Flermodale prompts
På denne side
Tekst og billeder i samme prompt
Grok 4.5 og nyere modeller kan analysere billeder ud over tekst. Denne flermodale evne åbner for en lang række muligheder: billedbeskrivelse, OCR, diagramanalyse, visuel sammenligning og meget mere.
Når du mestrer flermodale prompts, kan du bruge Grok som en visuel assistent i tillæg til en tekstassistent.
Sådan sender du et billede til Grok
Med Responses API (hovedendpoint) integreres billeder i feltet input som typede objekter:
{
"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."}
]
}
Med Chat Completions API (legacy-endpoint) er strukturen lidt anderledes:
{
"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."}
]
}]
}
Parameteren detail: Styring af nøjagtighed
Niveauet for detaljerigdom påvirker dybden af analysen og antallet af forbrugte tokens:
detail: low
Billedet behandles hurtigt ved en reduceret opløsning. Brug denne tilstand til at:
- Klassificere billeder (foto, illustration, diagram)
- Beskrive generelt indhold
- Identificere hovedobjekter
- Sortere billeder efter kategori
Forbrug: Færre tokens, hurtigere svar.
detail: high
Billedet analyseres i høj opløsning. Brug denne tilstand til at:
- Læse tekst i et billede (OCR)
- Analysere detaljer i et diagram eller graf
- Sammenligne præcise visuelle elementer
- Registrere defekter eller anomalier
Forbrug: Flere tokens (mellem 256 og 1.792 afhængigt af størrelse), langsommere svar.
detail: auto
Modellen vælger selv det passende niveau. Dette er standardadfærden.
Billedkilder
Direkte URL
Den enkleste metode: Angiv et HTTPS-link til billedet.
{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}
Base64 (data URI)
For billeder, der ikke er hostet online, skal du kode dem i base64:
{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}
Denne metode er nyttig til skærmbilleder, programmatisk genererede billeder eller billeder fra en behandlingspipeline.
Praktiske anvendelsestilfælde
OCR og tekstudtrækning
{
"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."}
]
}
Diagramanalyse
{
"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."}
]
}
Billedsammenligning
{
"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."}
]
}
Analyse af brugergrænseflade
{
"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."}
]
}
Vigtige tekniske begrænsninger
- Maksimal størrelse: 20 MB pr. billede
- Formater: Kun JPG, JPEG og PNG (ingen GIF, SVG eller WebP)
- Ingen grænse for antallet af billeder pr. anmodning
- xAI-tip: Brug
store: falsei Responses API, når du arbejder med billeder, for at undgå fejl relateret til lagring af historik
Sådan skriver du en god flermodal prompt
De samme principper for klarhed gælder, men med specifikke krav til billeder:
- Annoncer billedet: Fortæl modellen, hvad den skal se, før billedet vises
- Vær præcis omkring opgaven: „Beskriv dette billede” er vagt; „Udtræk data fra søjlediagrammet og returner det som CSV” er præcist
- Styr opmærksomheden: Hvis kun en del af billedet interesserer dig, så angiv det („Fokusér på øverste højre hjørne”)
- Angiv outputformat: Ligesom ved tekstprompter skal du angive, om du forventer JSON, en liste eller en tabel
Øvelse i praksis
Tag et skærmbillede af et dashboard, et diagram eller et dokument, og send det til Grok med en specifik forespørgsel. Test med detail: low og derefter detail: high, og sammenlign kvaliteten og hastigheden af svarene.
Vigtige pointer
- grok-4.5+-modeller analyserer billeder ud over tekst
- Parameteren
detail(low, auto, high) styrer analysedybde og tokenomkostninger - Billeder kan leveres via URL eller base64
- Annoncer billedet, vær præcis omkring opgaven, og angiv outputformatet
- Brug
store: falsefor at undgå lagringsproblemer med billeder - Accepterede formater er begrænset til JPG, JPEG og PNG med en maksimal størrelse på 20 MB