Mọi hướng dẫn “OpenAI Vision và DALL·E” bạn tìm thấy đều dạy dall-e-3 với tham số quality="hd" và endpoint create_variation. Hai thứ đó không còn là đường hiện tại. Năm 2026, bài toán thị giác trên API OpenAI có hai cửa rõ ràng: đưa ảnh vào model qua /v1/responses, và sinh ảnh qua /v1/images/generations với model gpt-image-2.6.
Bài này chỉ dùng HTTP, không dùng SDK, để bạn thấy đúng thứ được gửi đi. Mọi mã model và kích thước dưới đây là số liệu đã kiểm tra ngày 08/11/2026.
Mục lục
Cập nhật 2026
- Vision không còn là API riêng. Nó là khả năng của cả năm model GPT-6:
gpt-6-astra,gpt-6.1-sol,gpt-6-sol,gpt-6.1-terra,gpt-6-luna. Tất cả nhận text + image, trả text. - Sinh ảnh dùng
gpt-image-2.6-sunburst(ưu tiên chi tiết) vàgpt-image-2.6-flare(ưu tiên tốc độ). Kích thước hỗ trợ: 1024×1024, 1536×1024, 1024×1536. - DALL·E không còn là đường hiện tại. Không dạy
dall-e-2/dall-e-3cho dự án mới;create_variationvà mask edit của DALL·E 2 không phải API bạn nên thiết kế quanh nó. - Kiểm duyệt qua
omni-moderation-latesttại/v1/moderations: miễn phí, nhận text + image.
Phần 1: đưa ảnh vào model
Request là một mảng nội dung có thứ tự. Text và ảnh nằm cạnh nhau, và thứ tự ảnh hưởng đến cách model đọc: đặt hướng dẫn trước ảnh thường cho kết quả ổn định hơn đặt ảnh trước.
curl https://api.openai.com/v1/responses \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-6.1-terra",
"input": [{
"role": "user",
"content": [
{"type": "input_text", "text": "Đọc bảng trong ảnh. Trả JSON với các khóa: ma_hang, so_luong, don_gia. Nếu một ô không đọc được, ghi null và thêm ghi_chu."},
{"type": "input_image", "image_url": "https://cdn.example.com/invoice-001.png"}
]
}]
}'
Hai cách truyền ảnh. URL tiện khi ảnh đã nằm trên CDN công khai; model tự tải. Data URL base64 dùng khi ảnh nằm sau xác thực hoặc vừa sinh ra trong RAM: "image_url": "data:image/png;base64,...". Base64 phình dữ liệu khoảng một phần ba, nên với ảnh lớn, URL nội bộ có token ngắn hạn thường rẻ hơn về băng thông — nhưng URL đó phải truy cập được từ hạ tầng của provider, không phải chỉ từ mạng của bạn.
Prompt cho việc “đọc” ảnh
Prompt tốt cho vision có ba phần: phạm vi (nhìn vào đâu), định dạng (trả về gì), và nhánh thất bại (khi không đọc được thì nói gì). Prompt thiếu phần thứ ba sẽ nhận về dữ liệu bịa trông rất hợp lý.
Ví dụ cho ảnh sản phẩm: “Mô tả chất liệu và màu của sản phẩm trong ảnh bằng ba tính từ, kèm mức độ chắc chắn cao/trung bình/thấp. Nếu ảnh không cho thấy rõ chất liệu, trả khong_du_thong_tin.” Mức độ chắc chắn do model tự báo không đáng tin tuyệt đối, nhưng nó hữu ích để định tuyến sang người duyệt.
Một điều chỉnh quan trọng: yêu cầu model trích dẫn vùng. “Nói rõ bạn đọc con số đó ở vị trí nào trong ảnh” buộc model neo vào pixel thay vì suy đoán từ ngữ cảnh. Khi câu trả lời có kèm vị trí, người duyệt kiểm tra nhanh hơn nhiều.
Chi phí và độ trễ của ảnh vào
Ảnh được tính vào input token, và số token phụ thuộc kích thước ảnh cùng cách provider chia tile. Fact base không có đơn giá ảnh riêng, nên đừng lập ngân sách bằng con số từ bài cũ — đo bằng usage của một request thật rồi nhân lên. Hai quy tắc đã kiểm chứng vẫn đúng: vượt 272K token trên toàn request thì OpenAI tính input gấp đôi và output gấp 1,5; và reasoning token tính như output.
Độ trễ chủ yếu nằm ở prefill. Mười ảnh trang tài liệu cộng 40K token text khiến thời gian tới token đầu tiên dài, trong khi câu trả lời chỉ vài trăm token. Nếu tác vụ không cần tương tác, chạy qua Batch/Flex để giảm khoảng 50% chi phí; nếu cần tương tác, giảm số ảnh mỗi request thay vì tăng max_output_tokens.
Phần 2: sinh ảnh
curl https://api.openai.com/v1/images/generations \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-image-2.6-sunburst",
"prompt": "Ảnh minh họa phẳng, nền trắng ngà, một chiếc bàn gỗ thấp đặt cạnh cửa sổ, ánh sáng chiều xiên từ trái, không có chữ, không có người.",
"size": "1536x1024",
"n": 1
}'
Ba kích thước, ba mục đích khác nhau: 1024×1024 cho ảnh vuông (avatar, icon, ảnh mạng xã hội), 1536×1024 cho ảnh ngang (banner, ảnh minh họa bài viết), 1024×1536 cho ảnh dọc (story, poster, ảnh mobile). Chọn sai tỉ lệ rồi crop là cách làm mất bố cục bạn vừa mô tả.
Prompt cho việc “vẽ” ảnh
Prompt ảnh cần năm thành phần theo thứ tự: loại ảnh (minh họa phẳng, ảnh chụp, tranh sơn dầu), chủ thể, bối cảnh, ánh sáng và bố cục, loại trừ (không chữ, không logo, không người). Phần loại trừ quan trọng vì model rất thích thêm chữ và chi tiết trang trí khi bạn không cấm.
Văn bản trong ảnh sinh ra vẫn là điểm yếu: chữ ngắn có thể đúng, chữ dài thường sai chính tả hoặc méo. Nếu thiết kế cần chữ, hãy sinh ảnh nền rồi đặt chữ bằng CSS hoặc công cụ thiết kế — rẻ hơn và đúng hơn nhiều so với việc sinh lại mười lần.
Chọn model theo mục đích: sunburst khi ảnh là sản phẩm cuối (chi tiết, bố cục phức tạp), flare khi ảnh là nguyên liệu trung gian hoặc bạn cần nhiều biến thể để chọn. Đừng dùng sunburst cho 100 biến thể thử nghiệm; chi phí và độ trễ cộng lại trước khi bạn kịp chọn được một ảnh.
Chi phí, độ trễ và lưu trữ
Sinh ảnh được tính theo đơn vị ảnh, không theo token; đơn giá cụ thể không có trong fact base, nên kiểm tra trang giá trước khi cam kết số lượng. Về độ trễ: sinh ảnh chậm hơn đọc ảnh rõ rệt, và độ trễ tăng theo kích thước. Với UI, đây là tác vụ nền: đưa vào queue, trả job_id, hiển thị tiến trình. Gọi đồng bộ trong request HTTP của người dùng là cách nhanh nhất để có timeout.
Lưu trữ là phần hay bị bỏ qua nhất. Đừng hotlink URL trả về; hãy tải bytes và lưu vào storage của bạn với khoá do bạn đặt. Trước khi lưu: bỏ EXIF, chuẩn hoá kích thước, tính hash để dedupe, và gắn metadata (tenant, prompt_hash, model, size, created_at). Ba thông tin cuối là thứ bạn cần khi ai đó hỏi “ảnh này từ đâu ra”.
An toàn và kiểm duyệt
Hai chiều cần kiểm tra, và chúng khác nhau về hậu quả. Ảnh người dùng tải lên có thể chứa nội dung không được phép, hoặc chứa chỉ dẫn nhắm vào model (prompt injection qua ảnh: chữ trong ảnh yêu cầu model bỏ qua hướng dẫn). Ảnh bạn sinh ra có thể vi phạm chính sách, hoặc bị dùng để tạo nội dung gây hiểu lầm về người thật.
Công cụ có sẵn: omni-moderation-latest, miễn phí, nhận text và image, trả điểm theo từng hạng mục. Điểm số không phải quyết định — ngưỡng là của bạn, và nên khác nhau giữa ảnh đại diện, ảnh sản phẩm và ảnh tải lên công khai. Bộ lọc cũng không phải bảo đảm: bạn vẫn phải xử lý output như dữ liệu không tin cậy (OWASP LLM05), và coi mọi text trích từ ảnh là đầu vào không tin cậy (LLM01).
Với ảnh sinh ra có yếu tố người thật, cần thêm ba việc mà API không làm hộ: xác nhận quyền sử dụng hình mẫu, ghi log nguồn prompt, và bảo đảm người xem biết đây là ảnh tổng hợp. Nghĩa vụ minh bạch của EU AI Act áp dụng phần lớn từ 02/08/2026, riêng việc đánh dấu nội dung tổng hợp được hoãn đến 02/12/2026 — gần hơn bạn tưởng nếu sản phẩm phục vụ người dùng EU.
Ghép hai phần: một luồng thực dụng
Luồng hay dùng nhất không phải “Vision rồi DALL·E” như các bài cũ mô tả, mà là: người dùng tải ảnh phác thảo → model đọc và mô tả có cấu trúc → bạn dùng mô tả đó, cộng yêu cầu của người dùng, để soạn prompt sinh ảnh. Điểm quan trọng: bước đọc phải trả về dữ liệu có cấu trúc, không phải một đoạn văn. Một đoạn văn dài đưa thẳng vào prompt sinh ảnh sẽ mang theo mọi suy đoán của model.
# File: app/describe.py
import json
import os
import requests
API_KEY = os.environ["OPENAI_API_KEY"]
API = "https://api.openai.com/v1/responses"
HEADERS = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}
def describe(image_url: str) -> dict:
payload = {
"model": "gpt-6.1-terra",
"input": [{
"role": "user",
"content": [
{"type": "input_text", "text": (
"Tả phác thảo này thành JSON: "
"{doi_tuong, bo_cuc, anh_sang, phong_cach, yeu_cau_bo_sung}. "
"Không suy đoán thứ không thấy trong ảnh."
)},
{"type": "input_image", "image_url": image_url},
],
}],
}
r = requests.post(API, headers=HEADERS, json=payload, timeout=60)
r.raise_for_status()
data = r.json()
text = "".join(
part["text"]
for item in data["output"]
for part in item.get("content", [])
if part.get("type") == "output_text"
)
return json.loads(text)
Hai chi tiết trong đoạn trên đáng chú ý. timeout là bắt buộc, vì vision request có thể chậm hơn bạn nghĩ khi ảnh lớn. Và raise_for_status phải chạy trước khi parse: response lỗi vẫn có body JSON nhưng không có mảng output, nên đọc thẳng sẽ ném lỗi khó đọc thay vì thông báo HTTP thật.
Anti-pattern
- Dạy
dall-e-3cho dự án mới. Model và tham số đã đổi; code cũ chạy được không có nghĩa nó là lựa chọn đúng. - Gửi ảnh gốc 4000px cho mọi request. Provider downscale; bạn trả token cho pixel không bao giờ được đọc. Cắt vùng quan tâm trước khi gửi.
- Không có nhánh “không đọc được”. Model sẽ bịa thay vì thừa nhận.
- Gọi sinh ảnh đồng bộ trong request người dùng. Timeout, retry, và chi phí gấp đôi khi client bỏ đi.
- Hotlink URL ảnh trả về. Bạn không kiểm soát vòng đời của nó.
Khi nào dùng gì
| Nhu cầu | Chọn | Ghi chú |
|---|---|---|
| Đọc ảnh, trả lời câu hỏi | gpt-6.1-terra |
text+image, $1/$5, độ trễ thấp |
| Đọc tài liệu khó, suy luận dài | gpt-6-astra |
$10/$50; nhớ ngưỡng 272K |
| Sinh ảnh cuối, chi tiết | gpt-image-2.6-sunburst |
chậm hơn, dùng cho ảnh xuất bản |
| Sinh nhiều biến thể nhanh | gpt-image-2.6-flare |
nguyên liệu trung gian |
| Kiểm duyệt ảnh tải lên | omni-moderation-latest |
miễn phí, text+image, ngưỡng tự đặt |
Nhìn trước 2027
Hai điều sẽ thay đổi cách viết code này. Thứ nhất, khi video và audio native phổ biến hơn, “thị giác” sẽ không còn là endpoint riêng mà là một phần của pipeline đa phương thức — bạn nên đóng gói phần gọi model vào một lớp, không rải requests.post khắp codebase. Thứ hai, nghĩa vụ đánh dấu nội dung tổng hợp (02/12/2026) sẽ buộc metadata nguồn đi cùng ảnh, nên lưu metadata ngay từ hôm nay thay vì bổ sung sau.
Checklist
- Pin
modelvàsizethành hằng số, không rải literal trong code. - Đo token ảnh bằng usage thật; kiểm tra ngưỡng 272K trước khi gửi nhiều ảnh.
- Luôn có nhánh “không đủ thông tin” trong prompt đọc ảnh.
- Chạy moderation cho ảnh vào và ảnh ra; đặt ngưỡng riêng theo bề mặt.
- Sinh ảnh qua queue, lưu bytes kèm metadata, bỏ EXIF.
- Không dạy DALL·E cho dự án mới; kiểm tra lại tên model trước mỗi lần publish.
