Forstå og analysér billeder
På denne side
Groks syn
Grok er ikke begrænset til tekst. Modellerne grok-4.5 og nyere inkluderer visuelle funktioner, der lader dem analysere billeder, du sender som input. Du kan uploade et foto, et skærmbillede, et diagram eller ethvert andet visuelt materiale, og Grok vil give dig en detaljeret beskrivelse, en analyse eller et kontekstuelt svar. Det udvider grænserne for, hvad du kan give den: et fotograferet dashboard, en krøllet faktura eller en app-mockup bliver til brugbare dokumenter, præcis som tekst indsat i samtalen.
Sådan uploader du et billede
På grok.com tager det fire trin:
- Klik på vedhæftningsknappen i inputfeltet
- Vælg billedet fra din enhed
- Tilføj eventuelt en tekstbesked for at styre analysen
- Send din besked
På mobilen kan du også tage et foto direkte med telefonens kamera og sende det til Grok til analyse. Det er den hurtigste metode, når du står over for et skilt, en menu eller en skærm, du ikke kan kopiere og indsætte.
For udviklere sender du billeder gennem et blandet array af objekter i inputfeltet:
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"}
]
)
Du kan levere billeder som en offentlig URL eller base64-kodet. Valget betyder noget: En offentlig URL kræver et billede, der er tilgængeligt udefra, hvilket udelukker interne dokumenter; base64 gør forespørgslen tungere, men er den eneste mulighed for en fortrolig fil.
Hvad du faktisk kan spørge om
Beskrivelse er den mest umiddelbare anvendelse. Grok detaljerer de tilstedeværende objekter, farverne, kompositionen, stemningen samt personerne og deres udtryk. Du skal stadig formulere din forespørgsel præcist, ellers får du blot en flad inventarliste:
Beskriv dette fotografi i detaljer.
Hvad er hovedmotivet, og hvilke sekundære
elementer lægger du mærke til?
Tekstudtræk, eller OCR, er sandsynligvis den mest værdifulde anvendelse i hverdagen. Grok læser og transkriberer tekst fra fotos af dokumenter, skærmbilleder, skilte og plakater, restaurantmenuer og visitkort: alle tilfælde, hvor det tager flere minutter at genindtaste informationen manuelt. Hvis du beder om formatering på samme tid, sparer du en ekstra runde:
Udtræk al synlig tekst i dette billede
og layout det på en læsbar måde.
Analyse af diagrammer og tegninger går udover blot at læse: Grok fortolker statistiske diagrammer, flowcharts og tekniske tegninger og kan fortælle dig, hvad de viser. Det er især nyttigt, når en PDF-rapport låser sin konklusion inde i en figur:
Analysér dette diagram. Hvad er de vigtigste tendenser,
og hvilke konklusioner kan vi drage?
Du kan også sende flere billeder i samme forespørgsel, så Grok kan sammenligne dem, hvilket gør en designgennemgang til en samtale:
Her er to versioner af et design. Hvad er de
vigtigste forskelle mellem dem?
Endelig bruger designere og udviklere denne visuelle funktion på deres egne skærme og beder om en brugbarhedskritik frem for en beskrivelse:
Analysér dette skærmbillede af en mobilapp.
Hvilke brugbarhedsproblemer ser du?
Indstil detaljeringsgraden
Via API’et styrer parameteren detail, hvor dybt billedet analyseres, og accepterer tre værdier:
- auto: Modellen vælger det passende niveau (standard)
- low: Hurtig, billig analyse, der bruger færre tokens
- high: Detaljeret, dybdegående analyse, der bruger flere tokens
Denne indstilling afvejer præcision mod omkostninger fra sag til sag. Til simpel OCR på en faktura er low nok og reducerer omkostningerne på tværs af tusindvis af dokumenter; til fin kunstnerisk analyse eller et tæt diagram undgår high fejlfortolkninger.
Begrænsninger du skal kende
| Begrænsning | Værdi |
|---|---|
| Maksimumsstørrelse | 20 MiB pr. billede |
| Accepterede formater | Kun JPG, JPEG og PNG |
| Antal billeder | Ingen grænse pr. forespørgsel |
| Token-forbrug | Mellem 256 og 1.792 tokens afhængigt af størrelse og detaljeringsgrad |
Nogle vaner får mest ud af disse funktioner. Formulér din forespørgsel i stedet for at bede om en generel beskrivelse: „hvor mange varer er ikke på lager i dette skærmbillede” slår „beskriv dette billede”. Ændr størrelsen på store filer, da de bremser behandlingen uden at tilføje værdi. Medtag altid en tekstbesked sammen med billedet, fordi kontekst mærkbart forbedrer relevansen af svaret. Og følg logikken i formaterne: JPG til fotografier, PNG til skærmbilleder og alt visuelt, der indeholder tekst, da JPG-komprimering slører fine tegn og får OCR til at fejle.
Vigtige pointer
- Modellerne grok-4.5 og nyere kan analysere billeder sendt som input
- Anvendelsesområder inkluderer beskrivelse, OCR, diagramanalyse og sammenligning
- Du kan levere billeder via URL eller i base64
- Indstillingen for detaljeringsgrad lader dig styre afvejningen mellem præcision og omkostninger
- Maksimumsstørrelsen er 20 MiB, og kun formaterne JPG og PNG understøttes