फ़ाइलें API और PDFs

फ़ाइलें upload, पढ़ने और delete करने के लिए OpenAI-compatible Files API। हर operation के लिए API key आवश्यक है; कोई फ़ाइल केवल उसी client account के लिए सुलभ है जिसने उसे upload किया।

आवश्यक file और purpose फ़ील्ड के साथ multipart/form-data भेजें। अनुमत purposes: assistants, batch, fine-tune, vision और user_data। अधिकतम फ़ाइल size 50 MiB (52 428 800 bytes) है; इससे ज़्यादा होने पर 413 मिलता है।

curl -X POST https://getvibeapi.com/v1/files \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -F "purpose=user_data" \
  -F "file=@./report.pdf"

Upload एक file object return करता है जिसमें opaque id, name, size, purpose और creation time होते हैं। /content के बिना GET यही metadata return करता है; GET /content raw bytes download करता है। सफल DELETE के बाद दोनों GET 404 return करते हैं। किसी दूसरे account की existing file 403 return करती है, और unknown identifier 404।

1. फ़ाइल upload करें और सिर्फ़ returned file_id रखें।
2. उसी key से metadata verify करें; Responses के साथ काम करते समय यह id input_file.file_id में pass करें।
3. secrets upload न करें और काम पूरा होने के बाद फ़ाइल delete कर दें। delete की गई फ़ाइल restore नहीं हो सकती।

हर पाठ मॉडल तीनों API प्रारूपों में PDF स्वीकार करता है। संक्षेप में: नीचे दिए गए तीन तरीकों में से किसी से भी फ़ाइल भेजें — डिफ़ॉल्ट रूप से हम उसका पाठ मुफ़्त में निकालकर मॉडल को भेजते हैं। मॉडल पाठ और तालिकाएँ पढ़ता है, लेकिन PDF के अंदर की तस्वीरें या स्कैन नहीं। जब तस्वीरें, लेआउट या स्कैन मायने रखते हों, तो नीचे दी गई तालिका से कोई मॉडल चुनें और पाठ निष्कर्षण बंद करें। इस पृष्ठ की हर बात को 2 नवंबर, 2026 को पाठ, एक तालिका और एक तस्वीर वाले तीन-पृष्ठीय PDF के साथ लाइव अनुरोध करके सत्यापित किया गया था।

PDF भेजने के तीन तरीके

तुरंत चलाने के लिए तैयार उदाहरण

key को GETVIBE_API_KEY environment variable से पढ़ा जाता है। Python के उदाहरण आधिकारिक openai और anthropic SDKs का बिना बदलाव इस्तेमाल करते हैं — केवल पता अलग है।

/v1/chat/completions

# PDF inline (base64); jq builds the body so a large file does not hit the command-line length limit
# macOS: replace base64 -w0 report.pdf with base64 -i report.pdf
jq -n --rawfile b64 <(base64 -w0 report.pdf) '{model: "deepseek-v4.1-flash", messages: [{role: "user", content: [
    {type: "text", text: "Summarise the document"},
    {type: "file", file: {filename: "report.pdf", file_data: ("data:application/pdf;base64," + $b64)}}]}]}' |
curl https://getvibeapi.com/v1/chat/completions \
  -H "Authorization: Bearer $GETVIBE_API_KEY" -H "Content-Type: application/json" -d @-

/v1/responses

# FILE_ID comes from the upload, see the "curl · file_id" tab above
curl https://getvibeapi.com/v1/responses \
  -H "Authorization: Bearer $GETVIBE_API_KEY" -H "Content-Type: application/json" \
  -d '{"model":"gpt-6.1-sol","input":[{"role":"user","content":[
    {"type":"input_text","text":"What were the sales in Kazan in August?"},
    {"type":"input_file","file_id":"'"$FILE_ID"'"}]}]}'
# base64 instead of file_id:
#   {"type":"input_file","filename":"report.pdf","file_data":"data:application/pdf;base64,…"}

/v1/messages

curl https://getvibeapi.com/v1/messages \
  -H "x-api-key: $GETVIBE_API_KEY" -H "anthropic-version: 2023-06-01" -H "Content-Type: application/json" \
  -d '{"model":"claude-sonnet-5.5","max_tokens":1024,"messages":[{"role":"user","content":[
    {"type":"document","source":{"type":"file","file_id":"'"$FILE_ID"'"}},
    {"type":"text","text":"Summarise the document"}]}]}'
# other sources:
#   "source":{"type":"base64","media_type":"application/pdf","data":"<base64>"}
#   "source":{"type":"url","url":"https://example.com/report.pdf"}

डिफ़ॉल्ट रूप से, निकाला गया पाठ। हम PDF की पाठ परत लेते हैं और फ़ाइल के बजाय उसे मॉडल को भेजते हैं। यह मुफ़्त है और किसी भी मॉडल के साथ काम करता है, यहाँ तक कि ऐसे मॉडल के साथ भी जिसमें PDF सहायता नहीं है। मॉडल को शब्द और संख्याएँ दिखती हैं, जिनमें तालिकाएँ भी शामिल हैं (किनारों के बिना, लेकिन सही मानों के साथ)। उसे क्या नहीं दिखता: तस्वीरें, चार्ट, मुहरें, हस्ताक्षर, रंग और लेआउट। हर अनुरोध में अधिकतम 60,000 अक्षरों का पाठ भेजा जाता है (लगभग 28 सघन पृष्ठ); बाकी काट दिया जाता है और मॉडल को बताया जाता है कि दस्तावेज़ काटा गया था। x-pv-document-shim प्रतिक्रिया हेडर बताता है कि क्या हुआ: applied:text_extracted का अर्थ है कि मॉडल को पाठ मिला, not-needed:lane_reads_pdf का अर्थ है कि उसे फ़ाइल स्वयं मिली।

फ़ाइल स्वयं। मॉडल को तस्वीरों और लेआउट समेत पूरे पृष्ठ दिखाने के लिए अनुरोध बॉडी में "plugins":[{"id":"documents","enabled":false}] जोड़ें (तब हेडर not-needed:disabled_by_client दिखाएगा)। ऐसा केवल तालिका में “हाँ” चिह्नित मॉडलों के साथ करें: बाकी 400 का जवाब देते हैं या कहते हैं कि उन्हें कोई फ़ाइल नहीं दिख रही, और फ़ाइल के इनपुट टोकन का बिल फिर भी लिया जाता है।

# curl: add the field to the request body
"plugins": [{"id": "documents", "enabled": false}]

# Python (openai SDK)
r = client.chat.completions.create(
    model="gpt-6.1-sol",
    messages=[...],
    extra_body={"plugins": [{"id": "documents", "enabled": False}]},
)

हमने कैसे जाँचा: मॉडल से पृष्ठ 1 का एक शब्द, तालिका के एक खाने की संख्या बताने और एक तस्वीर का वर्णन करने (आकार, रंग और छवि के रूप में बनाई गई संख्या) को कहा गया। “पाठ” का अर्थ है कि उसने शब्द और संख्या सही बताई और कहा कि उसे तस्वीर दिखाई नहीं दे रही। “हाँ” का अर्थ है कि उसने तस्वीर का भी सही वर्णन किया। GPT, Gemini और Qwen मॉडल को /v1/chat/completions या /v1/responses के ज़रिए PDF भेजें: /v1/messages पर उन्हें फ़ाइल स्वयं दिखाई नहीं देती।

टोकन कैसे गिने जाते हैं। PDF का बिल चुने गए मॉडल के सामान्य इनपुट टोकन के रूप में, उसकी कीमत पर लिया जाता है; फ़ाइल या पाठ निष्कर्षण के लिए कोई अलग शुल्क नहीं है। लागत कितनी आती है (एक छोटा प्रश्न शामिल करके मापा गया):

• निकाला गया पाठ: पाठ के प्रति सघन पृष्ठ पर लगभग 700 टोकन (10 पृष्ठ — 7,300 टोकन; 40 पृष्ठ 60,000 अक्षरों तक काटे जाने पर — 20,300 टोकन)। छोटी तालिका वाले पृष्ठ पर — 100–200 टोकन।
• GPT मॉडल पर फ़ाइल स्वयं: प्रति पृष्ठ लगभग 600–700 टोकन (10 पृष्ठ — 5,900; 40 — 23,300); gemini-4-argon पर लगभग 1,200 प्रति पृष्ठ; Claude पर लगभग 1,600 प्रति पृष्ठ। gpt-6.1-sol पर स्कैन किए गए पृष्ठ में लगभग 5,800 टोकन।
• एक ही दस्तावेज़ को दोहराने पर कैश काम करता है, जब अनुरोध की शुरुआत नहीं बदलती: समान file_id वाला दूसरा अनुरोध 7,309 में से 7,168 टोकन कैश से पढ़ता है।

समय। पाठ निष्कर्षण में एक सेकंड का छोटा-सा अंश लगता है; 40-पृष्ठ के दस्तावेज़ के बारे में जवाब 4–12 सेकंड में आया। बड़े दस्तावेज़ों और लंबे जवाबों के लिए stream: true का उपयोग करें और क्लाइंट टाइमआउट कम से कम 300 सेकंड पर सेट करें।

• दस्तावेज़ को कई अनुरोधों में चाहिए? उसे एक बार अपलोड करें और file_id पास करें: अनुरोध छोटा होता है और बार-बार इस्तेमाल होने वाला प्रीफ़िक्स कैश किया जाता है, जिससे लागत कम होती है।
• PDF और स्थायी निर्देश संदेश की शुरुआत में रखें और बदलता हुआ प्रश्न अंत में: इससे कैश अधिक बार काम करेगा।
• ~28 सघन पृष्ठों से लंबे दस्तावेज़ों को अध्यायों के अनुसार बाँटें: पाठ निष्कर्षण के साथ, 60,000 अक्षरों से आगे का कुछ भी मॉडल तक नहीं पहुँचता।
• पाठ परत वाले अनुबंधों, रिपोर्टों और निर्यातों के लिए पाठ निष्कर्षण पर्याप्त है — deepseek-v4.1-flash समेत किसी भी मॉडल पर यह सबसे सस्ता विकल्प है।
• चार्ट, मुहरें या स्कैन चाहिए? निष्कर्षण बंद करें और तालिका में “हाँ” चिह्नित मॉडल का उपयोग करें, उदाहरण के लिए gpt-6.1-sol।
• PDF में गैर-लैटिन पाठ (रूसी, चीनी और अन्य) बिना किसी सेटिंग के पढ़ा जाता है। भेजने से पहले PDF से पासवर्ड हटाएँ।
• अपलोड की गई फ़ाइलों की ज़रूरत न रहने पर DELETE /v1/files/{file_id} से उन्हें हटाएँ।