Формат на съдържанието
На тази страница
Двата входни формата на Grok
Когато изпращате съобщение до Grok, полето content във всяко съобщение може да приеме една от две различни форми. Разбирането на тази разлика е от съществено значение, тъй като тя определя какво можете да изпратите на модела: само текст или комбинация от текст и изображения.
Обикновен текстов низ
Това е най-директната форма: съдържанието е обикновен низ. Ще използвате този формат за по-голямата част от вашите взаимодействия, базирани на текст.
{
"role": "user",
"content": "Explain the advantages of the Rust language compared to C++"
}
Този формат работи за всички задачи, изискващи единствено текст: въпроси, инструкции, предоставяне на данни или заявки за генериране. Използвайте го, когато нямате нужда да включвате визуални елементи.
Масив от типизирани обекти
За мултимодални заявки (текст + изображения), Grok приема масив от обекти, където всеки елемент включва поле type, указващо неговата природа.
Формат за завършване на чат (Legacy Endpoint)
{
"role": "user",
"content": [
{"type": "text", "text": "Describe this user interface and suggest improvements"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/screenshot.png", "detail": "high"}}
]
}
Формат за отговори (Primary Endpoint)
{
"input": [
{"type": "input_text", "text": "Analyze this chart and extract the main trends"},
{"type": "input_image", "image_url": "https://exemple.com/graphique.png"}
]
}
Обърнете внимание на разликата в имената между двата крайни пункта: text и image_url за Chat Completions, докато за Responses се използват input_text и input_image.
Комбиниране на текст и изображения
Масивът от обекти ви позволява свободно да смесвате текст и изображения във всякакъв ред. Можете да изпратите множество изображения в една заявка, като поставите текст преди, след или между тях.
{
"role": "user",
"content": [
{"type": "text", "text": "Compare these two interface mockups:"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v1.png"}},
{"type": "text", "text": "Version 1 above, version 2 below:"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v2.png"}},
{"type": "text", "text": "Identify the main differences and recommend the best version."}
]
}
Приети източници на изображения
Grok приема изображения по два начина:
- Директен URL: HTTPS връзка към изображение, хоствано онлайн
- Кодирано в Base64: изображението е вградено директно в заявката като data URI
{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,/9j/4AAQ..."}}
Форматът Base64 е полезен, когато вашите изображения не са хоствани онлайн (локални екранни снимки, изображения, генерирани от вашето приложение).
Параметърът detail за изображения
Всяко изображение може да получи параметър detail, който контролира нивото на анализ:
- auto: моделът избира автоматично (поведение по подразбиране)
- low: бърз и икономичен анализ, консумира по-малко токени
- high: подробен анализ, консумира повече токени, но улавя фини детайли
{"type": "image_url", "image_url": {"url": "https://...", "detail": "low"}}
Използвайте low за прости задачи (класификация, общо описание) и high за прецизни анализи (OCR, откриване на детайли, четене на графики).
Технически ограничения
Имайте предвид следните ограничения при работа с изображения:
- Максимален размер: 20 MB на изображение
- Приети формати: само JPG, JPEG, PNG
- Няма ограничение за броя изображения на заявка
- Съвместими модели: grok-4.5 и по-нови версии
- Изображенията консумират между 256 и 1 792 токена в зависимост от техния размер и ниво на детайлност
Практическо упражнение
Тествайте двата формата с проста задача:
Прост текстов формат:
{"role": "user", "content": "What are the 5 fundamental principles of UX design?"}
Формат с масив (само текст, но структуриран):
{
"role": "user",
"content": [
{"type": "text", "text": "Context: I'm designing a mobile food delivery application."},
{"type": "text", "text": "Question: what are the 5 most important UX principles for this type of application?"}
]
}
Дори без изображение, форматът с масив ви позволява ясно да разделите контекста от въпроса, което може да подобри релевантността на отговора.
Ключови изводи
- Съдържанието може да бъде обикновен низ (чист текст) или масив от обекти (мултимодално)
- Форматът с масив ви позволява да смесвате текст и изображения във всякакъв ред
- Съществуват два формата за именуване в зависимост от крайния пункт: Chat Completions спрямо Responses
- Параметърът
detailконтролира дълбочината на анализа на изображението (low, auto, high) - Изображенията консумират токени: адаптирайте нивото на детайлност към вашите нужди
- Форматът Base64 ви позволява да изпращате изображения, без да ги хоствате онлайн