多模态

本页说明对话接口的多模态输入能力。SilvaMux 对多模态内容透传给模型侧，能否处理取决于模型本身。

图片输入（vision）

支持 OpenAI vision 格式，在 messages 的 content 中传入 image_url：

curl https://www.silvamux.com/api/v1/chat/completions \
  -H "Authorization: Bearer $SILVAMUX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-m3",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "这张图里有什么？"},
          {"type": "image_url", "image_url": {"url": "https://example.com/cat.jpg"}}
        ]
      }
    ]
  }'

• image_url.url 可以是公网 URL，或 base64 编码（data:image/jpeg;base64,...）。
• 平台不解析也不剥离图片内容，原样转发给模型侧。
• 是否支持图片输入由模型决定（如部分多模态模型支持，纯文本模型会报错）。

音频输入

支持 OpenAI audio 格式，在 content 中传入 input_audio：

{
  "type": "input_audio",
  "input_audio": {"data": "<base64>", "format": "wav"}
}

• 平台透传，能否处理由模型决定。
• 音频 token 按普通输入 token 计价（无独立多模态单价）。