Премини към основното съдържание
Български— Изберете език
Меню

Визия: Анализиране на изображения с Grok

Урок 7 от 12 Обновен 30 юли 2026 г. Програмист
На тази страница
  1. Разбиране на изображения чрез Chat Completions
  2. Изпращане на изображение чрез URL
  3. Изпращане на изображение в Base64
  4. Нива на детайлност: auto, low и high
  5. Анализиране на множество изображения
  6. Технически ограничения
  7. Ключови изводи

Разбиране на изображения чрез Chat Completions

Моделите Grok (започвайки от grok-4.5) включват възможности за визия, които Ви позволяват да анализирате, описвате и разсъждавате върху изображения. Използвате тази функция чрез масивния формат на полето content, комбинирайки обекти text и image_url.

Вариантите за употреба са многобройни: извличане на текст от сканирани документи (OCR), анализ на диаграми, описание на потребителски интерфейси, визуално сравнение или тълкуване на технически схеми.

Изпращане на изображение чрез URL

Най-простият начин е да предоставите публичния URL адрес на изображението:

from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1"
)

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe what you see in this image."},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/photo-architecture.jpg",
                        "detail": "high"
                    }
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

Сървърите на xAI изтеглят изображението по време на заявката. То трябва да бъде публично достъпно.

Изпращане на изображение в Base64

За локални или частни изображения използвайте кодиране base64:

import base64

def encode_image(image_path: str) -> str:
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

image_data = encode_image("capture-ecran.png")

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What text is visible in this screenshot?"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_data}"
                    }
                }
            ]
        }
    ]
)

Форматът на URL адреса е data:image/{format};base64,{data}, където {format} е jpeg, jpg или png.

Нива на детайлност: auto, low и high

Параметърът detail контролира разделителната способност, при която моделът анализира изображението:

detail: “low”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/icone.png",
    "detail": "low"
  }
}

Изображението се мащабира надолу до ниска разделителна способност преди анализа. Това е най-бързият режим и консумира най-малко токени. Използвайте го за прости изображения: икони, лога, основни диаграми.

detail: “high”

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

Изображението се анализира във висока разделителна способност. Моделът може да чете малък текст, да идентифицира фини детайли и да анализира конкретни области. Това е препоръчителният режим за документи, екранни снимки и подробни фотографии.

detail: “auto”

Моделът автоматично избира нивото на детайлност въз основа на размера и сложността на изображението. Това е стойността по подразбиране, ако пропуснете параметъра.

Анализиране на множество изображения

Можете да изпратите няколко изображения в едно съобщение за задачи за сравнение или кръстосан анализ:

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Compare these two versions of the design. What are the differences?"},
                {"type": "image_url", "image_url": {"url": "https://example.com/v1.png", "detail": "high"}},
                {"type": "image_url", "image_url": {"url": "https://example.com/v2.png", "detail": "high"}}
            ]
        }
    ]
)

Няма ограничение за броя изображения на заявка, но всяко изображение консумира допълнителни токени.

Технически ограничения

Имайте предвид следните ограничения при използване на визия:

  • Максимален размер: 20 MiB на изображение
  • Поддържани формати: Само JPG, JPEG и PNG
  • Съвместими модели: grok-4 и по-нови (по-старите модели не поддържат визия)
  • Токени: Изображенията консумират токени, които се добавят към текстовата цена на заявката

Ключови изводи

  • Визията използва масивния формат на полето content с обекти image_url
  • Изображенията могат да се изпращат чрез публичен URL адрес или да се кодират в base64
  • Три нива на детайлност: auto (по подразбиране), low (бързо/икономично) и high (подробно)
  • Максимален размер от 20 MiB на изображение, само формати JPG и PNG
  • Няколко изображения могат да се изпратят в едно съобщение за сравнения