Inhaltliche Formate
Auf dieser Seite
Die beiden Eingabeformate von Grok
Wenn Sie eine Nachricht an Grok senden, kann das Feld content in jeder Nachricht eine von zwei unterschiedlichen Formen annehmen. Das Verständnis dieses Unterschieds ist wichtig, da es bestimmt, welche Inhalte Sie dem Modell übermitteln können: reinen Text oder eine Mischung aus Text und Bildern.
Einfacher Textstring
Dies ist die direkteste Form: Der Inhalt ist ein einfacher String. Sie werden dieses Format für die meisten Ihrer textbasierten Interaktionen verwenden.
{
"role": "user",
"content": "Erklären Sie die Vorteile der Programmiersprache Rust im Vergleich zu C++"
}
Dieses Format funktioniert für alle rein textbasierten Aufgaben: Fragen, Anweisungen, das Bereitstellen von Daten oder Generierungsanfragen. Verwenden Sie dieses Format, wenn Sie keine visuellen Elemente einbeziehen müssen.
Typisiertes Objekt-Array
Für multimodale Anfragen (Text + Bilder) akzeptiert Grok ein Array von Objekten, bei dem jedes Element ein Feld type enthält, das seine Art angibt.
Chat-Completions-Format (Legacy-Endpunkt)
{
"role": "user",
"content": [
{"type": "text", "text": "Beschreiben Sie diese Benutzeroberfläche und schlagen Sie Verbesserungen vor"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/screenshot.png", "detail": "high"}}
]
}
Responses-Format (Primärer Endpunkt)
{
"input": [
{"type": "input_text", "text": "Analysieren Sie dieses Diagramm und extrahieren Sie die wichtigsten Trends"},
{"type": "input_image", "image_url": "https://exemple.com/graphique.png"}
]
}
Beachten Sie den Namensunterschied zwischen den beiden Endpunkten: text und image_url für Chat Completions, input_text und input_image für Responses.
Kombinieren von Text und Bildern
Das Objekt-Array ermöglicht es Ihnen, Text und Bilder in beliebiger Reihenfolge frei zu mischen. Sie können mehrere Bilder in derselben Anfrage senden, wobei Text vor, nach oder zwischen ihnen platziert werden kann.
{
"role": "user",
"content": [
{"type": "text", "text": "Vergleichen Sie diese beiden Interface-Mockups:"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v1.png"}},
{"type": "text", "text": "Version 1 oben, Version 2 unten:"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v2.png"}},
{"type": "text", "text": "Identifizieren Sie die Hauptunterschiede und empfehlen Sie die beste Version."}
]
}
Akzeptierte Bildquellen
Grok akzeptiert Bilder auf zwei Arten:
- Direkte URL: Ein HTTPS-Link zum online gehosteten Bild
- Base64-kodiert: Das Bild direkt im Anfragepaket als Data URI eingebettet
{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,/9j/4AAQ..."}}
Das Base64-Format ist nützlich, wenn Ihre Bilder nicht online gehostet sind (lokale Screenshots, von Ihrer Anwendung generierte Bilder).
Der Parameter detail für Bilder
Jedes Bild kann einen detail-Parameter erhalten, der das Analyselevel steuert:
- auto: Das Modell wählt automatisch (Standardverhalten)
- low: Schnelle und wirtschaftliche Analyse, verbraucht weniger Tokens
- high: Detaillierte Analyse, verbraucht mehr Tokens, erfasst aber feine Details
{"type": "image_url", "image_url": {"url": "https://...", "detail": "low"}}
Verwenden Sie low für einfache Aufgaben (Klassifizierung, allgemeine Beschreibung) und high für präzise Analysen (OCR, Detailerkennung, Lesen von Diagrammen).
Technische Einschränkungen
Halten Sie diese Grenzen im Hinterkopf, wenn Sie mit Bildern arbeiten:
- Maximale Größe: 20 MB pro Bild
- Akzeptierte Formate: Nur JPG, JPEG, PNG
- Keine Begrenzung der Anzahl der Bilder pro Anfrage
- Kompatible Modelle: grok-4.5 und höher
- Bilder verbrauchen zwischen 256 und 1.792 Tokens, abhängig von ihrer Größe und dem Detaillevel
Praktische Übung
Testen Sie beide Formate mit einer einfachen Aufgabe:
Einfaches Textformat:
{"role": "user", "content": "Was sind die 5 grundlegenden Prinzipien des UX-Designs?"}
Array-Format (nur Text, aber strukturiert):
{
"role": "user",
"content": [
{"type": "text", "text": "Kontext: Ich entwerfe eine mobile Lebensmittel-Liefer-App."},
{"type": "text", "text": "Frage: Was sind die 5 wichtigsten UX-Prinzipien für diese Art von Anwendung?"}
]
}
Selbst ohne Bild ermöglicht das Array-Format, Kontext und Frage klar zu trennen, was die Relevanz der Antwort verbessern kann.
Wichtige Erkenntnisse
- Der Inhalt kann ein einfacher String (reiner Text) oder ein Objekt-Array (multimodal) sein
- Das Array-Format ermöglicht das Mischen von Text und Bildern in beliebiger Reihenfolge
- Zwei Namensformate existieren je nach Endpunkt: Chat Completions vs. Responses
- Der
detail-Parameter steuert die Tiefe der Bildanalyse (low, auto, high) - Bilder verbrauchen Tokens: Passen Sie das Detaillevel Ihren Bedürfnissen an
- Das Base64-Format ermöglicht das Senden von Bildern, ohne sie online zu hosten