GPT-4 Vision预览版OCR增强API调用报400错误求助

问题根源 #

你错误地将检索增强生成(RAG) API的请求参数（enhancements、dataSources）应用到了GPT-4V视觉API请求中，而GPT-4V的视觉接口并不支持这些参数，因此触发了参数验证错误。

正确的GPT-4V视觉API请求结构 #

调用GPT-4V进行视觉分析（含OCR）时，无需添加enhancements和dataSources字段，只需在请求体的messages中传递图片内容，并通过提示词引导模型执行OCR任务即可。示例请求体如下：

{
  "model": "gpt-4-vision-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "请提取这张图片中的所有文字"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://example.com/your-image.jpg"
          }
        }
      ]
    }
  ],
  "max_tokens": 300
}

额外说明 #

如果需要借助Azure Computer Vision的OCR能力而非GPT-4V内置的OCR，需单独调用Azure Computer Vision的OCR API，将识别结果作为文本输入传递给GPT-4V，而不是通过enhancements参数绑定数据源。

内容的提问来源于stack exchange，提问作者Intelligence6