_tokens=500):
    """Estimate total tokens for a multi-image call."""
    total_input = (num_images * tokens_per_image) + text_tokens
    total = total_input + response_tokens

    print(f"Images: {num_images} x {tokens_per_image} = {num_images * tokens_per_image} tokens")
    print(f"Prompt text: {text_tokens} tokens")
    print(f"Estimated response: {response_tokens} tokens")
    print(f"Estimated total: {total} tokens")
    return total

estimate_multi_image_cost(3)
# Images: 3 x 1000 = 3000 tokens
# Prompt text: 100 tokens
# Estimated response: 500 tokens
# Estimated total: 3600 tokens

Стратегия за големи обеми

При повече от пет изображения променете подхода си, вместо да настоявате. Съществуват три пътя, често комбинирани. Последователният анализ обработва изображенията едно по едно и след това агрегира резултатите – разходите остават линейни, а прецизността за всяко изображение е максимална. Груповото пакетиране изпраща пакети от три до пет изображения, запазвайки известно вътрешно-групово сравнение. Префилтрирането най-накрая използва по-лек модел като Small, за да отхвърли нерелевантните изображения, преди да предаде важните случаи на Large.

Първият път изглежда така, с финален синтез, който обработва само текст:

# Sequential analysis with aggregation
results = []
for img_path in images:
    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[{
            "role": "user",
            "content": [
                {"type": "text", "text": "Briefly describe the content of this image."},
                {"type": "image_url", "image_url": encode_image(img_path)}
            ]
        }]
    )
    results.append(response.choices[0].message.content)

# Final synthesis (text only)
synthesis = client.chat.complete(
    model="mistral-small-latest",
    messages=[{
        "role": "user",
        "content": f"Here are descriptions of {len(results)} images:\n\n" +
                   "\n---\n".join(results) +
                   "\n\nProvide a global synthesis."
    }]
)

Трикът е във втората заявка: тя не съдържа изображения, следователно няма визуални токени. Вие синтезирате петдесет изображения на цената на няколкостотин текстови токена.

Ключови изводи

  • Можете да изпратите няколко изображения в едно съобщение, като добавите множество елементи image_url
  • Редувайте текст между изображенията, за да предоставите контекст на модела
  • Всяко изображение добавя 800–1500 токена – оценете разходите си преди заявката
  • При повече от 5 изображения предпочитайте последователна или пакетирана стратегия
  • URL адресите и Base64 могат да се смесват в едно и също съобщение