ms-ai-architect/skills/ms-ai-advisor/references/prompt-engineering/multimodal-prompt-design.md

Multimodal Prompt Design with Images and Text

Last updated: 2026-06-19 | Verified: MCP 2026-06-19 Status: GA Category: Prompt Engineering & LLM Optimization

---

Introduksjon

Multimodal prompt design handler om å utforme effektive instruksjoner som kombinerer tekst og bilder for å maksimere responskvaliteten fra Large Multimodal Models (LMM). Vision-enabled modeller som GPT-4o, GPT-4o mini, GPT-4 Turbo with Vision, GPT-5-serien og o-serien kan analysere bilder og generere tekstlige responser basert på både visuelt og tekstlig innhold.

Nøkkelkonsepter:

• Vision-enabled modeller kombinerer Natural Language Processing (NLP) med visuell forståelse
• Støtter både URL-baserte bilder (HTTP/HTTPS) og Base64-enkodede bilder
• Bildeinput teller som tokens og påvirker kostnad og latency
• Kan håndtere opptil 10 bilder per chat request
• Detail-parameter (low, high, auto) styrer tokenforbruk og responskvalitet

Tekniske tokens:

Modell	Low detail	High detail (1024×1024)
GPT-4o / GPT-4 Turbo	85 tokens	4160 tokens
GPT-4o mini	2833 tokens	Varierer med dimensjon

Kjernekomponenter

1. Input-formater

URL-basert bildeinnput:

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/image.jpg",
    "detail": "high"
  }
}

Base64-enkodet bildeinnput:

{
  "type": "image_url",
  "image_url": {
    "url": "data:image/jpeg;base64,<base64_string>"
  }
}

Python-eksempel for lokal fil:

import base64
from mimetypes import guess_type

def local_image_to_data_url(image_path):
    mime_type, _ = guess_type(image_path)
    if mime_type is None:
        mime_type = 'application/octet-stream'

    with open(image_path, "rb") as image_file:
        base64_encoded_data = base64.b64encode(image_file.read()).decode('utf-8')

    return f"data:{mime_type};base64,{base64_encoded_data}"

2. Detail Parameter Settings

Setting	Oppførsel	Use case	Token-påvirkning
auto	Modellen velger selv basert på bildestørrelse	Default, balansert	Varierer
low	512×512 lavoppløselig analyse	Rask responsgivning, grov kategorisering	Lavt (85 tokens GPT-4o)
high	Segmentert analyse i 512×512-blokker	Detaljanalyse, OCR, objektdeteksjon	Høyt (4160+ tokens)

3. Message Content Array Structure

Multimodale prompts bruker content-array i stedet for enkel string:

messages=[
    {
        "role": "system",
        "content": "You are a helpful assistant."
    },
    {
        "role": "user",
        "content": [
            {
                "type": "text",
                "text": "Describe this picture:"
            },
            {
                "type": "image_url",
                "image_url": {
                    "url": "<image_url>",
                    "detail": "high"
                }
            }
        ]
    }
],
max_tokens=2000

Viktig: Alltid sett max_tokens eller output blir trunkert.

Arkitekturmønstre

Pattern 1: Single Image Analysis

Bruksområde: Bildeanalyse, beskrivelse, kategorisering Best practice: Plasser bildet FØR teksten i prompten

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "image_url", "image_url": {"url": image_url}},
                {"type": "text", "text": "What objects are visible in this image?"}
            ]
        }
    ],
    max_tokens=500
)

Pattern 2: Multi-Image Comparison

Bruksområde: Before/after, A/B testing, damage assessment Begrensning: Maks 10 bilder per request

content = [
    {"type": "text", "text": "Compare these two images and identify differences:"},
    {"type": "image_url", "image_url": {"url": image1_url, "detail": "high"}},
    {"type": "image_url", "image_url": {"url": image2_url, "detail": "high"}}
]

Pattern 3: Few-shot Learning with Images

Bruksområde: Konsistent formatering, klassifisering med eksempler

messages = [
    {"role": "system", "content": "You classify dog breeds with weight and height."},
    {"role": "user", "content": [
        {"type": "text", "text": "Q: What breed is this?"},
        {"type": "image_url", "image_url": {"url": pomeranian_url}}
    ]},
    {"role": "assistant", "content": "Breed: Pomeranian; weight: 3-7 lbs; height: 8-14 inches"},
    {"role": "user", "content": [
        {"type": "text", "text": "Q: What breed is this?"},
        {"type": "image_url", "image_url": {"url": new_dog_url}}
    ]}
]

Pattern 4: Step-by-step Visual Analysis

Bruksområde: Komplekse scenarioer, recipe extraction, damage assessment

# Steg 1: Beskrivelse
"First, describe everything you see in this image in detail."

# Steg 2: Ekstraksjon
"Based on your description, extract the recipe ingredients and instructions."

# Steg 3: Strukturering
"Format the output as a JSON object with 'ingredients' and 'steps' arrays."

Pattern 5: Multimodal RAG (Retrieval-Augmented Generation)

Bruksområde: Enterprise search over dokument med bilder/diagrammer

To tilnærminger:

1. Image verbalization: LLM beskriver bilder → embeddes som tekst → hybrid search
2. Direct multimodal embeddings: Bilder og tekst embeddes direkte i samme vektorrom

Tilnærming	Fordel	Ulempe	Use case
Verbalization	Semantisk dybde, LLM-sitérbare beskrivelser	LLM-kall per bilde, høyere latency	Diagrammer, flowcharts, infografikk
Direct embeddings	Rask, ingen LLM-kall ved indexing	Ingen forklaring av relasjoner	Visual similarity, produktsøk

Azure AI Search multimodal pipeline (Verified MCP 2026-06-19):

1. Content extraction — to anbefalte innebygde skills:
   • Document Extraction skill: rask prototyping/produksjon der eksakt posisjon ikke kreves; bilde-posisjonsmetadata kun for PDF; ingen innebygd chunking (bruk Text Split skill)
   • Azure Content Understanding skill: avansert — cross-page tabeller, semantisk chunking (innebygd), AI-genererte bildebeskrivelser, og tekst-/bilde-posisjonsmetadata for PDF, DOCX, XLSX, PPTX
   • (Document Layout skill er fortsatt støttet for eksisterende pipelines, men for nye skillsets anbefaler Microsoft Azure Content Understanding skill, som slår sammen ekstraksjon og chunking i én skill.)
2. Text chunking: Text Split skill (ikke nødvendig med Content Understanding, som chunker semantisk)
3. Image verbalization: GenAI Prompt skill + LLM (phi-4, gpt-4o, gpt-5) → naturlig-språklig beskrivelse
4. Embedding: Azure OpenAI / Microsoft Foundry / Azure Vision multimodal embeddings
5. Knowledge store: Lagrer bilder for retrieval; image-lokasjon lagres i indeks for sitert visning

To retrieval-stier:

• Verbalized content → hybrid queries (text + vector). Gir semantisk dybde og LLM-siterbare beskrivelser.
• Direct multimodal embeddings (Azure Vision) → image-to-vector queries. Effektiv visual similarity uten LLM-kall ved indexing.
• Mange løsninger kombinerer begge: forklaringsrike visuals verbaliseres, foto/produktbilder embeddes direkte.

Beslutningsveiledning

Når bruke multimodal prompting?

Scenario	Anbefalt tilnærming	Detail setting
Produktkatalog beskrivelser	Single image + kontekstuell system prompt	auto eller high
Skadevurdering (forsikring)	Multi-image + task-oriented prompt	high
OCR + strukturert ekstraksjon	High detail + step-by-step prompting	high
Social media content moderation	Low detail for rask screening	low
Medisinske bilder	IKKE bruk (out of scope for modellen)	N/A

Prompt Engineering Prinsipper

Prinsipp	Beskrivelse	Eksempel
Contextual specificity	Legg til kontekst om bruksområde	"Describe for an outdoor product catalog, enthusiastic tone"
Task-oriented	Definer spesifikk oppgave	"Analyze car damage for insurance report, detail all visible damage"
Handle refusals	Be om forklaring, bryt ned request	"What information do you need to plan this meal?"
Add examples	Few-shot learning med bilde+tekst par	Se Pattern 3 over
Break down requests	Del komplekse oppgaver i steg	Se Pattern 4 over
Define output format	Spesifiser JSON, Markdown, HTML, osv.	"Return as JSON with 'ingredients' and 'steps' arrays"

Håndtering av refusals

# Initial prompt
"Plan this meal"  # → "Sorry, I can't provide that information."

# Follow-up strategy
"What information do you need?"
# → Modellen lister opp: antall personer, allergier, anledning, osv.

# Refined prompt
"Plan a dinner for 4 people, vegetarian, casual setting. Image shows [...]"
# → Modellen gir detaljert plan

Integrasjon med Microsoft-stakken

Azure OpenAI Service

Endpoint: https://{RESOURCE_NAME}.openai.azure.com/openai/v1/chat/completions

Autentisering:

• API key: api-key header
• Managed Identity: DefaultAzureCredential + bearer token provider

Python SDK:

from openai import OpenAI
from azure.identity import DefaultAzureCredential, get_bearer_token_provider

token_provider = get_bearer_token_provider(
    DefaultAzureCredential(),
    "https://cognitiveservices.azure.com/.default"
)

client = OpenAI(
    base_url="https://YOUR-RESOURCE.openai.azure.com/openai/v1/",
    api_key=token_provider
)

Azure AI Foundry (tidligere Azure AI Studio)

Supported models for multimodal:

• GPT-5 series (gpt-5, gpt-5-mini, gpt-5-nano)
• GPT-4.1 series
• GPT-4.5
• GPT-4o series (gpt-4o, gpt-4o-mini)
• o-series reasoning models (o1, o3, o4-mini)

Model deployment types:

• Standard deployment (region-bound)
• Global-standard deployment (dynamic routing, høyere quota)

Prompt Flow Integration

Azure OpenAI GPT-4 Turbo with Vision tool:

# Prompt template
# system:
As an AI assistant, your task involves interpreting images and responding to questions.
Remember to provide accurate answers based on the information present in the image.

# user:
Can you tell me what the image depicts?
![image]({{image_input}})

Tool configuration:

1. Select Azure OpenAI connection
2. Specify deployment (GPT-4o, GPT-4o-mini, etc.)
3. Set image_input parameter (URL eller upload)
4. Validate and parse input
5. Run flow

Azure AI Search Multimodal Integration

Import data wizard → Multimodal RAG:

Forutsetninger:

Provider	Image verbalization	Multimodal embeddings
Azure Foundry	phi-4, gpt-4o, gpt-5 (LLM) + text-embedding-3-*	N/A
Azure OpenAI	gpt-4o, gpt-5 (LLM) + text-embedding-3-*	N/A
Azure Vision	N/A	Multimodal embeddings (built-in)

Pipeline-steg (wizard):

1. Data source: Azure Blob / ADLS Gen2
2. Content extraction: Document Extraction skill eller Azure Content Understanding skill (Document Layout skill kun for eksisterende pipelines)
3. Text chunking: Text Split skill
4. Image verbalization (optional): GenAI Prompt skill
5. Embedding: Azure OpenAI / Foundry / Azure Vision
6. Knowledge store: Lagrer bilder for retrieval

Query-tid:

• Hybrid queries (text + vector) for verbalized content
• Image-to-vector queries KUN med Azure Vision multimodal embeddings vectorizer

Power Platform Integration

AI Builder + GPT-4o via Azure OpenAI connector:

• Custom connector til Azure OpenAI endpoint
• Parse Base64-enkoded input fra Power Apps
• Return response til Power Automate flow

Offentlig sektor (Norge)

Compliance og databehandling

Aspekt	Vurdering
GDPR	Bilder kan inneholde personopplysninger → databehandleravtale påkrevd
Schrems II	Azure OpenAI EU-regioner (West Europe, North Europe) anbefales
Sikkerhetsloven	Klassifisert informasjon: IKKE send til sky-LLM
Offentleglova	Vurder om bildeinnhold er offentlig eller unntatt

Use cases offentlig sektor

Sektor	Use case	Multimodal pattern
Direktoratet	Skaderegistrering vei/bruer fra drone-bilder	Multi-image damage assessment
NAV	Automatisk dokumentklassifisering (skjema med vedlegg)	OCR + structured extraction
Helsedirektoratet	Visuell analyse av offentlige helsedata (grafer)	⚠️ IKKE medisinske bilder
Kulturminnevern	Katalogisering av bygninger/artefakter	Product catalog pattern
Krisehåndtering	Situasjonsanalyse fra feltbilder	Step-by-step visual analysis

Viktig: Multimodal embeddings er IKKE designet for medisinsk diagnostikk.

Kostnadskontroll

Strategier:

• Bruk low detail for initielt screening, high kun for prioriterte bilder
• Pre-filter bilder med Azure AI Vision (klassisk) før LLM-analyse
• Batch-prosessering med Azure Batch + OpenAI
• Monitor token usage via Azure Monitor + Cost Management

Kostnad og lisensiering

Token-kostnader (per bilde)

GPT-4o (2024-11-20 deployment):

Detail	Dimensjon	Input tokens	Estimert kostnad (NOK)*
low	Any	85	~0.11 kr
high	1024×1024	4160	~5.41 kr
high	1024×1536 (portrait)	6240	~8.11 kr
high	1536×1024 (landscape)	6208	~8.07 kr

GPT-4o mini (2024-07-18 deployment):

Detail	Dimensjon	Input tokens	Estimat kostnad (NOK)*
low	Any	2833	~0.47 kr
high	1024×1024	Lavere enn GPT-4o	~1-2 kr

*Basert på ca. $0.0025 per 1K input tokens GPT-4o, $0.00015 per 1K GPT-4o mini (jan 2026), vekslingskurs ~10.5 NOK/USD. Verifiser aktuelle priser.

Lisensiering

Azure OpenAI:

• Krever Azure-abonnement
• Pay-as-you-go (consumption-based)
• Ingen lisenskostnad utover API-kall

M365 Copilot:

• Multimodal capabilities i Copilot for M365 (chat with images)
• Krever M365 E3/E5 + Copilot lisens (~$30/bruker/måned)
• Begrenset til M365-kontekst (SharePoint, OneDrive, Teams)

Power Platform:

• AI Builder credits for custom connectors til Azure OpenAI
• Premium connector: $40/bruker/måned eller $200/kapasitet/måned
• Per-request costing via Azure OpenAI on top

TCO-optimalisering

Strategi	Besparelse	Trade-off
Bruk GPT-4o mini i stedet for GPT-4o	~94%	Noe lavere kvalitet
low detail i stedet for high	~98% (GPT-4o)	Mister findetaljer
Pre-filter med Azure AI Vision	50-80%	Ekstra kompleksitet
Batch-prosessering (asynkront)	50% rabatt (Azure OpenAI batch API)	Latency 24t
Cache responses (semantic cache)	Varierer	Treff-rate avhengig

For arkitekten (Cosmo)

Discovery-spørsmål

Når kunde ønsker multimodal løsning, kartlegg:

1. Bildetyper:

   • Hva slags bilder? (foto, skjermbilder, diagrammer, dokumenter)
   • Typisk oppløsning og størrelse?
   • Volum (bilder/dag, bilder/måned)?

2. Use case:

   • Hva skal skje med bildene? (kategorisering, OCR, beskrivelse, damage assessment)
   • Responstidskrav? (sanntid vs. batch)
   • Ønsket output-format? (JSON, tekst, strukturert data)

3. Integrasjon:

   • Hvor kommer bildene fra? (bruker-upload, blob storage, SharePoint)
   • Hvor skal responser? (app, database, Power BI)
   • Eksisterende systemer?

4. Compliance:

   • Inneholder bildene personopplysninger?
   • Klassifiseringsnivå (offentlig, begrenset, konfidensiell)?
   • GDPR-krav?

Decision Tree

Multimodal scenario?
├─ Volum < 100 bilder/dag
│  └─ Azure OpenAI direct API (GPT-4o mini, low detail)
│
├─ Volum 100-10k bilder/dag
│  ├─ Sanntid påkrevd?
│  │  ├─ Ja → Azure OpenAI + caching + auto-scaling
│  │  └─ Nei → Azure OpenAI Batch API (50% rabatt)
│  └─ OCR primært? → Azure AI Document Intelligence i stedet
│
├─ Volum > 10k bilder/dag
│  └─ Azure AI Search multimodal pipeline + Azure Vision embeddings
│
├─ Trengs søk over historiske bilder?
│  └─ Azure AI Search multimodal RAG (verbalization eller direct embeddings)
│
└─ RAG over PDF/Office-dokumenter med embedded diagrammer?
   ├─ Forklaringsrike visuals: Azure Content Understanding skill (eller Document Extraction) + GenAI Prompt verbalization
   └─ Visual similarity: Azure Content Understanding + Azure Vision embeddings

Red Flags

⚠️ Unngå multimodal LLM når:

• Medisinsk diagnostikk (out of scope)
• Høy sikkerhetsgradert materiale (risiko for datalekkasje)
• Sanntids-video (bruk Azure Video Indexer i stedet)
• Kun OCR behov (Azure AI Document Intelligence er billigere)
• Ekstrem høy volum real-time (cost explosion)

Proof-of-Concept anbefaling

2-ukers POC:

1. Uke 1: Bygg baseline med Azure OpenAI Playground

   • Test 20-50 representative bilder
   • Evaluer low vs high detail
   • Test 3-5 prompt-variasjoner
   • Mål accuracy og token usage

2. Uke 2: Implementer mini-pipeline

   • Python/C# script med OpenAI SDK
   • Integrer med blob storage
   • Logger tokens og cost
   • Demo til stakeholders

Success criteria:

• Accuracy > 85% på use case
• Token cost innenfor budsjett
• Latency < 5 sekunder (95th percentile)

Arkitekturmaler

Template 1: Simple image analysis API

User → Azure Function (HTTP trigger)
     → OpenAI SDK (GPT-4o mini)
     → Parse response
     → Return JSON

Template 2: Multimodal RAG

Documents (PDF) → Azure AI Search Multimodal wizard
                → GenAI Prompt skill (verbalization)
                → Azure OpenAI embedding
                → Vector index
User query → Hybrid search (text + vector)
           → GPT-4o with grounding
           → Response + image citations

Template 3: Batch processing

Blob upload → Event Grid trigger
            → Azure Function (queue message)
            → OpenAI Batch API submit
            → Poll for completion (24h)
            → Write results to Cosmos DB

Monitoring og observability

Nøkkel-metrikker:

• Tokens per request (avg, p50, p95, p99)
• Cost per image analyzed (NOK)
• Latency (end-to-end)
• Error rate (content filter, API errors)
• Accuracy (human-in-the-loop validation)

Azure Monitor dashboard:

AzureDiagnostics
| where ResourceProvider == "MICROSOFT.COGNITIVESERVICES"
| where OperationName == "ChatCompletions_Create"
| extend tokens_used = toint(properties_s.usage.total_tokens)
| extend has_image = properties_s contains "image_url"
| summarize avg(tokens_used), percentile(tokens_used, 95) by bin(TimeGenerated, 1h), has_image

Kilder og verifisering

Microsoft Learn dokumentasjon (re-verifisert MCP 2026-06-19):

• Use vision-enabled chat models — Offisiell how-to guide for GPT-4o/GPT-4 Turbo with Vision
• Image prompt engineering techniques — Best practices for multimodal prompting
• Multimodal search in Azure AI Search (Re-verified MCP 2026-06-19) — RAG-arkitektur; to anbefalte extraction skills (Document Extraction og Azure Content Understanding; Document Layout kun for eksisterende pipelines); verbalization vs direct embeddings; image-to-vector-queries krever Azure Vision / AML multimodal embeddings-vectorizer; hybrid query-alternativ
• Azure OpenAI models — Modelloversikt og token-kostnader
• Quickstart: Multimodal search in Azure portal — Wizard-basert oppsett
• Get started with multimodal vision chat apps (Re-verified MCP 2026-06-19) — End-to-end sample app: Base64-enkoder opplastet bilde i frontend (FileReader), sender via Azure OpenAI Responses API (input_image/input_text, default gpt-4o), managed identity-autentisering, deploy til Azure Container Apps

Code samples:

• Azure-Samples/cognitive-services-sample-data-files (GitHub)
• Azure AI Foundry multimodal RAG sample app (https://aka.ms/azs-multimodal-sample-app-repo)

Confidence markers:

• ✅ High confidence: Token counts, API structure, detail parameter behavior (direkte fra offisiell docs)
• ✅ High confidence: Prompt engineering patterns (bekreftet i Microsoft Learn)
• ⚠️ Medium confidence: Kostberegninger i NOK (basert på jan 2026 pricing, kan variere)
• ⚠️ Medium confidence: Offentlig sektor use cases (inferert fra generelle patterns, ikke Microsoft-spesifikt)

Sist verifisert: 2026-06-19 Neste review: 2026-09-19 (eller ved nye GPT-modeller/AI Search features)