Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Bilder verstehen und analysieren

Lektion 11 von 16 Aktualisiert am 29. Juli 2026 Anfänger
Auf dieser Seite
  1. Die Vision von Grok
  2. So reichen Sie ein Bild ein
  3. Wofür Sie Bilder tatsächlich nutzen können
  4. Das Detailniveau einstellen
  5. Zu beachtende Einschränkungen
  6. Kernaussagen

Die Vision von Grok

Grok beschränkt sich nicht auf Text. Die Modelle grok-4.5 und neuere verfügen über visuelle Fähigkeiten, die es ihnen ermöglichen, Bilder zu analysieren, die Sie als Eingabe bereitstellen. Sie können ein Foto, einen Screenshot, ein Diagramm oder jedes andere visuelle Element einreichen, und Grok liefert Ihnen eine detaillierte Beschreibung, eine Analyse oder eine kontextbezogene Antwort. Damit verschiebt sich die Grenze dessen, was Sie ihm übergeben können: Ein fotografiertes Dashboard, eine zerknitterte Rechnung oder ein App-Mockup werden zu nutzbaren Dokumenten, genau wie Text, der in den Chat eingefügt wurde.

So reichen Sie ein Bild ein

Auf grok.com benötigen Sie vier Schritte:

  1. Klicken Sie auf den Anhangs-Button im Eingabefeld.
  2. Wählen Sie das Bild von Ihrem Gerät aus.
  3. Fügen Sie optional eine Textnachricht hinzu, um die Analyse zu leiten.
  4. Senden Sie Ihre Nachricht.

Auf mobilen Geräten können Sie zudem direkt ein Foto mit der Kamera Ihres Smartphones aufnehmen und es zur Analyse an Grok senden. Dies ist die schnellste Methode, wenn Sie einem Schild, einem Menü oder einem Bildschirm gegenüberstehen, den Sie nicht kopieren und einfügen können.

Für Entwickler senden Sie Bilder über ein gemischtes Array von Objekten im Eingabefeld:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": "https://exemple.com/photo.jpg"},
        {"type": "input_text", "text": "Beschreiben Sie dieses Bild im Detail"}
    ]
)

Sie können Bilder als öffentliche URL oder als base64-kodierten String bereitstellen. Die Wahl ist entscheidend: Eine öffentliche URL erfordert ein Bild, das von außen erreichbar ist, was interne Dokumente ausschließt. base64 macht die Anfrage zwar schwerer, ist aber die einzige Option für vertrauliche Dateien.

Wofür Sie Bilder tatsächlich nutzen können

Die Beschreibung ist der unmittelbarste Anwendungsfall. Grok detailliert die vorhandenen Objekte, die Farben, die Komposition, die Stimmung sowie die Personen und deren Ausdrücke. Sie müssen die Anfrage dennoch rahmen, sonst erhalten Sie nur eine flache Inventarliste:

Beschreiben Sie dieses Foto im Detail.
Welches ist das Hauptmotiv, und welche
sekundären Elemente fallen Ihnen auf?

Texterkennung, oder OCR, ist wahrscheinlich der wertvollste Alltagsanfall. Grok liest und transkribiert Text aus Fotos von Dokumenten, Screenshots, Schildern und Plakaten, Restaurantmenüs und Visitenkarten: In allen Fällen, in denen das manuelle Neintippen der Informationen mehrere Minuten in Anspruch nimmt. Wenn Sie gleichzeitig nach einer Formatierung fragen, sparen Sie eine weitere Hin- und Her-Reise:

Extrahieren Sie alle sichtbaren Texte in diesem Bild
und legen Sie sie in einer lesbaren Weise dar.

Die Analyse von Diagrammen und Flussdiagrammen geht über das reine Lesen hinaus: Grok interpretiert statistische Diagramme, Flussdiagramme und technische Zeichnungen und kann Ihnen mitteilen, was sie zeigen. Dies ist besonders nützlich, wenn ein PDF-Bericht sein Fazit in einer Abbildung festhält:

Analysieren Sie dieses Diagramm. Welche
Haupttrends liegen vor, und welche
Schlüsse können wir daraus ziehen?

Sie können auch mehrere Bilder in derselben Anfrage einreichen, damit Grok sie vergleichen kann, was eine Design-Review in ein Gespräch verwandelt:

Hier sind zwei Versionen eines Designs.
Welche Hauptunterschiede bestehen zwischen ihnen?

Schließlich nutzen Designer und Entwickler diese Vision auf ihren eigenen Bildschirmen, indem sie nach einer Usability-Kritik statt nach einer Beschreibung fragen:

Analysieren Sie diesen Screenshot einer mobilen App.
Welche Usability-Probleme sehen Sie?

Das Detailniveau einstellen

Über die API steuert der Parameter detail, wie tief das Bild analysiert wird, und akzeptiert drei Werte:

  • auto: Das Modell wählt das geeignete Niveau aus (Standard)
  • low: Schnelle, kostengünstige Analyse, die weniger Tokens verwendet
  • high: Detaillierte, tiefgehende Analyse, die mehr Tokens verwendet

Diese Einstellung tauscht Präzision gegen Kosten, je nach Fall. Für einfache OCR auf einer Rechnung reicht low aus und senkt die Kosten bei Tausenden von Dokumenten; bei feiner künstlerischer Analyse oder einem dichten Diagramm vermeidet high Missverständnisse.

Zu beachtende Einschränkungen

EinschränkungWert
Maximale Größe20 MiB pro Bild
Akzeptierte FormateNur JPG, JPEG und PNG
Anzahl der BilderKeine Begrenzung pro Anfrage
Token-NutzungZwischen 256 und 1.792 Tokens, abhängig von Größe und Detailniveau

Einige Gewohnheiten maximieren den Nutzen dieser Fähigkeiten. Rahmen Sie Ihre Anfrage, statt nach einer allgemeinen Beschreibung zu fragen: „Wie viele Artikel sind auf diesem Screenshot ausverkauft?” ist besser als „Beschreiben Sie dieses Bild.” Vergrößern Sie große Dateien, die die Verarbeitung verlangsamen, ohne etwas hinzuzufügen. Fügen Sie immer eine Textnachricht zum Bild hinzu, da der Kontext die Relevanz der Antwort merklich verbessert. Und folgen Sie der Logik der Formate: JPG für Fotografien, PNG für Screenshots und jedes visuelle Element, das Text enthält, da JPG-Komprimierung feine Zeichen verschwimmen lässt und die OCR zum Scheitern bringt.

Kernaussagen

  • Die Modelle grok-4.5 und neuere können Bilder analysieren, die als Eingabe übermittelt werden.
  • Anwendungsfälle umfassen Beschreibung, OCR, Diagrammanalyse und Vergleich.
  • Bilder können über URL oder als base64-Kodierung bereitgestellt werden.
  • Die Einstellung detail ermöglicht die Steuerung des Abwägens zwischen Präzision und Kosten.
  • Die maximale Größe beträgt 20 MiB, und es werden nur JPG- und PNG-Formate unterstützt.