Saltar al contenido principal
Las entradas de archivo te permiten adjuntar documentos y archivos fuente directamente a una solicitud /chat/completions. Venice extrae el archivo a texto antes de enviarlo al modelo seleccionado, para que puedas hacer preguntas, resumir, comparar o transformar el contenido del archivo sin tener que construir antes tu propio parser. Usa entradas de archivo cuando tu prompt dependa del contenido de un documento, hoja de cálculo, archivo markdown, archivo JSON o archivo de código. Son entradas con alcance de solicitud, no almacenamiento de archivos persistente, así que incluye el archivo en cada solicitud que lo necesite.
Las entradas de archivo usan el array de contenido de chat compatible con OpenAI. Añade un bloque de contenido con type: "file" y proporciona el contenido del archivo en file.file_data.

​
Tipos de archivo admitidos

La API de chat acepta entradas de archivo como data URLs en base64 o como URLs públicamente accesibles. El tamaño máximo de archivo es de 25 MB por archivo, medido después de decodificar una data URL en base64 o después de descargar una URL.
CategoríaFormatos
DocumentosPDF, DOCX, PPTX
Hojas de cálculoXLSX, XLS, CSV
Texto y datosTXT, Markdown, JSON
Código fuenteLa mayoría de archivos de código comunes, incluyendo .py, .js, .ts, .c, .cpp, .java, .go, .rs, .ps1, .sh, .yaml y .sql
Los archivos se extraen a texto antes de la inferencia. El texto extraído cuenta para el contexto de entrada del modelo, así que elige un modelo con suficientes availableContextTokens para el archivo más tus instrucciones y la respuesta esperada.

​
Uso básico

Envía un array messages donde el content del mensaje de usuario sea un array de bloques de texto y archivo: 
import base64
import os
from pathlib import Path

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["VENICE_API_KEY"],
    base_url="https://api.venice.ai/api/v1",
)

path = Path("q3-report.pdf")
file_data = "data:application/pdf;base64," + base64.b64encode(path.read_bytes()).decode("utf-8")

response = client.chat.completions.create(
    model="openai-gpt-55",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Summarize this report in five bullets and list the main risks.",
                },
                {
                    "type": "file",
                    "file": {
                        "file_data": file_data,
                        "filename": "q3-report.pdf",
                    },
                },
            ],
        }
    ],
)

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

​
URLs de archivo

Si el archivo ya está alojado en una URL pública HTTP o HTTPS, pasa la URL en file_data en lugar de codificarlo en base64: 
{
  "model": "openai-gpt-55",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Identify the governing law, renewal terms, and termination rights in this agreement."
        },
        {
          "type": "file",
          "file": {
            "file_data": "https://example.com/contracts/vendor-agreement.pdf",
            "filename": "vendor-agreement.pdf"
          }
        }
      ]
    }
  ]
}
Usa solo URLs públicas que Venice pueda descargar sin autenticación. Para archivos privados, envía una data URL en base64.

​
Múltiples archivos

Puedes incluir más de un bloque de archivo en el mismo mensaje. Pon una instrucción de texto breve antes de los archivos para que el modelo sepa cómo usarlos. 
{
  "model": "openai-gpt-55",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Compare these two policy drafts. Return the material differences and recommend which version is clearer."
        },
        {
          "type": "file",
          "file": {
            "file_data": "data:application/pdf;base64,JVBERi0xLjQK...",
            "filename": "policy-v1.pdf"
          }
        },
        {
          "type": "file",
          "file": {
            "file_data": "data:application/pdf;base64,JVBERi0xLjQK...",
            "filename": "policy-v2.pdf"
          }
        }
      ]
    }
  ]
}
Para mejores resultados, nombra claramente cada archivo y haz referencia a esos nombres en tu prompt.

​
Data URLs

Para archivos locales, codifica los bytes del archivo como base64 y antepónles el tipo MIME correcto:
Tipo de archivoPrefijo de Data URL
PDFdata:application/pdf;base64,
DOCXdata:application/vnd.openxmlformats-officedocument.wordprocessingml.document;base64,
PPTXdata:application/vnd.openxmlformats-officedocument.presentationml.presentation;base64,
XLSXdata:application/vnd.openxmlformats-officedocument.spreadsheetml.sheet;base64,
CSVdata:text/csv;base64,
Markdowndata:text/markdown;base64,
Texto planodata:text/plain;base64,
JSONdata:application/json;base64,
Si no conoces el tipo MIME exacto, usa application/octet-stream. Incluir un filename preciso sigue ayudando a Venice a identificar y mostrar el archivo.

​
Trabajar con archivos grandes

Como los archivos se convierten en texto del prompt, los archivos grandes pueden aumentar la latencia, el uso de tokens y el coste. Ten en cuenta la ventana de contexto del modelo. El archivo bruto debe ser de 25 MB o menos. La codificación base64 incrementa el tamaño de la solicitud aproximadamente un 33 %, así que un archivo cercano al límite de 25 MB producirá un cuerpo de solicitud JSON más grande. Buenos patrones para archivos grandes:
  • Pide una tarea específica en lugar de un prompt amplio “analiza todo”.
  • Incluye solo los documentos necesarios para la respuesta actual.
  • Usa modelos con mayor availableContextTokens para informes o bases de código largas.
  • Pon los documentos estables y repetidos antes de las preguntas dinámicas del usuario si también estás usando prompt caching.
  • Usa stream: true cuando esperes una respuesta larga.

​
Entradas de archivo vs. Text Parser

Usa entradas de archivo en chat cuando quieras que el modelo razone sobre el archivo de inmediato. Usa la Text Parser API cuando quieras extraer el texto primero, inspeccionar el recuento de tokens, almacenar el texto extraído en tu propio sistema o enviar el mismo texto extraído a varias solicitudes.
NecesidadUsar
Preguntar a un modelo sobre un documento en una sola solicitudEntrada de archivo en chat
Extraer texto sin inferencia del modeloText Parser API
Comprobar el recuento de tokens extraídos antes de hacer el promptText Parser API
Reutilizar el texto extraído en muchas solicitudesText Parser API y luego incluir el texto en los prompts

​
Mejores prácticas

  • Incluye filename siempre que sea posible, especialmente al enviar varios archivos.
  • Pon la instrucción antes de los bloques de archivo para que el modelo conozca la tarea antes de leer el contenido extraído.
  • Usa URLs públicas solo para archivos que se puedan descargar sin cookies, cabeceras o estado de sesión firmado.
  • Prefiere data URLs en base64 para archivos privados o archivos generados dentro de tu aplicación.
  • Haz preguntas enfocadas y especifica el formato de salida que quieres.
  • Para extracción estructurada, combina las entradas de archivo con respuestas estructuradas.

​
Resolución de problemas

Asegúrate de que el contenido del mensaje usa un array e incluye un bloque type: "file". Si usaste una URL, verifica que sea accesible públicamente sin autenticación.
El archivo puede extraerse a una gran cantidad de texto. Usa un modelo de contexto más grande, acota la tarea, envía menos archivos o pre-extrae y recorta el texto con la Text Parser API.
Dale a cada archivo un filename descriptivo y haz referencia a los nombres de archivo directamente en tu prompt. Por ejemplo, “Compara policy-v1.pdf con policy-v2.pdf.”
Las entradas de archivo están disponibles en modelos de chat compatibles. Consulta la página de modelos para conocer las capacidades actuales de los modelos y los límites de contexto, o prueba un modelo de texto actual con gran contexto.