API de arquivos e PDFs

Files API compatível com OpenAI para enviar, ler e excluir arquivos. Toda operação requer uma chave de API; um arquivo só pode ser acessado pela mesma conta de cliente que o enviou.

Envie multipart/form-data com os campos obrigatórios file e purpose. Finalidades permitidas: assistants, batch, fine-tune, vision e user_data. O tamanho máximo do arquivo é 50 MiB (52 428 800 bytes); excedê-lo retorna 413.

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

O upload retorna um objeto file com um id opaco, nome, tamanho, finalidade e horário de criação. GET sem /content retorna esses metadados; GET /content baixa os bytes brutos. Após um DELETE bem-sucedido, ambos os GETs retornam 404. O arquivo existente de outra conta retorna 403, e um identificador desconhecido retorna 404.

1. Faça upload do arquivo e mantenha apenas o file_id retornado.
2. Verifique os metadados com a mesma chave; ao trabalhar com Responses, passe este ID em input_file.file_id.
3. Não envie segredos e exclua o arquivo depois de terminar. Um arquivo excluído não pode ser restaurado.

Todos os modelos de texto aceitam PDFs nos três formatos de API. Em resumo: envie o arquivo de qualquer uma das três maneiras abaixo — por padrão, extraímos o texto gratuitamente e o enviamos ao modelo. O modelo lê o texto e as tabelas, mas não as imagens dentro do PDF nem os documentos digitalizados. Quando imagens, layout ou documentos digitalizados forem importantes, escolha um modelo da tabela abaixo e desative a extração de texto. Tudo nesta página foi verificado com solicitações reais em November 2, 2026, usando um PDF de três páginas com texto, uma tabela e uma imagem.

Três maneiras de enviar um PDF

Exemplos prontos para executar

A chave é lida da variável de ambiente GETVIBE_API_KEY. Os exemplos em Python usam os SDKs oficiais openai e anthropic sem alterações — apenas o endereço é diferente.

/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"}

Por padrão, o texto extraído. Extraímos a camada de texto do PDF e a enviamos ao modelo em vez do arquivo. Isso é grátis e funciona com qualquer modelo, até mesmo um sem suporte a PDF. O modelo vê palavras e números, incluindo tabelas (sem bordas, mas com os valores corretos). O que ele não vê: imagens, gráficos, carimbos, assinaturas, cores e layout. Até 60,000 caracteres de texto por solicitação são enviados (cerca de 28 páginas densas); o restante é cortado, e o modelo é informado de que o documento foi truncado. O cabeçalho de resposta x-pv-document-shim informa o que aconteceu: applied:text_extracted significa que o modelo recebeu o texto; not-needed:lane_reads_pdf significa que recebeu o próprio arquivo.

O próprio arquivo. Para que o modelo veja as páginas inteiras, incluindo imagens e layout, adicione "plugins":[{"id":"documents","enabled":false}] ao corpo da solicitação (o cabeçalho então será not-needed:disabled_by_client). Faça isso somente com modelos marcados como “yes” na tabela: os outros respondem 400 ou dizem que não veem nenhum arquivo, e os tokens de entrada do arquivo ainda são cobrados.

# 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}]},
)

Como testamos: pedimos ao modelo uma palavra da página 1, um número de uma célula da tabela e a descrição de uma imagem (formas, cores e um número desenhado como imagem). “Text” significa que ele identificou corretamente a palavra e o número e disse que não conseguia ver a imagem. “Yes” significa que também descreveu a imagem corretamente. Envie PDFs aos modelos GPT, Gemini e Qwen por meio de /v1/chat/completions ou /v1/responses: em /v1/messages eles não veem o próprio arquivo.

Como os tokens são contabilizados. Um PDF é cobrado como tokens de entrada comuns do modelo escolhido, pelo preço dele; não há cobrança separada pelo arquivo nem pela extração de texto. Veja quanto isso representa (medido, incluindo uma pergunta curta):

• Texto extraído: cerca de 700 tokens por página densa de texto (10 páginas — 7,300 tokens; 40 páginas cortadas em 60,000 caracteres — 20,300 tokens). Uma página com uma tabela pequena — 100–200 tokens.
• O próprio arquivo em modelos GPT: cerca de 600–700 tokens por página (10 páginas — 5,900; 40 — 23,300); em gemini-4-argon, cerca de 1,200 por página; em Claude, cerca de 1,600 por página. Uma página digitalizada em gpt-6.1-sol — cerca de 5,800 tokens.
• A repetição do mesmo documento aproveita o cache quando o início da solicitação não muda: em uma segunda solicitação com o mesmo file_id, 7,168 de 7,309 tokens foram lidos do cache.

Tempo. A extração de texto leva uma fração de segundo; uma resposta sobre um documento de 40 páginas chegou em 4–12 segundos. Para documentos grandes e respostas longas, use stream: true e defina o tempo limite do cliente como pelo menos 300 segundos.

• Precisa usar o documento em várias solicitações? Envie-o uma vez e passe o file_id: a solicitação fica menor, e o prefixo repetido é armazenado em cache e custa menos.
• Coloque o PDF e as instruções permanentes no início da mensagem e a pergunta variável no final: assim, o cache é aproveitado com mais frequência.
• Divida por capítulo documentos com mais de ~28 páginas densas: com a extração de texto, qualquer conteúdo além de 60,000 caracteres nunca chega ao modelo.
• Para contratos, relatórios e exportações com uma camada de texto, a extração de texto é suficiente — é a opção mais barata em qualquer modelo, incluindo deepseek-v4.1-flash.
• Precisa de gráficos, carimbos ou documentos digitalizados? Desative a extração e use um modelo marcado como “yes” na tabela, por exemplo gpt-6.1-sol.
• Textos não latinos (russo, chinês e outros) em PDFs são lidos sem nenhuma configuração. Remova a senha de um PDF antes de enviá-lo.
• Exclua os arquivos enviados com DELETE /v1/files/{file_id} quando não precisar mais deles.