# Vision: model-কে image পাঠানো > Chat Completions-এ (image_url part) বা Messages-এ (image block) model-কে image পাঠানোর নিয়ম: URL আর base64 দুটো form, size limit, gateway কী translate করে, image input-এর billing, আর model image নেয় কি না কীভাবে যাচাই করবেন। Vision মানে model-কে একটা image পাঠিয়ে সেটা নিয়ে প্রশ্ন করা: যেমন error-এর screenshot, কোনো diagram, বা whiteboard-এর ছবি। Tokens-এ image আলাদা করে যায় না, সাধারণ chat request-এর ভেতরেই যায়। `POST https://tokens.bd/v1/chat/completions`-এ যায় `image_url` content part হিসেবে, আর `POST https://tokens.bd/v1/messages`-এ `image` content block হিসেবে। gateway image-টা provider পর্যন্ত পৌঁছে দেয় আর provider যা report করে, সেটাই bill করে। model image পড়তে পারবে কি না, সেটা model-এর ওপর নির্ভর করে। Tokens-এ আলাদা কোনো image endpoint নেই। image generation, file upload আর Anthropic Files API এখানে চলে না ([Models ও usage](/docs/models-and-usage) দেখুন)। এই পেজ শুধু image **input** নিয়ে। ## Model image নেয় কি না যাচাই করুন সব model image পড়তে পারে না। [/models](/models) পেজের model catalog-এ প্রতিটা model-এর context window, দাম আর বর্ণনা আছে, কিন্তু "image support করে" বলে আলাদা কোনো field নেই। জানার উপায়: - [/models](/models) পেজে model-এর বর্ণনা পড়ুন, আর model-টা যারা বানিয়েছে তাদের নিজেদের documentation দেখুন। - [Model বেছে নেওয়া](/docs/choosing-a-model) পেজের vision অংশে কয়েকটা model-এর তালিকা আছে, কোনটা কী নেয় সেই হিসেবে। - একটা ছোট test image পাঠিয়ে (নিচের উদাহরণগুলো) জিজ্ঞেস করুন "What is in this image?"। যে model image পড়ে, সে ছবি নিয়েই উত্তর দেবে। text-only model সব সময় জোরে আওয়াজ করে fail করে না। সেটা provider-এর সিদ্ধান্ত: হয় `400` পাঠাবে (আপনার কাছে আসবে `invalid_request` হয়ে, [errors](/docs/errors) দেখুন), নয়তো image বাদ দিয়ে শুধু text দেখে উত্তর দেবে। উত্তরে ছবির কোনো ছাপ না থাকলে ধরে নিন, এই model image নেয় না। ## Chat Completions: image_url part message-এর `content`-এ string-এর বদলে একটা array দিন। array-র প্রতিটা element হয় `text` part, নয়তো `image_url` part। `url` হবে একটা public `https` URL, অথবা base64 data URL (`data:;base64,`)। ```json { "role": "user", "content": [ { "type": "text", "text": "What does this error screenshot say?" }, { "type": "image_url", "image_url": { "url": "data:image/png;base64,", "detail": "auto" } } ] } ``` `detail` হলো OpenAI-এর optional hint (`low`, `high` বা `auto`; না দিলে `auto`)। অন্য provider এটা না-ও মানতে পারে। Anthropic-style provider-এর জন্য gateway যখন request translate করে, তখন `detail` বাদ দিয়ে দেয় (নিচে দেখুন)। :::code-tabs ```bash title="cURL (public URL)" curl https://tokens.bd/v1/chat/completions \ -H "Authorization: Bearer $TOKENS_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "deepseek/deepseek-v4.1-flash", "max_tokens": 300, "messages": [ { "role": "user", "content": [ {"type": "image_url", "image_url": {"url": "https://YOUR-HOST/path/to/image.png"}}, {"type": "text", "text": "Describe this image in two sentences."} ] } ] }' ``` ```python title="Python (local file)" import base64 import os from openai import OpenAI client = OpenAI(base_url="https://tokens.bd/v1", api_key=os.environ["TOKENS_API_KEY"]) with open("screenshot.png", "rb") as f: b64 = base64.b64encode(f.read()).decode("ascii") resp = client.chat.completions.create( model="deepseek/deepseek-v4.1-flash", max_tokens=300, messages=[ { "role": "user", "content": [ {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}, {"type": "text", "text": "Describe this image in two sentences."}, ], } ], ) print(resp.choices[0].message.content) print(resp.usage) ``` ```typescript title="Node.js (local file)" import fs from "node:fs"; import OpenAI from "openai"; const client = new OpenAI({ baseURL: "https://tokens.bd/v1", apiKey: process.env.TOKENS_API_KEY }); const b64 = fs.readFileSync("screenshot.png").toString("base64"); const resp = await client.chat.completions.create({ model: "deepseek/deepseek-v4.1-flash", max_tokens: 300, messages: [ { role: "user", content: [ { type: "image_url", image_url: { url: `data:image/png;base64,${b64}` } }, { type: "text", text: "Describe this image in two sentences." }, ], }, ], }); console.log(resp.choices[0].message.content, resp.usage); ``` ::: `https://YOUR-HOST/path/to/image.png`-এর জায়গায় আপনার নিজের image-এর link বসান। data URL-এর `media type` ফাইলের সাথে মিলতে হবে (`image/png`, `image/jpeg`, `image/webp`, `image/gif`)। :::note[URL দেওয়া image কে আনে] `https` URL দিলে Tokens image download করে না। URL-টা যেমন আছে তেমন forward করে দেয়, আর image আনে provider। তাই link-টা public হতে হবে আর provider সেখানে পৌঁছাতে পারতে হবে। কোনো কোনো provider শুধু base64 data URL নেয়। URL দিলে fail করছে কিন্তু একই image base64-এ চলছে, তাহলে base64-ই ব্যবহার করুন। ::: ## Messages: image content block `/v1/messages`-এ image হলো `source`-ওয়ালা একটা content block। Tokens-এ দুই ধরনের source চলে: ```json { "role": "user", "content": [ { "type": "image", "source": { "type": "base64", "media_type": "image/png", "data": "" } }, { "type": "text", "text": "What does this error screenshot say?" } ] } ``` ```json { "type": "image", "source": { "type": "url", "url": "https://YOUR-HOST/path/to/image.png" } } ``` `data` হবে খাঁটি base64 string, শুরুতে `data:` prefix থাকবে না। Anthropic-এর তৃতীয় source `{"type": "file", "file_id": "..."}` চলতে হলে তাদের Files API লাগে, যেটা Tokens-এ নেই। তাই image-টাই সরাসরি পাঠান। :::code-tabs ```bash title="cURL (public URL)" curl https://tokens.bd/v1/messages \ -H "x-api-key: $TOKENS_API_KEY" \ -H "anthropic-version: 2023-06-01" \ -H "content-type: application/json" \ -d '{ "model": "deepseek/deepseek-v4.1-flash", "max_tokens": 300, "messages": [ { "role": "user", "content": [ {"type": "image", "source": {"type": "url", "url": "https://YOUR-HOST/path/to/image.png"}}, {"type": "text", "text": "Describe this image in two sentences."} ] } ] }' ``` ```python title="Python (local file)" import base64 import os import anthropic client = anthropic.Anthropic(base_url="https://tokens.bd", api_key=os.environ["TOKENS_API_KEY"]) with open("screenshot.png", "rb") as f: b64 = base64.standard_b64encode(f.read()).decode("ascii") message = client.messages.create( model="deepseek/deepseek-v4.1-flash", max_tokens=300, messages=[ { "role": "user", "content": [ {"type": "image", "source": {"type": "base64", "media_type": "image/png", "data": b64}}, {"type": "text", "text": "Describe this image in two sentences."}, ], } ], ) print(message.content[0].text) print(message.usage) ``` ```typescript title="Node.js (local file)" import fs from "node:fs"; import Anthropic from "@anthropic-ai/sdk"; const client = new Anthropic({ baseURL: "https://tokens.bd", apiKey: process.env.TOKENS_API_KEY }); const b64 = fs.readFileSync("screenshot.png").toString("base64"); const message = await client.messages.create({ model: "deepseek/deepseek-v4.1-flash", max_tokens: 300, messages: [ { role: "user", content: [ { type: "image", source: { type: "base64", media_type: "image/png", data: b64 } }, { type: "text", text: "Describe this image in two sentences." }, ], }, ], }); console.log(message.content[0], message.usage); ``` ::: Anthropic-এর পরামর্শ: যে text দিয়ে image নিয়ে প্রশ্ন করছেন, image রাখুন তার আগে। একাধিক image থাকলে text-এ label দিন ("Image 1:", "Image 2:"), তাহলে পরে নাম ধরে বলা যাবে। conversation-এর আগের image model-এর চোখের সামনেই থাকে, কিন্তু প্রতিটা request-এ সেগুলো আবার পাঠাতে হবে, কারণ API কিছু মনে রাখে না। ## Command line থেকে base64 base64 image এত বড় যে `curl -d '...'` argument-এ হাতে লেখা যায় না। request-টা একটা file-এ লিখে সেই file পাঠান। macOS আর Linux-এ, `jq` install থাকলে: ```bash base64 screenshot.png | tr -d '\n' > screenshot.b64 jq -n --rawfile img screenshot.b64 '{ model: "deepseek/deepseek-v4.1-flash", max_tokens: 300, messages: [{ role: "user", content: [ {type: "image_url", image_url: {url: ("data:image/png;base64," + $img)}}, {type: "text", text: "Describe this image in two sentences."} ] }] }' > request.json curl https://tokens.bd/v1/chat/completions \ -H "Authorization: Bearer $TOKENS_API_KEY" \ -H "Content-Type: application/json" \ -d @request.json ``` ## Image নিয়ে gateway কী করে native request-এ (provider আপনার request-এর format-ই বোঝে) gateway body forward করে, শুধু `model` field বদলায় (আর stream করা Chat Completions-এ usage report করার একটা option যোগ করে)। image decode, resize বা যাচাই কিছুই করে না। কিছু model এমন provider-এর কাছেই পাওয়া যায়, যে অন্য format বোঝে। তখন gateway request translate করে, আর image-এর ক্ষেত্রে হয় এরকম: | আপনার request | Provider যে format বোঝে | Image-এর কী হয় | | ----------------------------------- | ----------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Messages (`image` block) | OpenAI format | Base64 হয়ে যায় data URL, আর URL থাকে URL-ই, user message-এর `image_url` part হিসেবে। `assistant` turn-এর image বাদ পড়ে। `tool_result`-এর ভেতরের image আর image হিসেবে যায় না (সতর্কতাটা দেখুন)। | | Chat Completions (`image_url` part) | Anthropic format | data URL হয়ে যায় base64 `image` block, অন্য যেকোনো URL হয় URL `image` block। `detail` বাদ পড়ে। শুধু `user` message-এর image যায়। | :::warning[Tool result-এর ভেতরের image] যে Messages request gateway OpenAI format-এ translate করে, সেখানে `tool_result`-এর content-এ `image` block থাকলে পুরোটা text হয়ে যায়, আর image block-টা JSON হিসেবে সেই text-এর ভেতরে লেখা হয়। model কোনো ছবি দেখে না, উল্টে base64 data input token হিসেবে গোনা হয়। আপনার agent যদি tool থেকে screenshot ফেরত দেয়, তাহলে Anthropic format-এ চলে এমন model নিন, অথবা tool-কে দিয়ে image-টার বর্ণনা text-এ ফেরত দেওয়ান। ::: translation-এর একই নিয়ম আর যেসব field সাথে যায়, সেগুলো [Messages](/docs/messages) পেজে লেখা আছে। ## Size limit দুটো limit আছে, আর যেটা ছোট সেটাই খাটে। **Tokens:** পুরো request body সর্বোচ্চ 10 MB হতে পারে, নইলে gateway `413 request_entity_too_large` দেয়। base64 করলে data ফাইলের চেয়ে প্রায় এক-তৃতীয়াংশ বড় হয়ে যায়। তাই এক request-এর সব image মিলিয়ে বড়জোর প্রায় 7 MB-র image file যেতে পারে, আর text এবং আগের turn গুনলে আরও কম। প্রতিটা request পুরো conversation আবার পাঠায়, আগের image-সহ। **Provider:** image-এর format, dimension, সংখ্যা আর প্রতিটা image-এর size নিয়ে প্রত্যেক provider-এর নিজস্ব limit আছে। October 2026-এ যেমন দেখা গেছে: - Anthropic: JPEG, PNG, GIF (শুধু প্রথম frame) আর WebP; প্রতি image সর্বোচ্চ 8000 x 8000 pixel; প্রতি image 10 MB (base64); 200K-token context window-ওয়ালা model-এ এক request-এ 100টা পর্যন্ত image, বাকি model-এ 600টা। এক request-এ 20টার বেশি image হলে প্রতি image-এর pixel-এর কড়াকড়ি বাড়ে, আর Anthropic প্রতিটা পাশ 2000 px-এর মধ্যে রাখতে বলে। সূত্র: [Anthropic-এর vision documentation](https://platform.claude.com/docs/en/build-with-claude/vision)। - OpenAI: PNG, JPEG, WebP আর animation ছাড়া GIF; এক request-এ 1,500টা পর্যন্ত image। সূত্র: [OpenAI-এর images ও vision guide](https://developers.openai.com/api/docs/guides/images-vision)। OpenAI-এর 512 MB payload limit Tokens-এর 10 MB-র চেয়ে বড়, তাই আগে Tokens-এর limit-ই লাগে। - অন্য maker-রা নিজেদের limit নিজেরা প্রকাশ করে। যে model ব্যবহার করছেন, তার maker-এর documentation দেখে নিন। বড় ছবি পাঠানোর আগে resize করে নিন। ফোনের ছবি প্রায়ই 4000 pixel চওড়া হয়, আর model সেটা এমনিই ছোট করে নেয়। ফলে upload-এর size আর latency-র দাম দিচ্ছেন, কিন্তু detail বাড়ছে না। screenshot-এর লেখা যেন পড়া যায়, সেদিকে খেয়াল রাখুন: JPEG বেশি জোরে compress করলে ছোট লেখা আর পড়া যায় না। ## Image input-এর billing provider image-কে input token-এ রূপান্তর করে, আর মোট সংখ্যাটা `usage`-এ report করে। Tokens সেই input count-কে model-এর input price ধরে bill করে, অন্য যেকোনো input-এর মতোই। মোটামুটি, provider-রা image গোনে patch ধরে: Anthropic-এর documentation অনুযায়ী প্রতি image-এ `ceil(width / 28) x ceil(height / 28)` token, তবে আগে image ছোট করে একটা সীমায় আনা হয় (standard tier-এ প্রায় 1,568 token, high-resolution tier-এ 4,784 পর্যন্ত)। OpenAI-র documentation-এ patch-based আর tile-based দুই রকম হিসাব আছে, যা model আর `detail`-এর ওপর নির্ভর করে। অন্যদের হিসাব আলাদা। তাই আপনার model-এর আসল খরচ জানতে একটা test request পাঠিয়ে `usage` দেখে নিন। Admission অন্য একটা সংখ্যা ধরে চলে। request forward করার আগে gateway আপনার ব্যালান্স থেকে তার worst-case খরচ reserve করে, আর input অংশের হিসাব ধরে request body-র প্রতি চার character-এ এক token। বড় base64 image মানে অনেক character, তাই কয়েক MB-র image-ওয়ালা request-এর reservation provider-এর শেষ পর্যন্ত যা charge করবে তার চেয়ে অনেক বেশি হতে পারে। আপনার কাছ থেকে আসল usage-ই কাটা হয়, reservation নয়। তবু ব্যালান্স কম থাকলে, বা key-র spend cap-এর কাছাকাছি থাকলে, যে request-এর খরচ আসলে খুবই কম হতো সেটাও `insufficient_credits` বা `monthly_spend_cap_exceeded` দিয়ে ফিরিয়ে দেওয়া হতে পারে। image resize করলে খরচও কমে, refusal-ও যায়। reservation নিয়ে বিস্তারিত [Chat Completions](/docs/chat-completions) পেজে আছে। ## সমস্যা হলে | লক্ষণ | সম্ভাব্য কারণ | সমাধান | | ------------------------------------------------------ | ------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------------- | | `400 invalid_request`, message-এ image বা content আছে | Model image input নেয় না, অথবা media type-টা সে support করে না | image নেয় এমন model চেষ্টা করুন; data URL-এর media type ফাইলের সাথে মিলছে কি না দেখুন। | | উত্তরে ছবির কোনো উল্লেখ নেই | text-only model-এ provider image বাদ দিয়ে দিয়েছে | image পড়ে এমন model-এ যান। | | `413 request_entity_too_large` | Body 10 MB-র বেশি, সাধারণত base64 image বা image-ভরা লম্বা history | Resize বা compress করুন, কম image পাঠান, অথবা পুরোনো turn বাদ দিন। | | ব্যালান্স অল্প, তবু `402 insufficient_credits` | input-এর হিসাবে base64-এর character-গুলোও ধরা হয় | image resize করুন, অথবা [billing](/dashboard/billing) থেকে টাকা যোগ করুন। | | URL image fail করে, base64 চলে | Provider URL আনতে পারেনি, অথবা শুধু base64 নেয় | base64 ব্যবহার করুন, নয়তো URL public করুন। | | tool screenshot-ওয়ালা Messages request, model কিছুই দেখে না | translate হওয়া model-এ `tool_result`-এর image text হয়ে যায় | উপরের সতর্কতাটা দেখুন। | error-এ কী ভুল হয়েছে স্পষ্ট না থাকলে upstream-এর message বদলে একটা সাধারণ message দেওয়া হয়। তখন `x-tokens-request-id` নিয়ে [Support](/docs/support)-এ জানান, আর code-গুলোর জন্য [errors](/docs/errors) দেখুন। --- Page: https://tokens.bd/bn/docs/vision