Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Αποστολή Πολλαπλών Εικόνων σε Ένα Μήνυμα

Μάθημα 6 / 12 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Ανάλυση Πολλαπλών Εικόνων Ταυτόχρονα
  2. Δομή ενός Μηνύματος Πολλαπλών Εικόνων
  3. Παράδειγμα: Σύγκριση Δύο Εικόνων
  4. Εναλλαγή Κειμένου και Εικόνων
  5. Μαζική Επεξεργασία με Base64
  6. Όρια των Κλήσεων Πολλαπλών Εικόνων
  7. Στρατηγική για Μεγάλους Όγκους
  8. Βασικά σημεία

Ανάλυση Πολλαπλών Εικόνων Ταυτόχρονα

Το Vision API της Mistral δεν περιορίζεται σε μία εικόνα ανά μήνυμα. Μπορείτε να στείλετε πολλαπλές εικόνες σε μία μόνο κλήση, ζητώντας από το μοντέλο να τις συγκρίνει, να τις συνθέσει ή να τις αναλύσει collectively. Η διαφορά μεταξύ αυτής της προσέγγισης και δύο ξεχωριστών κλήσεων είναι κρίσιμη: σε μία ενιαία κλήση, το μοντέλο βλέπει και τις δύο εικόνες ταυτόχρονα και μπορεί να συλλογιστεί σχετικά με τις μεταξύ τους σχέσεις—κάτι που κανένας συνδυασμός μεμονωμένων απαντήσεων δεν θα μπορούσε να επιτύχει.

Αυτή η δυνατότητα ανοίγει περιπτώσεις χρήσης όπου το ερώτημα εστιάζει στη διαφορά παρά στο περιεχόμενο: συγκρίσεις πριν/μετά, ανάλυση σειρών εγγράφων ή οπτικοί έλεγχοι συμμόρφωσης.

Δομή ενός Μηνύματος Πολλαπλών Εικόνων

Η αρχή είναι απλή: προσθέστε πολλαπλά στοιχεία image_url στον πίνακα 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"}
    ]
}

Δεν απαιτείται ομοιογένεια: μπορείτε να αναμείξετε εικόνες μέσω URL και Base64 στο ίδιο μήνυμα. Αυτό είναι συχνό όταν χρειάζεται να συγκρίνετε μια φιλοξενούμενη εικόνα αναφοράς με ένα freshly generated τοπικό αρχείο.

Παράδειγμα: Σύγκριση Δύο Εικόνων

Σκεφτείτε έναν έλεγχο παραλαβής σε μια αποθήκη. Συγκρίνετε μια φωτογραφία αναφοράς του συμμορφούμενου προϊόντος με μια φωτογραφία του δείγματος που παραλήφθηκε, χρησιμοποιώντας ένα system prompt που ορίζει τον ρόλο του επιθεωρητή:

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)

Το κείμενο δηλώνει ρητά τη σειρά—«η πρώτη είναι η αναφορά»—επειδή το μοντέλο δεν μπορεί να τη μαντέψει.

Εναλλαγή Κειμένου και Εικόνων

Αυτή η προσέγγιση σειράς σύντομα φτάνει στα όριά της πέρα από τις δύο εικόνες. Μια πιο robust μέθοδος είναι να επισημαίνετε κάθε εικόνα ακριβώς πριν την παράθεσή της, εναλλάσσοντας στοιχεία text και 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."}
            ]
        }
    ]
)

Κάθε εικόνα φέρει πλέον τη δική της ετικέτα και η τελική ερώτηση έρχεται μόνο αφού παρουσιαστεί όλο το υλικό. Αυτή η μορφή βελτιώνει σημαντικά την κατανόηση του μοντέλου: γνωρίζει ότι το σχέδιο είναι το πρότυπο και η φωτογραφία είναι το αντικείμενο προς αξιολόγηση. Η αντιστροφή τους θα παρήγαγε μια ανεστραμμένη αναφορά αποκλίσεων.

Μαζική Επεξεργασία με Base64

Για έναν φάκελο τοπικών εικόνων, η δημιουργία του content γίνεται προγραμματιστικά. Συναρμολογείτε τη λίστα σε έναν βρόχο, κωδικοποιώντας κάθε αρχείο απευθείας:

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)

Η τομή images[:5] λειτουργεί ως δικλείδα ασφαλείας του script. Χωρίς αυτήν, ένας φάκελος με διακόσιες στιγμιότυπα οθόνης θα περνούσε ολόκληρος σε μία μόνο κλήση—με τις συνέπειες που περιγράφονται αμέσως παρακάτω.

Όρια των Κλήσεων Πολλαπλών Εικόνων

Δεν υπάρχει αυστηρό τεκμηριωμένο όριο στον αριθμό των εικόνων, αλλά δύο επιδράσεις συνδυάζονται πέρα από τις πέντε έως δέκα: η ποιότητα της ανάλυσης μειώνεται καθώς η προσοχή του μοντέλου αραιώνεται μεταξύ των εικόνων και το κόστος των tokens αυξάνεται απότομα. Θυμηθείτε την τάξη μεγέθους από το Μάθημα 2: κάθε εικόνα καταναλώνει 800 έως 1.500 tokens, οπότε πέντε εικόνες αντιπροσωπεύουν ήδη 5.000 έως 7.500 tokens prompt πριν καν ξεκινήσει η ερώτησή σας. Το σύνολο—εικόνες, κείμενο και απάντηση—πρέπει επίσης να χωράει στο παράθυρο συμφραζομένων (context window) του μοντέλου, ένα ανώτατο όριο που ένα batch εικόνων φτάνει πολύ γρηγορότερα από ένα έγγραφο κειμένου.

Αυτή η συνάρτηση υπολογίζει τον λογαριασμό πριν την κλήση και όχι μετά:

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

Στρατηγική για Μεγάλους Όγκους

Πέρα από τις πέντε εικόνες, αλλάξτε προσέγγιση αντί να επιμείνετε. Υπάρχουν τρεις δρόμοι, συχνά συνδυασμένοι. Η διαδοχική ανάλυση επεξεργάζεται τις εικόνες μία προς μία και στη συνέχεια συγκεντρώνει τα αποτελέσματα—το κόστος παραμένει γραμμικό και η ακρίβεια ανά εικόνα είναι μέγιστη. Η ομαδοποίηση batch στέλνει πακέτα τριών έως πέντε εικόνων, διατηρώντας κάποια σύγκριση εντός του batch. Το προ-φιλτράρισμα, τέλος, χρησιμοποιεί ένα ελαφρύτερο μοντέλο όπως το Small για να απορρίψει άσχετες εικόνες πριν παραδώσει τις σημαντικές περιπτώσεις στο Large.

Ο πρώτος δρόμος έχει έτσι, με μια τελική σύνθεση που διαχειρίζεται μόνο κείμενο:

# 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."
    }]
)

Το κόλπο βρίσκεται στη δεύτερη κλήση: δεν περιέχει εικόνες, άρα καθόλου οπτικά tokens. Συνθέτετε πενήντα εικόνες στην τιμή μερικών εκατοντάδων tokens κειμένου.

Βασικά σημεία

  • Μπορείτε να στείλετε πολλαπλές εικόνες σε ένα μήνυμα προσθέτοντας πολλαπλά στοιχεία image_url
  • Εναλλάσσετε κείμενο μεταξύ των εικόνων για να παρέχετε συμφραζόμενα στο μοντέλο
  • Κάθε εικόνα προσθέτει 800-1500 tokens—εκτιμήστε το κόστος σας πριν την κλήση
  • Πέρα από τις 5 εικόνες, προτιμήστε μια διαδοχική στρατηγική ή batch
  • Τα URLs και το Base64 μπορούν να αναμειχθούν στο ίδιο μήνυμα