Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Porozumění a analýza obrázků

Lekce 11 z 16 Aktualizováno 29. července 2026 Začátečník
Na této stránce
  1. Vizuální schopnosti modelu Grok
  2. Jak odeslat obrázek
  3. Na co se můžeš skutečně zeptat
  4. Nastavení úrovně detailu
  5. Omezení, která musíš znát
  6. Klíčové poznatky

Vizuální schopnosti modelu Grok

Grok se neomezuje pouze na text. Modely grok-4.5 a novější zahrnují vizuální schopnosti, které jim umožňují analyzovat obrázky, které jim poskytneš jako vstup. Můžeš nahrát fotografii, snímek obrazovky, graf nebo jakýkoli jiný vizuál a Grok ti poskytne podrobný popis, analýzu nebo kontextuální odpověď. To posouvá hranice toho, co mu můžeš předložit: vyfocený dashboard, pomačkaná faktura nebo návrh aplikace se stávají použitelnými dokumenty, stejně jako text vložený do konverzace.

Jak odeslat obrázek

Na webu grok.com to zvládneš ve čtyřech krocích:

  1. Klikni na tlačítko pro přílohu ve vstupním poli
  2. Vyber obrázek ze svého zařízení
  3. Volitelně přidej textovou zprávu, která analýzu nasměruje
  4. Odešli svou zprávu

Na mobilním zařízení můžeš také pořídit fotografii přímo fotoaparátem telefonu a odeslat ji modelu Grok k analýze. Je to nejrychlejší způsob, když stojíš před cedulí, jídelním lístkem nebo obrazovkou, kterou nemůžeš zkopírovat a vložit.

Vývojáři odesílají obrázky prostřednictvím smíšeného pole objektů ve vstupním poli:

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"}
    ]
)

Obrázky můžeš poskytnout jako veřejnou URL adresu nebo v kódování base64. Volba záleží na situaci: veřejná URL vyžaduje obrázek dostupný zvenčí, což vylučuje interní dokumenty; base64 činí požadavek náročnějším na přenos dat, ale je jedinou možností pro důvěrné soubory.

Na co se můžeš skutečně zeptat

Popis je nejjednodušším využitím. Grok podrobně rozepíše přítomné objekty, barvy, kompozici, náladu oraz osoby a jejich výrazy. Stále však musíš svůj požadavek správně formulovat, jinak získáš jen plochý inventář:

Popiš tuto fotografii do detailu.
Co je hlavním motivem a jaké vedlejší
prvky si všímáš?

Extrakce textu, neboli OCR, je pravděpodobně nejužitečnějším každodenním využitím. Grok přečte a přepíše text z fotografií dokumentů, snímků obrazovky, cedulí, plakátů, jídelních lístků a vizitek: ve všech případech, kdy by ruční přepis informací trval několik minut. Pokud současně požádáš o formátování, ušetříš si druhý krok komunikace:

Extrahuj veškerý viditelný text z tohoto obrázku
a naformátuj jej čitelným způsobem.

Analýza grafů a diagramů jde nad rámec pouhého čtení: Grok interpretuje statistické grafy, vývojové diagramy a technická schémata a dokáže ti říci, co zobrazují. To je obzvláště užitečné, když PDF zpráva ukrývá svůj závěr uvnitř obrázku:

Analyzuj tento graf. Jaké jsou hlavní trendy
a jaké závěry z toho můžeme vyvodit?

Můžeš také odeslat několik obrázků v rámci jednoho požadavku, aby je Grok porovnal, čímž se revize designu změní v konverzaci:

Zde jsou dvě verze designu. Jaké jsou
mezi nimi hlavní rozdíly?

Nakonec designéři a vývojáři využívají tyto vizuální schopnosti na vlastních obrazovkách, když žádají o kritiku použitelnosti místo pouhého popisu:

Analyzuj tento snímek obrazovky mobilní aplikace.
Jaké problémy s použitelností vidíš?

Nastavení úrovně detailu

Prostřednictvím API parametr detail řídí hloubku analýzy obrázku a přijímá tři hodnoty:

  • auto: model zvolí vhodnou úroveň (výchozí nastavení)
  • low: rychlá, levná analýza, která spotřebuje méně tokenů
  • high: podrobná, hloubková analýza, která spotřebuje více tokenů

Toto nastavení případ od případu váží přesnost proti nákladům. Pro jednoduché OCR na faktuře stačí low, což sníží náklady u tisíců dokumentů; pro jemnou uměleckou analýzu nebo hustý graf nastavení high zabrání chybám v rozpoznání.

Omezení, která musíš znát

OmezeníHodnota
Maximální velikost20 MiB na obrázek
Podporované formátyPouze JPG, JPEG a PNG
Počet obrázkůŽádný limit na požadavek
Využití tokenůMezi 256 a 1 792 tokeny v závislosti na velikosti a úrovni detailu

Několik návyků ti pomůže tyto schopnosti využít naplno. Formuluj svůj požadavek konkrétně, místo abys žádal o obecný popis: „kolik položek je na tomto snímku obrazovky vyprodáno“ je lepší než „popiš tento obrázek“. Změň velikost velkých souborů, které zpomalují zpracování, aniž by přidaly nějakou hodnotu. Vždy přilož k obrázku textovou zprávu, protože kontext znatelně zlepšuje relevanci odpovědi. A řiď se logikou formátů: JPG pro fotografie, PNG pro snímky obrazovky a jakýkoli vizuál obsahující text, protože komprese JPG rozmazává jemné znaky a způsobuje selhání OCR.

Klíčové poznatky

  • Modely grok-4.5 a novější dokážou analyzovat obrázky odeslané jako vstup
  • Mezi případy použití patří popis, OCR, analýza grafů a porovnávání
  • Obrázky můžeš poskytnout prostřednictvím URL nebo v base64
  • Nastavení detailu ti umožňuje řídit kompromis mezi přesností a náklady
  • Maximální velikost je 20 MiB, pouze ve formátech JPG a PNG