Премини към основното съдържание
Български— Изберете език
Меню

Мултимодални подкани

Урок 9 от 14 Обновен 30 юли 2026 г. Начинаещ
На тази страница
  1. Текст и изображения в една и съща подкана
  2. Изпращане на изображение към Grok
  3. Параметърът detail: контрол на точността
  4. Източници на изображения
  5. Практически случаи на употреба
  6. Основни технически ограничения
  7. Съставяне на добра мултимодална подкана
  8. Практическо упражнение
  9. Ключови изводи

Текст и изображения в една и съща подкана

Моделите Grok 4.5 и по-новите могат да анализират изображения в допълнение към текста. Тази мултимодална способност отваря широк спектър от възможности: описание на изображения, OCR (разпознаване на текст), анализ на графики, визуално сравнение и други.

Овладяването на мултимодалните подкани Ви позволява да използвате Grok като визуален асистент в допълнение към текстовия такъв.

Изпращане на изображение към Grok

При използване на Responses API (основния крайна точка), изображенията се интегрират в полето input като типизирани обекти:

{
  "model": "grok-4.5",
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
    {"type": "input_text", "text": "Analyze this dashboard and identify declining metrics."}
  ]
}

При използване на Chat Completions API (стария крайна точка), структурата е леко различна:

{
  "model": "grok-4.5",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
      {"type": "text", "text": "Analyze this dashboard and identify declining metrics."}
    ]
  }]
}

Параметърът detail: контрол на точността

Нивото на детайлност влияе върху дълбочината на анализа и броя на използваните токени:

detail: low

Изображението се обработва бързо при намалена резолюция. Използвайте този режим, за да:

  • Класифицирате изображения (снимка, илюстрация, диаграма)
  • Опишете общото съдържание
  • Идентифицирате основните обекти
  • Сортирате изображения по категория

Консумация: по-малко токени, по-бърз отговор.

detail: high

Изображението се анализира във висока резолюция. Използвайте този режим, за да:

  • Прочетете текст в изображението (OCR)
  • Анализирате детайли в графика или диаграма
  • Сравните прецизни визуални елементи
  • Откриете дефекти или аномалии

Консумация: повече токени (между 256 и 1792 в зависимост от размера), по-бавен отговор.

detail: auto

Моделът сам избира подходящото ниво. Това е поведението по подразбиране.

Източници на изображения

Директен URL

Най-простият метод: предоставете HTTPS връзка към изображението.

{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}

Base64 (data URI)

За изображения, които не са хоствани онлайн, ги кодирайте в base64:

{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}

Този метод е полезен за екранни снимки, програмно генерирани изображения или изображения от процес на обработка.

Практически случаи на употреба

OCR и извличане на текст

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
    {"type": "input_text", "text": "Extract from this invoice: the invoice number, date, amount excluding tax, VAT, and amount including tax. Return the result in JSON."}
  ]
}

Анализ на графики

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
    {"type": "input_text", "text": "This chart shows our monthly sales over 12 months. Identify trends, peaks, and troughs. Suggest possible explanations for the variations."}
  ]
}

Сравнение на изображения

{
  "input": [
    {"type": "input_text", "text": "Compare these two versions of our logo:"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v1.png"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v2.png"},
    {"type": "input_text", "text": "Identify the differences and recommend the best version for web use."}
  ]
}

Анализ на потребителски интерфейс

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
    {"type": "input_text", "text": "Evaluate this mobile interface mockup based on the following criteria: readability, visual hierarchy, accessibility, consistency. Rate each criterion out of 10."}
  ]
}

Основни технически ограничения

  • Максимален размер: 20 MB на изображение
  • Формати: Само JPG, JPEG и PNG (без GIF, SVG или WebP)
  • Без ограничение за броя изображения на заявка
  • Съвет от xAI: използвайте store: false в Responses API, когато работите с изображения, за да избегнете грешки, свързани със съхранението на историята

Съставяне на добра мултимодална подкана

Същите принципи за яснота важат, със специфика за изображенията:

  • Анонсирайте изображението: кажете на модела какво ще види преди самото изображение
  • Бъдете точни относно задачата: „Опишете това изображение“ е неясно; „Извлечете данни от стълбовидната диаграма и ги върнете в CSV“ е точно
  • Насочете вниманието: ако само част от изображението Ви интересува, посочете го („Фокусирайте се върху горния десен ъгъл“)
  • Посочете формата на изхода: както при текстовите подкани, уточнете дали очаквате JSON, списък или таблица

Практическо упражнение

Направете екранна снимка на таблото за управление, графика или документ и я изпратете на Grok със специфична заявка. Тествайте с detail: low, след това с detail: high и сравнете качеството и скоростта на отговорите.

Ключови изводи

  • Моделите grok-4.5+ анализират изображения в допълнение към текста
  • Параметърът detail (low, auto, high) контролира дълбочината на анализа и разхода на токени
  • Изображенията могат да се предоставят чрез URL или base64
  • Анонсирайте изображението, бъдете точни относно задачата и посочете формата на изхода
  • Използвайте store: false, за да избегнете проблеми със съхранението при работа с изображения
  • Приетите формати са ограничени до JPG, JPEG и PNG, с максимален размер от 20 MB