Премини към основното съдържание
Български— Изберете език
Меню

Разбиране и анализ на изображения

Урок 11 от 16 Обновен 29 юли 2026 г. Начинаещ
На тази страница
  1. Зрение на Grok
  2. Как да изпратите изображение
  3. Какво всъщност можете да попитате
  4. Задаване на ниво на детайлност
  5. Ограничения, които трябва да знаете
  6. Ключови изводи

Зрение на Grok

Grok не се ограничава само до текст. Моделите grok-4.5 и по-новите включват възможности за зрение, които им позволяват да анализират изображения, предоставени от Вас като входни данни. Можете да изпратите снимка, екранна снимка, диаграма или всякаква друга визуализация, а Grok ще Ви предостави подробно описание, анализ или контекстуален отговор. Това разширява границите на възможното: снимка на табло за управление, смачкана фактура или макет на приложение се превръщат в използваеми документи, точно както текст, поставен в разговора.

Как да изпратите изображение

В grok.com процесът отнема четири стъпки:

  1. Кликнете върху бутона за прикачване в полето за въвеждане
  2. Изберете изображението от Вашето устройство
  3. По желание добавете текстово съобщение, за да насочите анализа
  4. Изпратете съобщението си

На мобилно устройство можете също така да направите снимка директно с камерата на телефона си и да я изпратите на Grok за анализ. Това е най-бързият начин, когато сте пред табела, меню или екран, които не можете да копирате и поставите.

За разработчиците изпращането на изображения става чрез смесен масив от обекти в полето за входни данни:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": "https://exemple.com/photo.jpg"},
        {"type": "input_text", "text": "Describe this image in detail"}
    ]
)

Можете да предоставяте изображения като публичен URL адрес или в кодиран формат base64. Изборът има значение: публичният URL изисква изображението да е достъпно отвън, което изключва вътрешните документи; base64 прави заявката по-тежка, но е единствената опция за поверителен файл.

Какво всъщност можете да попитате

Описанието е най-непосредствената употреба. Grok детайлизира присъстващите обекти, цветовете, композицията, настроението, както и хората и техните изражения. Все пак трябва да формулирате заявката си, иначе ще получите плосък инвентар:

Опишете тази снимка в детайли.
Кой е основният обект и какви вторични
елементи забелязвате?

Извличането на текст, или OCR, вероятно е най-ценната ежедневна употреба. Grok чете и транскрибира текст от снимки на документи, екранни снимки, табели и плакати, ресторанти менюта и визитки: всички случаи, в които ръчното препечатване на информацията отнема няколко минути. Искайки форматиране едновременно, спестявате втори кръг от комуникация:

Извлечете целия видим текст в това изображение
и го подредете по четим начин.

Анализът на диаграми и схеми надхвърля простото четене: Grok интерпретира статистически графики, блок-схеми и технически диаграми и може да Ви каже какво показват те. Това е особено полезно, когато PDF отчет заключва своето заключение вътре в дадена фигура:

Анализирайте тази диаграма. Какви са основните тенденции
и какви изводи можем да направим?

Можете също така да изпратите няколко изображения в една и съща заявка, за да може Grok да ги сравни, което превръща прегледа на дизайн в разговор:

Ето две версии на един дизайн. Какви са
основните разлики между тях?

Накрая, дизайнерите и разработчиците използват това зрение върху собствените си екрани, искайки критика за удобството на употреба, а не просто описание:

Анализирайте тази екранна снимка на мобилно приложение.
Какви проблеми с удобството на употреба виждате?

Задаване на ниво на детайлност

Чрез API параметърът detail контролира дълбочината на анализа на изображението и приема три стойности:

  • auto: моделът избира подходящото ниво (по подразбиране)
  • low: бърз, евтин анализ, използващ по-малко токени
  • high: подробен, задълбочен анализ, използващ повече токени

Тази настройка балансира между точност и разход, случай по случай. За обикновен OCR на фактура, low е достатъчно и намалява разходите при хиляди документи; за фин художествен анализ или плътна диаграма, high избягва грешки при разчитане.

Ограничения, които трябва да знаете

ОграничениеСтойност
Максимален размер20 MiB на изображение
Приети форматиСамо JPG, JPEG и PNG
Брой изображенияНяма ограничение на заявка
Използване на токениМежду 256 и 1,792 токена в зависимост от размера и нивото на детайлност

Няколко навика ще Ви помогнат да извлечете максимума от тези възможности. Формулирайте заявката си, вместо да искате общо описание: „колко артикула липсват на склад в тази екранна снимка“ е по-добре от „опишете това изображение“. Променете размера на големите файлове, които забавят обработката, без да добавят нищо полезно. Винаги включвайте текстово съобщение заедно с изображението, защото контекстът значително подобрява релевантността на отговора. И следвайте логиката на форматите: JPG за фотографии, PNG за екранни снимки и всяка визуализация, съдържаща текст, тъй като компресията на JPG замъглява фините символи и кара OCR да се провали.

Ключови изводи

  • Моделите grok-4.5 и по-новите могат да анализират изображения, подадени като входни данни
  • Вариантите за употреба включват описание, OCR, анализ на диаграми и сравнение
  • Можете да предоставяте изображения чрез URL адрес или в base64
  • Настройката за детайлност Ви позволява да контролирате баланса между точност и разход
  • Максималният размер е 20 MiB, само във формати JPG и PNG