Lass Nutzer Bilder schicken – Vision im Rollenspiel-Chat

Text-Rollenspiel hat ein Nähe-Problem, das nur in eine Richtung läuft: Die Figur beschreibt ihre Welt, der Nutzer kann im Gegenzug nur seine beschreiben. Bildeingabe schließt den Kreis – er schickt ein Foto von seinem Schreibtisch, seinem Hund, seinem Abendessen, und sie reagiert auf seinen echten Tag. In Charakter-Apps im Produktivbetrieb ist dieser Reaktionsmoment eines der stärksten Bindungsereignisse pro ausgegebenem Credit.

Die Funktion, technisch betrachtet

Chat-Completions akzeptieren Bildteile in Nutzernachrichten: content wird zu einem Array, das Text- und image_url-Einträge mischt (https-URL oder Data-URI, bis zu 2 Bilder pro Anfrage). Jedes angehängte Bild kostet 2 Credits zusätzlich zur Completion – eine Foto-Reaktion auf RP mini kostet insgesamt 3 Credits, etwa drei Cent.

{
  "model": "eroq-rp-mini",
  "context": "Mira: sardonic starship mechanic. Relationship: three weeks in.",
  "messages": [{
    "role": "user",
    "content": [
      { "type": "text", "text": "look what i built today" },
      { "type": "image_url", "image_url": { "url": "data:image/jpeg;base64,…" } }
    ]
  }]
}

Die Engine sieht sich das Bild an, und die Figur antwortet in ihrer Rolle – nicht mit einer Bildbeschreibung. Genau dieser Unterschied ist das Produkt: „Das ist ein wunderschöner Golden Retriever“ ist eine Vision-Demo; „wischt sich das Schmierfett von den Händen okay, der Hund ist süßer als du. Wie heißt er?“ ist eine Beziehung.

UX-Muster, die ihre Credits wert sind

• Der Reaktionsmoment. Ein Kamera-Button im Eingabefeld des Chats, mehr nicht. Nutzer entdecken ihn von selbst; die erste Antwort, bei der „sie die Details bemerkt hat“, ist der Moment, der hängen bleibt.
• Gezielte Nachfrage. Lass die Figur fragen – „zeig mir, wo du gerade sitzt“ – an Stellen, an denen es sich natürlich anfühlt. Erbetene Fotos konvertieren 3–4× besser als ein passiver Button, und sie geben das Tempo deiner Vision-Ausgaben vor.
• Callbacks aus dem Gedächtnis. Nimm, was sie gesehen hat, in deine fortlaufende Zusammenfassung auf („sein Schreibtisch steht am Fenster; der Hund heißt Biscuit“). Ein Callback zwei Tage später – „wie geht’s Biscuit?“ – ist der billigste Wow-Moment der ganzen Kategorie, und er kostet keinen einzigen zusätzlichen Credit, weil er einfach nur Kontext ist.
• Begrenz es sichtbar. Zwei Bilder pro Anfrage sind die Obergrenze der API; ein Tageskontingent in deiner Gratis-Stufe hält die Unit Economics langweilig. Vision ist pro Ereignis günstig, im großen Maßstab aber nicht gratis – plan es ein wie jeden anderen Festpreis.

Die Verantwortung, die bei dir bleibt

Von Nutzern hochgeladene Bilder sind nutzergenerierte Inhalte, und die Pflichten, die mit UGC einhergehen, gehen nicht auf deinen Modellanbieter über:

• Prüf Uploads auf deiner Seite (mindestens CSAM-Erkennung per Abgleich mit den Hash-Listen der Branche), bevor du die API aufrufst. eroqs Nutzungsrichtlinie verbietet Minderjährige und nicht einvernehmliche Inhalte mit realen Personen ausnahmslos – Anfragen außerhalb davon liefern content_blocked und werden nie berechnet –, aber Erkennungs-Tools im Upload-Pfad sind deine rechtliche Verantwortung, kein Nice-to-have.
• Stell die Funktion hinter eine Altersprüfung, zusammen mit dem Rest deines Produkts. Der Fotoaustausch gehört hinter dieselbe Altersprüfung und dieselbe Richtlinie wie das Rollenspiel selbst.
• Speichere nichts, was du nicht brauchst. Reich Data-URIs einfach durch und behalte nur, was das Produkt braucht (die Zeile in der Zusammenfassung, nicht das Foto). RP+ und RP mini sind eroqs eigene Modelle und speichern upstream nichts. Wenn die Figur Bilder zurückschickt, ist das Bildgenerierung – und die kannst du mit store: true dauerhaft hosten.

Häufige Fragen

Wie viele Bilder kann ein Nutzer an eine Nachricht anhängen?

Bis zu 2 pro Anfrage, als https-URLs oder Data-URIs, und nur in Nutzernachrichten. Jedes kostet 2 Credits zusätzlich zur Completion: Eine Foto-Nachricht auf RP mini kostet also 3 Credits inklusive allem, dieselbe Nachricht auf RP+ kostet 5.

Unterstützen beide Rollenspiel-Modelle Vision?

Ja – RP+ und RP mini akzeptieren beide Bildteile, zum selben Aufpreis von +2 Credits pro Bild. Da der Aufschlag identisch ist, schick Foto-Nachrichten an mini, außer das Bild ist selbst das Thema der Antwort, und heb dir das Flaggschiff für die Momente auf, die Gewicht haben.

Sieht die Figur das Foto wirklich, oder rät sie nur?

Die Engine sieht sich das Bild an und antwortet in ihrer Rolle – genau das ist der Unterschied im Produkt. Eine Vision-Demo beschreibt das Bild; ein Companion reagiert darauf und bemerkt das Chaos auf dem Schreibtisch, statt die Gegenstände darauf aufzuzählen. Nimm, was sie gesehen hat, in deine fortlaufende Zusammenfassung auf, und der Callback zwei Tage später kostet keine zusätzlichen Credits.

Wer ist für die Moderation der Nutzer-Uploads verantwortlich?

Du. Prüf Uploads auf deiner Seite vor dem API-Aufruf – mindestens CSAM-Erkennung per Abgleich mit den Hash-Listen der Branche – und stell die Funktion zusammen mit dem Rest deines Produkts hinter eine Altersprüfung. eroqs Nutzungsrichtlinie verbietet Minderjährige und nicht einvernehmliche Inhalte mit realen Personen ausnahmslos, und Anfragen außerhalb der Richtlinie liefern content_blocked, ohne dass etwas berechnet wird – aber die Erkennung im Upload-Pfad ist deine rechtliche Verantwortung, nicht unsere.

An einem Nachmittag live

Bildeingabe ist eine der seltenen Funktionen, die aus einem Button im Eingabefeld und einer Array-Änderung in einem bestehenden Aufruf besteht – ganz ohne neue Infrastruktur. Ein Schlüssel und die 50 Gratis-Credits reichen für den ganzen Test: Schick der API ein Foto von deinem eigenen Schreibtisch und sieh zu, wie die Figur die Kaffeetassen bemerkt. Diese Reaktion ist die Funktion – der Rest ist Produktdisziplin.