Hướng dẫn dùng AI

Gửi hình ảnh cho mô hình AI qua API

Mô hình Claude nhìn được ảnh gửi qua API: đọc chữ trong ảnh chụp, mô tả biểu đồ, so sánh hai ảnh. Ảnh được tính token theo kích thước, nên một ảnh chụp điện thoại có thể tốn bằng vài trang chữ. Bài này tóm tắt trang Vision trong tài liệu của Anthropic: định dạng, giới hạn, cách tính token theo ô 28×28 pixel, những việc mô hình còn làm kém, kèm đoạn Python ước token, thu nhỏ ảnh và tạo nội dung có nhiều ảnh.

Ý chính
  • Ảnh được gửi trong khối hình, dạng base64, đường dẫn, hoặc mã tệp đã tải lên. Định dạng hỗ trợ: JPEG, PNG, GIF (chỉ khung đầu), WebP.
  • Ảnh được chia thành ô 28×28 pixel, mỗi ô là một token. Ảnh 1000×1000 tốn 1.296 token; ảnh 4K bị thu nhỏ, với mô hình đời mới tốn tối đa 4.784 token.
  • Giới hạn: mỗi ảnh tối đa 8000×8000 pixel và 10 MB dạng base64 trên API của Anthropic; trên 20 ảnh một yêu cầu thì giới hạn kích thước mỗi ảnh chặt hơn.
  • Mô hình không nhận diện danh tính người, đếm và định vị chỉ gần đúng, không phân biệt được ảnh do AI tạo. Cần người kiểm lại với việc quan trọng.

Bài này dựa trên trang Vision trong tài liệu của Anthropic (đọc ngày 11/11/2026) và tài liệu thư viện Pillow dùng để thu nhỏ ảnh. Nếu chưa gọi API lần nào, đọc trước bài gọi API AI bằng Python.

Gửi ảnh thế nào

Ảnh đi trong một khối nội dung kiểu hình, cạnh các khối chữ, trong tin nhắn của người dùng. Có ba cách đưa ảnh: mã hóa base64 ngay trong yêu cầu, đưa đường dẫn tới ảnh trên mạng, hoặc tải ảnh lên Files API rồi tham chiếu mã tệp. Với nhiều ảnh lớn, tài liệu gợi ý dùng Files API để yêu cầu không quá nặng.

Thứ tự có ảnh hưởng. Tài liệu ghi rằng, giống như đặt tài liệu dài trước câu hỏi, mô hình làm tốt nhất khi ảnh đứng trước chữ; đặt ảnh sau hoặc xen giữa vẫn chạy tốt, nhưng nên ưu tiên ảnh trước nếu được. Khi gửi nhiều ảnh, ví dụ trong tài liệu đặt nhãn "Image 1:", "Image 2:" trước mỗi ảnh để câu hỏi có thể nhắc đúng ảnh.

Giới hạn

Theo tài liệu, mỗi yêu cầu API chứa tối đa 600 ảnh, hoặc 100 ảnh với mô hình có cửa sổ ngữ cảnh 200.000 token; nhưng giới hạn 128 MB cho cả yêu cầu thường tới trước. Mỗi ảnh tối đa 8000×8000 pixel và 10 MB ở dạng base64 trên API của Anthropic. Khi một yêu cầu có hơn 20 ảnh, giới hạn kích thước mỗi ảnh chặt hơn; cách an toàn là thu nhỏ để không chiều nào quá 3.000 pixel, hoặc giữ không quá 20 ảnh mỗi yêu cầu. Mô hình không đọc siêu dữ liệu của ảnh như ngày chụp hay vị trí.

Ảnh tốn bao nhiêu token

Tài liệu giải thích mô hình xử lý ảnh theo từng ô 28×28 pixel, mỗi ô là một token hình. Số token bằng số ô theo chiều ngang nhân số ô theo chiều dọc, mỗi chiều làm tròn lên. Ảnh quá lớn sẽ bị thu nhỏ trước khi xử lý, giữ tỉ lệ. Có hai mức: mô hình từ Claude 4.7 trở đi cho cạnh dài tối đa 2.576 pixel và tối đa 4.784 token; các mô hình khác cho 1.568 pixel và 1.568 token.

Vài con số từ bảng trong tài liệu: ảnh 200×200 tốn 64 token; 1000×1000 tốn 1.296; 1920×1080 ở mức cao tốn 2.691; ảnh 4K 3840×2160 ở mức cao bị thu nhỏ còn 2576×1449, tốn 4.784. Tài liệu tính ví dụ: với Claude Opus 5.5 giá 4 USD mỗi triệu token đầu vào, ảnh 1000×1000 tốn khoảng 5,18 USD cho mỗi nghìn ảnh. Ảnh ở mức cao có thể tốn gấp khoảng ba lần cùng ảnh đó ở mức chuẩn; nếu không cần độ nét cao, thu nhỏ trước khi gửi.

Ảnh tốn bao nhiêu token Mỗi ô 28x28 pixel là một token hình Ảnh 200x20064 tokenảnh nhỏ, rẻ Ảnh 1000x10001.296 tokenkhoảng 5,18 USD/1000 ảnh, Opus 5.5 Ảnh 1920x10802.691 tokenmức cao, giữ nguyên Ảnh 3840x2160Thu nhỏ 2576x14494.784 token, mức trần Số theo trang Vision của Anthropic, 11/11/2026
Ảnh tốn bao nhiêu token Ảnh 200x20064 tokenảnh nhỏ, rẻ Ảnh 1000x10001.296 tokenkhoảng 5,18 USD/1000 ảnh, Opus 5.5 Ảnh 1920x10802.691 tokenmức cao, giữ nguyên Ảnh 3840x2160Thu nhỏ 2576x14494.784 token, mức trần Số theo trang Vision của Anthropic, 11/11/2026
Hình 1. Ảnh tốn bao nhiêu token, mỗi ô 28×28 pixel là một token hình: ảnh 200×200 tốn 64 token; 1000×1000 tốn 1.296 token, khoảng 5,18 USD mỗi nghìn ảnh với Opus 5.5; 1920×1080 tốn 2.691 token ở mức cao, giữ nguyên; 3840×2160 bị thu nhỏ còn 2576×1449, 4.784 token, mức trần. Số theo trang Vision của Anthropic, 11/11/2026.

Ví dụ bằng Python

Đoạn code dưới đây có hàm tính token theo công thức ô 28 pixel, hàm kiểm ảnh có vượt giới hạn của từng mức không, hàm thu nhỏ của bài (giữ tỉ lệ, giảm dần tới khi vừa cả giới hạn cạnh và giới hạn token; đây là cách của bài, không phải công thức nội bộ của API), hàm dùng Pillow để thu nhỏ một tệp ảnh thật và giữ định dạng gốc, hàm tạo nội dung cho một hoặc nhiều ảnh với nhãn và câu hỏi đặt cuối, và hàm gửi cho mô hình: mô hình suy nghĩ trước khi trả lời và phần suy nghĩ cũng tính vào max_tokens, nên hàm để max_tokens rộng, và báo rõ nếu câu trả lời vẫn bị cắt hoặc bị từ chối.

"""Gửi ảnh cho Claude: ước token ảnh, tự thu nhỏ trước khi gửi, tạo nội dung ảnh-trước-chữ có nhãn cho nhiều ảnh.

Theo trang Vision của Anthropic (đọc 11/11/2026): ảnh được chia thành ô 28x28 pixel, mỗi ô là một token hình,
số token = trần(rộng/28) x trần(cao/28). Mô hình từ Claude 4.7 trở đi: cạnh dài tối đa 2.576 px, tối đa 4.784 token;
các mô hình khác: 1.568 px, 1.568 token. Ảnh lớn hơn bị API thu nhỏ. Định dạng: JPEG, PNG, GIF, WebP.
Hàm tu_thu_nho dưới đây là cách thu nhỏ của bài viết (giữ tỉ lệ, vừa cả hai giới hạn), không phải công thức của API.
Cài: python -m pip install anthropic pillow ; đặt ANTHROPIC_API_KEY để gửi thật.
"""
import base64
import io
import math
import os
import sys

from PIL import Image

MUC = {"cao": (2576, 4784), "chuan": (1568, 1568)}  # (cạnh dài tối đa, số token tối đa)
GIA_VAO = {"claude-opus-5-5": 4.0, "claude-haiku-5-5": 0.10}  # USD / 1 triệu token, 11/11/2026
KIEU = {"JPEG": "image/jpeg", "PNG": "image/png", "GIF": "image/gif", "WEBP": "image/webp"}


def so_token(rong, cao):
    return math.ceil(rong / 28) * math.ceil(cao / 28)


def vuot_gioi_han(rong, cao, muc="cao"):
    canh, tok = MUC[muc]
    return max(rong, cao) > canh or so_token(rong, cao) > tok


def tu_thu_nho(rong, cao, muc="cao"):
    canh, tok = MUC[muc]
    s = min(1.0, canh / max(rong, cao))
    while so_token(int(rong * s), int(cao * s)) > tok:
        s *= 0.99
    return int(rong * s), int(cao * s)


def thu_nho_anh(du_lieu, muc="cao"):
    """Thu nhỏ ảnh (bytes) nếu cần, giữ định dạng gốc. Trả về (bytes, media_type, rộng, cao)."""
    anh = Image.open(io.BytesIO(du_lieu))
    dinh_dang = anh.format
    if dinh_dang not in KIEU:
        raise ValueError(f"định dạng {dinh_dang} không được hỗ trợ")
    if vuot_gioi_han(*anh.size, muc):
        anh = anh.resize(tu_thu_nho(*anh.size, muc))
        buf = io.BytesIO()
        anh.save(buf, format=dinh_dang)
        du_lieu = buf.getvalue()
    return du_lieu, KIEU[dinh_dang], anh.size[0], anh.size[1]


def tao_noi_dung(cac_anh, cau_hoi):
    """Nhiều ảnh: mỗi ảnh có nhãn 'Ảnh i:' đứng trước; câu hỏi đặt sau cùng."""
    nd = []
    for i, (du_lieu, kieu) in enumerate(cac_anh, 1):
        if len(cac_anh) > 1:
            nd.append({"type": "text", "text": f"Ảnh {i}:"})
        nd.append({"type": "image", "source": {"type": "base64", "media_type": kieu,
                                               "data": base64.standard_b64encode(du_lieu).decode("ascii")}})
    nd.append({"type": "text", "text": cau_hoi})
    return nd


class KhongCoCauTraLoi(Exception):
    """Mô hình dừng mà không đưa ra câu trả lời trọn vẹn."""


def hoi(client, cac_anh, cau_hoi, mo_hinh="claude-sonnet-5-5"):
    """Gửi ảnh và câu hỏi; trả về chữ trả lời, hoặc báo rõ khi câu trả lời bị cắt hay bị từ chối."""
    # Sonnet 5.5 suy nghĩ trước khi trả lời, và token suy nghĩ tính vào max_tokens dù không hiện ra, nên để rộng chỗ.
    # max_tokens chỉ là mức trần: bạn trả tiền cho số token thật sự sinh ra.
    tl = client.messages.create(model=mo_hinh, max_tokens=16000,
                                messages=[{"role": "user", "content": tao_noi_dung(cac_anh, cau_hoi)}])
    if tl.stop_reason in ("max_tokens", "model_context_window_exceeded"):
        raise KhongCoCauTraLoi(f"câu trả lời bị cắt giữa chừng ({tl.stop_reason})")
    if tl.stop_reason == "refusal":
        raise KhongCoCauTraLoi("mô hình từ chối trả lời yêu cầu này")
    chu = "".join(k.text for k in tl.content if k.type == "text")
    if not chu.strip():
        raise KhongCoCauTraLoi("mô hình không trả về chữ nào")
    return chu


def chay_thu():
    dong = []
    for r, c in [(200, 200), (1000, 1000), (1920, 1080), (3840, 2160)]:
        ghi = "API sẽ thu nhỏ" if vuot_gioi_han(r, c) else "giữ nguyên"
        rr, cc = tu_thu_nho(r, c)
        sau = "không cần thu nhỏ" if (rr, cc) == (r, c) else f"thu nhỏ còn {rr}x{cc} = {so_token(rr, cc)} token"
        dong.append(f"{r}x{c}: {so_token(r, c)} token nếu giữ nguyên; mức cao: {ghi}; {sau}")
    t = so_token(1000, 1000)
    for m, g in GIA_VAO.items():
        dong.append(f"1000 ảnh 1000x1000 với {m}: khoảng {t * g * 1000 / 1e6:.2f} USD")
    buf = io.BytesIO()
    Image.new("RGB", (4000, 3000), "white").save(buf, format="PNG")
    _, kieu, r, c = thu_nho_anh(buf.getvalue())
    dong.append(f"Ảnh PNG 4000x3000 sau khi thu nhỏ: {r}x{c}, {kieu}, {so_token(r, c)} token")
    print("\n".join(dong))
    return dong


def main(cac_duong_dan, cau_hoi):
    if not os.environ.get("ANTHROPIC_API_KEY"):
        sys.exit("Chưa có ANTHROPIC_API_KEY. Đặt biến môi trường trước khi chạy.")
    cac_anh = []
    for d in cac_duong_dan:
        with open(d, "rb") as f:
            du_lieu, kieu, _, _ = thu_nho_anh(f.read())
        cac_anh.append((du_lieu, kieu))
    import anthropic
    try:
        print(hoi(anthropic.Anthropic(), cac_anh, cau_hoi))
    except KhongCoCauTraLoi as e:
        sys.exit(f"Chưa có câu trả lời trọn vẹn: {e}.")
    except anthropic.APIStatusError as e:
        sys.exit(f"API báo lỗi {e.status_code}: {e.message}")
    except anthropic.APIConnectionError:
        sys.exit("Không kết nối được tới API. Kiểm tra mạng rồi thử lại.")


if __name__ == "__main__":
    if len(sys.argv) >= 3:
        main(sys.argv[1:-1], sys.argv[-1])
    else:
        chay_thu()

Kết quả chạy thử khớp các số trong bảng của tài liệu: 64 token cho ảnh 200×200, 1.296 cho 1000×1000, 2.691 cho 1920×1080, và ảnh 4K vượt giới hạn mức cao, thu nhỏ còn 2576×1449 với 4.784 token. Chi phí 1.000 ảnh 1000×1000 khoảng 5,18 USD với Opus 5.5 và khoảng 0,13 USD với Haiku 5.5 theo giá đầu vào. Một ảnh PNG 4000×3000 được thu nhỏ còn 2193×1645, khoảng 4.661 token.

Thu nhỏ phía bạn có ba lợi ích: yêu cầu nhẹ hơn nên gửi nhanh hơn, biết trước chính xác ảnh mô hình nhìn thấy, và kiểm soát được chi phí. Tài liệu cũng nhắc nếu nén ảnh dạng JPEG quá mạnh, chữ trong ảnh có thể khó đọc; hãy mở ảnh sau khi xử lý để xem.

Ảnh tốt cho mô hình

Tài liệu đưa ra vài lời khuyên: ảnh rõ, không mờ, không vỡ hạt; chữ quan trọng trong ảnh phải đọc được, không quá nhỏ; nhớ rằng ảnh lớn bị thu nhỏ có thể làm chữ nhỏ khó đọc, nên cắt phần cần thiết thay vì gửi cả ảnh lớn; đừng cắt mất ngữ cảnh chỉ để phóng to chữ. Với ảnh chụp bảng, chụp thẳng, đủ sáng. Với ảnh có nhiều phần, hỏi cụ thể phần nào.

Chọn mức độ phân giải

Không phải lúc nào ảnh nét hơn cũng tốt hơn. Câu hỏi "trong ảnh có mấy người đang giơ tay" hay "biểu đồ này tăng hay giảm" thường trả lời được với ảnh nhỏ, rẻ. Câu hỏi cần đọc chữ nhỏ, như số trong một hóa đơn hay dòng lỗi trong ảnh chụp màn hình, mới cần ảnh lớn. Cách làm: thử cùng một câu hỏi với ba kích thước ảnh trên mười ảnh mẫu, xem từ kích thước nào câu trả lời bắt đầu sai, rồi chọn mức ngay trên đó. Bạn thường tiết kiệm được hơn một nửa số token mà không mất chất lượng.

Những việc mô hình còn kém

Trang Vision liệt kê rõ các giới hạn. Mô hình không dùng để nêu tên người trong ảnh và sẽ từ chối. Có thể sai khi ảnh chất lượng thấp, bị xoay, hoặc rất nhỏ dưới 200 pixel. Tọa độ và vị trí chỉ gần đúng. Đếm vật chỉ gần đúng, nhất là khi có nhiều vật nhỏ. Không xác định được ảnh có do AI tạo hay không. Không xử lý nội dung vi phạm chính sách sử dụng. Có thể phân tích ảnh y tế thông thường nhưng không dùng để đọc phim chụp chẩn đoán phức tạp, và không thay cho ý kiến bác sĩ. Tài liệu khuyên luôn kiểm lại kết quả, nhất là với việc có hậu quả lớn.

Ứng dụng cho người học

Vài dự án nhỏ hợp để luyện: chụp bảng điểm giấy rồi trích thành bảng tính (kết hợp với đầu ra JSON có cấu trúc), chụp sơ đồ trên bảng rồi nhờ giải thích, so ảnh chụp màn hình lỗi với mã nguồn để tìm nguyên nhân. Với tài liệu nhiều trang, gửi dạng PDF thay vì từng ảnh, xem bài cho AI đọc PDF. Trước khi xử lý hàng loạt, ước token như trong bài đếm token trước khi gọi API.

Cẩn thận
  • Gửi ảnh gốc 12 megapixel từ điện thoại khi chỉ cần đọc vài dòng chữ.
  • Nén JPEG quá mạnh làm chữ trong ảnh không đọc được.
  • Tin số đếm hay tọa độ mô hình đưa ra mà không kiểm lại.
  • Dùng mô hình để xác định danh tính người, hay để phát hiện ảnh do AI tạo.
  • Gửi ảnh có thông tin cá nhân của người khác mà không được phép.

Câu hỏi thường gặp

Mô hình có tạo hoặc sửa ảnh được không?

Theo tài liệu, Claude chỉ hiểu và phân tích ảnh, không tạo hay chỉnh sửa ảnh.

Ảnh gửi qua API có bị dùng để huấn luyện không?

Tài liệu ghi Anthropic không dùng ảnh tải lên để huấn luyện mô hình. Xem chính sách dữ liệu để biết thời gian lưu trữ.

Gửi ảnh động GIF thì sao?

Chỉ khung hình đầu tiên được dùng.

Nên gửi đường dẫn hay base64?

Đường dẫn gọn khi ảnh đã công khai trên mạng. Base64 khi ảnh ở máy bạn, hoặc cần đếm token trước.

Học tiếp

Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.

Muốn học bài bản cùng giảng viên?

Khóa AI – Introduction to Machine Learning: nền tảng Máy học từ thuật toán cơ bản đến Neural Networks và LLM, học bằng Python. Học thử buổi 1 miễn phí.

Xem Khóa AI

Nguồn tham khảo

Chia sẻ: Facebook LinkedIn
Nhắn Zalo tư vấnZalo Gọi 0937 401 483