Vícedimenzionální prompty
Na této stránce
Text a obrázky v jednom promptu
Modely Grok 4.5 a novější umí analyzovat nejen text, ale i obrázky. Tato multimodální schopnost otevírá širokou škálu možností: popis obrázků, OCR, analýzu grafů, vizuální porovnávání a mnoho dalšího.
Ovládnutí vícedimenzionálních promptů ti umožní využívat Grok nejen jako textového, ale i jako vizuálního asistenta.
Odeslání obrázku do Groku
Při použití Responses API (hlavní koncový bod) se obrázky integrují do pole input jako typované objekty:
{
"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."}
]
}
Při použití Chat Completions API (starší koncový bod) je struktura mírně odlišná:
{
"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."}
]
}]
}
Parametr detail: řízení přesnosti
Úroveň detailu ovlivňuje hloubku analýzy a počet spotřebovaných tokenů:
detail: low
Obrázek se zpracovává rychle při sníženém rozlišení. Tento režim použij pro:
- Klasifikaci obrázků (fotografie, ilustrace, diagram)
- Popis obecného obsahu
- Identifikaci hlavních objektů
- Řazení obrázků podle kategorií
Spotřeba: méně tokenů, rychlejší odpověď.
detail: high
Obrázek se analyzuje ve vysokém rozlišení. Tento režim použij pro:
- Čtení textu v obrázku (OCR)
- Analýzu detailů v grafu nebo diagramu
- Porovnání přesných vizuálních prvků
- Detekci vad nebo anomálií
Spotřeba: více tokenů (mezi 256 a 1 792 v závislosti na velikosti), pomalejší odpověď.
detail: auto
Model si sám zvolí vhodnou úroveň. Toto je výchozí chování.
Zdroje obrázků
Přímá URL
Nejjednodušší metoda: poskytni odkaz HTTPS na obrázek.
{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}
Base64 (data URI)
Pro obrázky, které nejsou hostovány online, je zakóduj do formátu base64:
{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}
Tato metoda je užitečná pro snímky obrazovky, programově generované obrázky nebo obrázky z zpracovatelského pipeline.
Praktické případy použití
OCR a extrakce textu
{
"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."}
]
}
Analýza grafů
{
"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."}
]
}
Porovnání obrázků
{
"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."}
]
}
Analýza uživatelského rozhraní
{
"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."}
]
}
Klíčová technická omezení
- Maximální velikost: 20 MB na obrázek
- Formáty: Pouze JPG, JPEG a PNG (žádné GIF, SVG ani WebP)
- Žádný limit na počet obrázků na žádost
- Tip od xAI: při práci s obrázky používej v Responses API parametr
store: false, abys předešel chybám souvisejícím s ukládáním historie
Jak napsat dobrý vícedimenzionální prompt
Platí stejné principy jasnosti jako u textu, s dodatkem pro obrázky:
- Oznam obrázek: řekni modelu, co uvidí, ještě před samotným obrázkem
- Buď přesný v zadání úkolu: „Popiš tento obrázek“ je vágní; „Extrahuj data ze sloupcového grafu a vrať je v CSV“ je přesné
- Naveď pozornost: pokud tě zajímá jen část obrázku, uveď to („Zaměř se na pravý horní roh“)
- Upřesni formát výstupu: stejně jako u textových promptů specifikuj, zda očekáváš JSON, seznam nebo tabulku
Praktické cvičení
Pořiď snímek obrazovky dashboardu, grafu nebo dokumentu a odešli jej do Groku s konkrétním požadavkem. Otestuj nastavení detail: low a poté detail: high a porovnej kvalitu a rychlost odpovědí.
Klíčové poznatky
- Modely grok-4.5+ analyzují obrázky společně s textem
- Parametr
detail(low, auto, high) řídí hloubku analýzy a náklady na tokeny - Obrázky lze poskytnout prostřednictvím URL nebo base64
- Oznam obrázek, buď přesný v zadání úkolu a specifikuj formát výstupu
- Používej
store: false, abys předešel problémům s ukládáním obrázků - Akceptované formáty jsou omezeny na JPG, JPEG a PNG s maximální velikostí 20 MB