Salt la conținutul principal
Română— Alege o limbă
Meniu

Trimiterea mai multor imagini într-un singur mesaj

Lecția 6 din 12 Actualizată 2 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Analiza simultană a mai multor imagini
  2. Structura unui mesaj cu mai multe imagini
  3. Exemplu: Compararea a două imagini
  4. Intercalarea textului și a imaginilor
  5. Procesarea în lot cu Base64
  6. Limitele apelurilor cu mai multe imagini
  7. Strategie pentru volume mari
  8. Puncte cheie

Analiza simultană a mai multor imagini

API-ul Vision de la Mistral nu se limitează la o singură imagine pe mesaj. Puteți trimite mai multe imagini într-o singură apelare pentru a cere modelului să le compare, să le sintetizeze sau să le analizeze împreună. Diferența față de două apeluri separate este crucială: într-o singură apelare, modelul vede ambele imagini simultan și poate raționa asupra relațiilor dintre ele – ceva ce nicio agregare de răspunsuri individuale nu ar putea realiza.

Această capacitate deblochează cazuri de utilizare în care întrebarea se concentrează pe decalaj mai degrabă decât pe conținut: comparații înainte/după, analiza seriilor de documente sau verificări vizuale de conformitate.

Structura unui mesaj cu mai multe imagini

Principiul este simplu: adăugați mai multe elemente image_url în tabloul 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"}
    ]
}

Omogenitatea nu este obligatorie: puteți amesteca imagini prin URL și Base64 în același mesaj. Acest lucru este frecvent atunci când trebuie să comparați o imagine de referință găzduită cu un fișier local generat recent.

Exemplu: Compararea a două imagini

Să luăm în considerare o inspecție la recepția unui depozit. Comparați o fotografie de referință a produsului conform cu o fotografie a eșantionului recepționat, folosind un prompt de sistem care stabilește rolul de inspector:

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)

Textul precizează explicit ordinea – „prima este referința“ – deoarece modelul nu o poate ghici.

Intercalarea textului și a imaginilor

Această abordare bazată pe ordonare își atinge rapid limitele dincolo de două imagini. O metodă mai robustă constă în etichetarea fiecărei imagini chiar înainte de a o furniza, alternând elementele text și 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."}
            ]
        }
    ]
)

Fiecare imagine poartă acum propria etichetă, iar întrebarea finală sosește abia după prezentarea tuturor materialelor. Acest format îmbunătățește semnificativ înțelegerea de către model: acesta știe că planul este standardul, iar fotografia este obiectul de evaluat. Inversarea lor ar produce un raport de neconformitate inversat.

Procesarea în lot cu Base64

Pentru un dosar de imagini locale, construirea conținutului content devine programatică. Asamblați lista într-o buclă, codificând fiecare fișier din mers:

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)

Felierea images[:5] reprezintă garda de siguranță a scriptului. Fără ea, un dosar conținând două sute de capturi de ecran ar intra integral într-o singură apelare – cu consecințele descrise mai jos.

Limitele apelurilor cu mai multe imagini

Nu există o limită strictă documentată privind numărul de imagini, dar dincolo de cinci până la zece imagini se combină două efecte: calitatea analizei se degradează pe măsură ce atenția modelului se diluează între imagini, iar costurile în tokeni cresc brusc. Reamintiți-vă ordinul de mărime din Lecția 2: fiecare imagine consumă între 800 și 1.500 de tokeni, astfel încât cinci imagini reprezintă deja între 5.000 și 7.500 de tokeni de prompt înainte ca întrebarea dumneavoastră să înceapă. Totalul – imagini, text și răspuns – trebuie, de asemenea, să se încadreze în fereastra de context a modelului, un plafon pe care un lot de imagini îl atinge mult mai rapid decât un document text.

Această funcție calculează factura înainte de apel, nu după:

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

Strategie pentru volume mari

Dincolo de cinci imagini, schimbați abordarea în loc să forțați trecerea. Există trei căi, adesea combinate. Analiza secvențială procesează imaginile una câte una, apoi agregă rezultatele – costul rămâne liniar, iar precizia per imagine este maximă. Gruparea în loturi trimite pachete de trei până la cinci imagini, păstrând o anumită comparație intra-lot. Prefiltrarea, în final, utilizează un model mai ușor, cum ar fi Small, pentru a elimina imaginile irelevante înainte de a transmite cazurile importante către Large.

Prima cale arată astfel, cu o sinteză finală care gestionează doar textul:

# 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."
    }]
)

Trucul constă în a doua apelare: aceasta nu conține nicio imagine, deci niciun token vizual. Sintetizați cincizeci de imagini la prețul a câtorva sute de tokeni textuali.

Puncte cheie

  • Puteți trimite mai multe imagini într-un singur mesaj adăugând mai multe elemente image_url
  • Intercalați textul între imagini pentru a oferi context modelului
  • Fiecare imagine adaugă 800-1500 de tokeni – estimați-vă costurile înainte de apelare
  • Dincolo de 5 imagini, preferați o strategie secvențială sau în loturi
  • URL-urile și Base64 pot fi amestecate în același mesaj