Премини към основното съдържание
Български— Изберете език
Меню

Разбиране на изображения при уеб търсене

Урок 7 от 16 Обновен 30 юли 2026 г. Програмист
На тази страница
  1. Анализ на изображения, открити в уеб
  2. Активиране
  3. Синтаксис в SDK
  4. Варианти на употреба
  5. Комбиниране с други параметри
  6. Влияние върху разходите
  7. Разлика спрямо X Search
  8. Ключови изводи

Анализ на изображения, открити в уеб

Уеб търсенето надхвърля работата само с текст. Чрез параметъра enable_image_understanding можете да поискате от модела да анализира изображения, които среща по време на своето уеб търсене. Тази функция значително разширява възможностите за търсене, особено за визуални въпроси или теми, при които изображенията предоставят информация, допълваща текста.

Активиране

Активирайте тази функция, като добавите параметъра enable_image_understanding към конфигурацията си за уеб търсене:

{
  "tools": [{
    "type": "web_search",
    "enable_image_understanding": true
  }]
}

Когато е активирана, моделът може да използва вътрешния инструмент view_image, за да анализира изображения, открити по време на търсенето. Той автоматично решава кои изображения са релевантни за разглеждане.

Синтаксис в SDK

xAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture and explain each component",
    tools=[client.tools.web_search(
        enable_image_understanding=True
    )]
)

OpenAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture",
    tools=[{
        "type": "web_search",
        "enable_image_understanding": True
    }]
)

Vercel AI SDK

tools: [xai.tools.webSearch({
  enableImageUnderstanding: true
})]

Варианти на употреба

Анализ на технически диаграми

Моделът може да открива и интерпретира архитектурни диаграми, блок-схеми или технически графики. Това е особено полезно за въпроси относно софтуерни архитектури или индустриални процеси.

Визуално сравнение на продукти

За заявки за сравнение моделът може да анализира екранни снимки или снимки на продукти, открити в уеб, и да прави съответните изводи от тях.

Визуален анализ на данни

Ако въпросът Ви се отнася до данни, представени като графики или визуални таблици, разбирането на изображения позволява на модела да извлече информация от тези визуални представяния.

Комбиниране с други параметри

Разбирането на изображения се комбинира с филтриране по домейн:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Analyze the latest LLM performance benchmarks",
    tools=[{
        "type": "web_search",
        "allowed_domains": ["arxiv.org", "huggingface.co"],
        "enable_image_understanding": True
    }]
)

Моделът ще търси само в разрешените домейни и може да анализира графики с бенчмарки, открити в публикациите.

Влияние върху разходите

Активирането на разбирането на изображения увеличава потреблението на токени. Анализът на всяко изображение генерира допълнителни токени за вход (кодираното изображение) и изход (описанието/анализа). Цената за едно извикване остава същата ($0.005), но обемът токени за заявка може да нарасне значително.

Активирайте тази функция само когато изображенията добавят реална стойност към Вашия случай на употреба. За чисто текстови търсения оставете този параметър деактивиран, за да оптимизирате разходите.

Разбирането на изображения е налично както за уеб търсене, така и за X Search. Въпреки това, разбирането на видео (enable_video_understanding) е изключително за X Search. Уеб търсенето не може да анализира видеоклипове, открити в уеб.

Ключови изводи

  • Активирайте с enable_image_understanding: true в конфигурацията за уеб търсене
  • Моделът използва view_image вътрешно, за да анализира релевантни изображения
  • Полезно за диаграми, графики, екранни снимки и визуални сравнения
  • Увеличава потреблението на токени – активирайте само когато е необходимо
  • Комбинира се с филтриране по домейн за прецизен контрол на източниците
  • Разбирането на видео е изключително за X Search