Richiesta e utilizzo dell'API OpenAI Chat Completion

OpenAI ChatGPT è un sistema di conversazione AI molto potente: basta inserire un prompt per generare risposte fluide e naturali in pochi secondi. ChatGPT si distingue nel settore per le sue eccellenti capacità di comprensione e generazione del linguaggio. Oggi, ChatGPT è già ampiamente utilizzato in vari settori e ambiti, e la sua influenza è sempre più significativa. Che si tratti di conversazioni quotidiane, scrittura creativa, consulenza professionale o programmazione di codice, ChatGPT può fornire un’assistenza intelligente sorprendente, migliorando notevolmente l’efficienza lavorativa e la creatività umana. Questo documento presenta principalmente il processo di utilizzo delle operazioni dell’API OpenAI Chat Completion, che ci consente di utilizzare facilmente la funzionalità di conversazione dell’OpenAI ChatGPT ufficiale.

GPT-6.1 Sol

Utilizzare model: "gpt-6.1-sol" per selezionare questo modello. Supporta output in streaming, chiamate di funzione, output strutturato e input di immagini. Nella prima settimana dall’apertura, è disponibile solo per i possessori verificati di ACE T1+ (almeno 100.000 ACE) o per gli utenti autorizzati; l’orario specifico di apertura è soggetto all’avviso di accesso nella console. I livelli di ragionamento supportano low, medium, high, xhigh e max; none o minimal non sono temporaneamente supportati. Si consiglia di iniziare con reasoning_effort: "low". Quando l’input supera 272.000 token, all’intera richiesta si applica il prezzo del contesto lungo; il costo è soggetto al prezzo corrente della console.

Procedura di richiesta

Per utilizzare l’API OpenAI Chat Completion, per prima cosa vai alla console Ace Data Cloud per ottenere il tuo API Token, da conservare come riserva.

Se non hai ancora effettuato l’accesso o non ti sei registrato, verrai automaticamente reindirizzato alla pagina di accesso per registrarti e accedere; al termine, tornerai automaticamente alla pagina corrente. Un solo API Token può chiamare tutti i servizi della piattaforma, senza necessità di richiederne uno separatamente per ogni servizio. Alla prima richiesta verrà fornito un credito gratuito, che potrà essere utilizzato per un’esperienza gratuita; quando il credito è insufficiente, puoi ricaricare il saldo universale nella console.

📘 Documentazione completa: OpenAI Chat Completion API →

Utilizzo di base

Successivamente puoi compilare i contenuti corrispondenti nell’interfaccia, come mostrato nell’immagine:

Quando utilizziamo questa interfaccia per la prima volta, dobbiamo compilare almeno tre contenuti. Uno è authorization, che può essere selezionato direttamente nell’elenco a discesa. Un altro parametro è model; model è la categoria di modello del sito ufficiale OpenAI ChatGPT che scegliamo di utilizzare. Qui abbiamo principalmente 20 modelli, per i dettagli puoi consultare i modelli che forniamo. L’ultimo parametro è messages; messages è l’array delle domande che inseriamo. È un array, il che indica che è possibile caricare contemporaneamente più domande. Ogni domanda contiene role e content, dove role indica il ruolo di chi pone la domanda. Forniamo tre identità, ovvero user, assistant, system. L’altro, content, è il contenuto specifico della nostra domanda. Allo stesso tempo, puoi notare che sulla destra viene generato il codice di chiamata corrispondente: puoi copiare il codice ed eseguirlo direttamente, oppure fare clic direttamente sul pulsante «Try» per effettuare un test. Parametri opzionali comuni:

max_tokens: limita il numero massimo di token per una singola risposta.
temperature: casualità della generazione, compresa tra 0 e 2; maggiore è il valore, più divergente sarà.
n: quante risposte candidate generare in una sola volta.
response_format: impostazione del formato di risposta.

Dopo la chiamata, scopriamo che il risultato restituito è il seguente:

{
  "id": "chatcmpl-Cmd6uwSxN75F4PAdQSFEO8f2QPs4E",
  "object": "chat.completion",
  "created": 1765706120,
  "model": "gpt-5.5",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hello! What can I help you with today?",
        "refusal": null,
        "annotations": []
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 7,
    "completion_tokens": 13,
    "total_tokens": 20,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "audio_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "service_tier": "default",
  "system_fingerprint": null
}

Il risultato restituito contiene diversi campi, introdotti di seguito:

id, l’ID generato per questa attività di conversazione, utilizzato per identificare univocamente questa attività di conversazione.
model , il modello del sito ufficiale OpenAI ChatGPT selezionato.
choices, le informazioni di risposta fornite da ChatGPT per il prompt.
usage : le informazioni statistiche sui token per questa sessione di domande e risposte.

Tra questi, choices contiene le informazioni di risposta di ChatGPT; il suo choices è ChatGPT, come si può vedere nell’immagine.

Si può vedere che il campo content all’interno di choices contiene il contenuto specifico della risposta di ChatGPT.

Risposta in streaming

Questa interfaccia supporta anche le risposte in streaming, il che è molto utile per l’integrazione con pagine web e consente alla pagina web di ottenere un effetto di visualizzazione carattere per carattere. Se desideri restituire la risposta in streaming, puoi modificare il parametro stream nell’intestazione della richiesta, impostandolo su true. La modifica è mostrata nell’immagine, ma il codice di chiamata deve essere modificato di conseguenza per supportare la risposta in streaming.

Dopo aver modificato stream in true, l’API restituirà riga per riga i dati JSON corrispondenti; a livello di codice dobbiamo apportare le modifiche corrispondenti per ottenere i risultati riga per riga. Codice di chiamata di esempio Python:

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4",
    "messages": [{"role":"user","content":"hello"}],
    "stream": True
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

L’effetto dell’output è il seguente:

data: {"choices": [{"delta": {"role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "Hi", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " there", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "!", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " How", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " can", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " I", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " assist", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " you", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " today", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "?", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"role": "assistant"}, "finish_reason": "stop", "index": 0}], "created": 1721007349, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: [DONE]

Si può vedere che nella risposta sono presenti molti data; i choices all’interno di data rappresentano il contenuto più recente della risposta, coerente con quanto presentato sopra. choices è il nuovo contenuto della risposta; è possibile integrarlo nel proprio sistema in base al risultato. Allo stesso tempo, la fine della risposta in streaming viene determinata in base al contenuto di data: se il contenuto è [DONE], significa che la risposta in streaming è completamente terminata. Il risultato data restituito contiene diversi campi, descritti come segue:

id, l’ID generato per questa attività di conversazione, utilizzato per identificare univocamente questa attività di conversazione.
model , il modello del sito ufficiale OpenAI ChatGPT selezionato.
choices, le informazioni di risposta fornite da ChatGPT per la domanda.

Anche JavaScript è supportato; ad esempio, il codice di chiamata in streaming per Node.js è il seguente:

const options = {
  method: "post",
  headers: {
    accept: "application/json",
    authorization: "Bearer {token}",
    "content-type": "application/json",
  },
  body: JSON.stringify({
    model: "gpt-4",
    messages: [{ role: "user", content: "hello" }],
    stream: true,
  }),
};

fetch("https://api.acedata.cloud/openai/chat/completions", options)
  .then((response) => response.json())
  .then((response) => console.log(response))
  .catch((err) => console.error(err));

Codice di esempio Java:

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gpt-4");
jsonObject.put("messages", [{"role":"user","content":"hello"}]);
jsonObject.put("stream", true);
MediaType mediaType = "application/json; charset=utf-8".toMediaType();
RequestBody body = jsonObject.toString().toRequestBody(mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/openai/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.print(response.body!!.string())

Gli altri linguaggi possono essere adattati autonomamente; il principio è lo stesso.

Conversazione multi-turno

Se si desidera integrare la funzionalità di conversazione multi-turno, è necessario caricare più domande nel campo messages; un esempio specifico di più domande è mostrato nella figura seguente:

Codice di esempio di chiamata Python:

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4",
    "messages": [{"role":"user","content":"Hello"},{"role":"assistant","content":"Hi! How can I assist you today?"},{"role":"user","content":"What I say just now?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Caricando più messaggi di domanda, è possibile implementare facilmente conversazioni multi-turno e ottenere la seguente risposta:

{
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "You said, \"Hello.\""
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1721323012,
  "id": "chatcmpl-NWZmOTA5MDlkZjBjNDRjNGEwMzRjYzA5NmM1MzQwMWY",
  "model": "gpt-4",
  "object": "chat.completion.chunk",
  "recipient": "all",
  "usage": {
    "prompt_tokens": 31,
    "completion_tokens": 6,
    "total_tokens": 37
  }
}

Si può vedere che le informazioni contenute in choices sono coerenti con il contenuto dell’utilizzo di base; questo include il contenuto specifico delle risposte di ChatGPT a più conversazioni, in modo da poter rispondere alle domande corrispondenti in base a più contenuti di conversazione.

Integrazione con OpenAI-Python

OpenAI Chat Completion API rimane compatibile con l’interfaccia ufficiale OpenAI e può essere integrata direttamente utilizzando l’SDK ufficiale OpenAI-Python; questo articolo introdurrà brevemente il metodo di utilizzo.

Per prima cosa è necessario configurare l’ambiente locale Python; per questo processo è possibile effettuare una ricerca su Google.
Scaricare e installare l’ambiente di sviluppo, ad esempio l’editor VSCode.
Configurare le variabili d’ambiente di OpenAI.

Nella cartella del progetto, creare un file denominato .env e salvarlo
Contenuto del file .env:

OPENAI_API_KEY="sk-xxx"
OPENAI_BASE_URL="https://api.acedata.cloud/openai"  # 再次提醒：如果你使用官网OpenAI的key，不要用这个地址。

Sostituire sk-xxx con la propria key. OPENAI_BASE_URL è l’interfaccia proxy per accedere a OpenAI.

Installare i pacchetti dalle cui dipendenze dipende il progetto

pip install openai

In Mac OS il comando è:

pip3 install openai

Creare il file del codice sorgente di esempio

Supponiamo di aver creato un codice di esempio index.py, il cui contenuto specifico è il seguente:

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

response = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "hello",
        }
    ],
    model="gpt-4",
)

print(response.text)

Modelli con accesso a Internet

I modelli gpt-3.5-browsing e gpt-4-browsing sono diversi dagli altri modelli: possono effettuare ricerche su Internet in base al messaggio di domanda e restituirti i risultati della ricerca dopo averli opportunamente elaborati. Questo articolo mostrerà la funzione di accesso a Internet attraverso un esempio concreto; successivamente è possibile compilare il contenuto corrispondente nell’interfaccia OpenAI Chat Completion API, come mostrato nell’immagine:

Allo stesso tempo, puoi notare che sulla destra viene generato il codice di chiamata corrispondente; puoi copiare il codice ed eseguirlo direttamente, oppure fare clic direttamente sul pulsante «Try» per testarlo.

Dopo la chiamata, scopriamo che il risultato restituito è il seguente:

{
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "For the latest news in China today, you can check major news websites such as:\n\n- [BBC News China](https://www.bbc.com/news/world/asia/china)\n- [CNN China News](https://edition.cnn.com/china)\n- [Reuters China](https://www.reuters.com/news/archive/china-news)\n\nThese sources will have up-to-date information on current events in China."
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1721009347,
  "id": "chatcmpl-YzA0M2RjZDVkYThlNDkxNTkzOThmZWQ4OGMzNzdhNzA",
  "model": "gpt-4-browsing",
  "object": "chat.completion.chunk",
  "recipient": "all",
  "usage": {
    "prompt_tokens": 325,
    "completion_tokens": 82,
    "total_tokens": 407
  }
}

Si può vedere che le informazioni di risposta in choices sono ottenute dopo una ricerca su Internet e vengono forniti anche i relativi link; le informazioni di risposta in choices devono essere renderizzate utilizzando la sintassi markdown, così da ottenere la migliore esperienza; infine, questo riflette anche il grande vantaggio della funzione di accesso a Internet del nostro modello.

Modello visivo

gpt-4o è un grande modello linguistico multimodale sviluppato da OpenAI, che aggiunge capacità di comprensione visiva sulla base di GPT-4. Questo modello può elaborare contemporaneamente input di testo e immagini, realizzando comprensione e generazione intermodali. L’elaborazione del testo con il modello gpt-4o è coerente con il contenuto dell’utilizzo di base sopra descritto; di seguito verrà brevemente illustrato come utilizzare la capacità di elaborazione delle immagini del modello. La capacità di elaborazione delle immagini del modello gpt-4o viene utilizzata principalmente aggiungendo un campo type sulla base del contenuto content originale; tramite questo campo è possibile sapere se ciò che viene caricato è testo o immagine, utilizzando così la capacità di elaborazione delle immagini del modello gpt-4o. Di seguito viene illustrato principalmente come chiamare questa funzione utilizzando i due metodi Curl e Python.

Metodo tramite script Curl

curl -X POST 'https://api.acedata.cloud/openai/chat/completions' \
-H 'accept: application/json' \
-H 'authorization: Bearer {token}' \
-H 'content-type: application/json' \
-d '{
    "model": "gpt-4o",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "text",
            "text": "What'\''s in this image?"
          },
          {
            "type": "image_url",
            "image_url": {
              "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg"
            }
          }
        ]
      }
    ]
  }'

Metodo tramite script Python

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4o",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text", "text": "What's in this image?"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg"
                    }
                },
            ],
        }
    ]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Quindi è possibile ottenere il seguente risultato; le informazioni sui campi nel risultato sono coerenti con quanto sopra, nello specifico come segue:

{
  "id": "chatcmpl-123",
  "object": "chat.completion",
  "created": 1677652288,
  "model": "gpt-4-vision-preview",
  "system_fingerprint": "fp_44709d6fcb",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\nThis image shows a wooden boardwalk extending through a lush green marshland."
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 12,
    "total_tokens": 21
  }
}

Si può vedere che il contenuto della risposta è basato sull’immagine; pertanto, attraverso i due metodi sopra indicati, è possibile utilizzare facilmente le capacità di elaborazione del testo e delle immagini del modello gpt-4-vision. Oltre a gpt-4o, esiste anche un modello a costo inferiore, chiamato gpt-4o-mini. gpt-4o-mini è il modello linguistico di grandi dimensioni di ultima generazione sviluppato da OpenAI: non solo risponde rapidamente, ma ha anche un prezzo più economico e supporta anch’esso la multimodalità. Per l’utilizzo della funzione vision, è possibile fare riferimento al contenuto sull’utilizzo del modello gpt-4o sopra riportato.

Modello di generazione immagini GPT-4o

Generazione di immagini in base a un’immagine di riferimento

Di seguito è riportato un esempio di generazione di un’immagine con uno stile personalizzato a partire da un’immagine; innanzitutto, diamo un’occhiata all’immagine che inseriamo, come mostrato nella figura seguente:

Si può vedere che l’immagine di riferimento è la foto di una persona reale; possiamo farle cambiare stile, ad esempio trasformarla in un’immagine in stile anime. L’esempio di richiesta specifico è:

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "生成动漫风格的图片，并且带上个帽子"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Risultato di esempio:

{
  "id": "chatcmpl-89DPQxbLuyRNzH5YLCPYM5WElV3dm",
  "object": "chat.completion",
  "created": 1781020664,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 生成中...\n\n![https://platform.cdn.acedata.cloud/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png](https://platform.cdn.acedata.cloud/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png)\n\n[点击下载](https://platform.cdn.acedata.cloud/download/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 100,
    "completion_tokens": 122,
    "total_tokens": 222,
    "prompt_tokens_details": {
      "text_tokens": 93,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

In questo caso, message.content in choices è il risultato completo della conversazione generata; l’immagine è inclusa al suo interno in formato Markdown (il link dell’immagine è un indirizzo temporaneo, si prega di scaricarla e salvarla tempestivamente). Si può vedere che l’immagine generata è effettivamente in stile anime, come mostrato nella figura seguente:

Generazione di immagini solo da testo

Possiamo utilizzare un prompt per fargli generare un’immagine e restituircela sotto forma di risultato conversazionale. Di seguito utilizziamo Crea un'immagine di un tramonto in una città futuristica come esempio; l’esempio specifico è:

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "创建一张未来城市日落的图片"
        }
      ]
    }
  ],
  "stream": false
}

Risultato di esempio:

{
  "id": "chatcmpl-89DqkpQoPGkQqJ6kPKMKWejjLXVxQ",
  "object": "chat.completion",
  "created": 1781020587,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 生成中...\n\n![https://platform.cdn.acedata.cloud/20260609/ed2cca68732540fc99162ddc10ddc153.png](https://platform.cdn.acedata.cloud/20260609/ed2cca68732540fc99162ddc10ddc153.png)\n\n[点击下载](https://platform.cdn.acedata.cloud/download/20260609/ed2cca68732540fc99162ddc10ddc153.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 17,
    "completion_tokens": 104,
    "total_tokens": 121,
    "prompt_tokens_details": {
      "text_tokens": 10,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

Si può vedere che il risultato è conforme al prompt, nello specifico come mostrato di seguito:

Generazione di un’immagine da più immagini

Possiamo anche utilizzare più immagini di riferimento per generare un’immagine, ad esempio utilizzando una foto di un ragazzo affascinante e una foto di caffè; con queste due immagini possiamo generare un’immagine di un ragazzo affascinante che beve caffè. Di seguito sono riportate le immagini di riferimento specifiche:

Di seguito utilizziamo Genera un ragazzo che tiene in mano il caffè e sta per berlo come esempio; l’esempio specifico è:

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Genera l'immagine di un ragazzo che tiene in mano un caffè e sta per berlo"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/pqquv3.jpg"
          }
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/h8j2i0.jpg"
          }
        }
      ]
    }
  ],
  "stream": false
}

Risultato di esempio:

{
  "id": "chatcmpl-89DnHbbzOIQvU1VzJrNjzMU8BRUgG",
  "object": "chat.completion",
  "created": 1781021018,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 Generazione in corso...\n\n![https://platform.cdn.acedata.cloud/20260610/f1d9ddee3c304230a9f92929f04b95be.png](https://platform.cdn.acedata.cloud/20260610/f1d9ddee3c304230a9f92929f04b95be.png)\n\n[Fai clic per scaricare](https://platform.cdn.acedata.cloud/download/20260610/f1d9ddee3c304230a9f92929f04b95be.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 193,
    "completion_tokens": 116,
    "total_tokens": 309,
    "prompt_tokens_details": {
      "text_tokens": 186,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

Si può notare che il risultato generato combina effettivamente le due immagini per la generazione; di seguito è riportato il risultato specifico:

Gestione degli errori

Durante la chiamata dell’API, se si verifica un errore, l’API restituirà il codice e il messaggio di errore corrispondenti. Ad esempio:

400 token_mismatched: Richiesta non valida, probabilmente a causa di parametri mancanti o non validi.
400 api_not_implemented: Richiesta non valida, probabilmente a causa di parametri mancanti o non validi.
401 invalid_token: Non autorizzato, token di autorizzazione non valido o mancante.
429 too_many_requests: Troppe richieste, hai superato il limite di frequenza.
500 api_error: Errore interno del server, qualcosa è andato storto sul server.

Esempio di risposta di errore

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Conclusione

Attraverso questo documento, hai già appreso come utilizzare l’API OpenAI Chat Completion per implementare facilmente la funzionalità di conversazione dell’OpenAI ChatGPT ufficiale. Ci auguriamo che questo documento possa aiutarti a integrare e utilizzare meglio questa API. Per qualsiasi domanda, non esitare a contattare il nostro team di supporto tecnico.

Inizia

Chat AI

Immagine AI

Video AI

Audio AI

Web e Dati

CAPTCHA

Identità

Coding

Altre guide

Richiesta e utilizzo dell'API OpenAI Chat Completion

GPT-6.1 Sol

Procedura di richiesta

Utilizzo di base

Risposta in streaming

Conversazione multi-turno

Integrazione con OpenAI-Python

Modelli con accesso a Internet

Modello visivo

Modello di generazione immagini GPT-4o

Generazione di immagini in base a un’immagine di riferimento

Generazione di immagini solo da testo

Generazione di un’immagine da più immagini

Gestione degli errori

Esempio di risposta di errore

Conclusione

​GPT-6.1 Sol

​Procedura di richiesta

​Utilizzo di base

​Risposta in streaming

​Conversazione multi-turno

​Integrazione con OpenAI-Python

​Modelli con accesso a Internet

​Modello visivo

​Modello di generazione immagini GPT-4o

​Generazione di immagini in base a un’immagine di riferimento

​Generazione di immagini solo da testo

​Generazione di un’immagine da più immagini

​Gestione degli errori

​Esempio di risposta di errore

​Conclusione

GPT-6.1 Sol

Procedura di richiesta

Utilizzo di base

Risposta in streaming

Conversazione multi-turno

Integrazione con OpenAI-Python

Modelli con accesso a Internet

Modello visivo

Modello di generazione immagini GPT-4o

Generazione di immagini in base a un’immagine di riferimento

Generazione di immagini solo da testo

Generazione di un’immagine da più immagini

Gestione degli errori

Esempio di risposta di errore

Conclusione