Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Multimodale Prompts

Lektion 9 von 14 Aktualisiert am 30. Juli 2026 Anfänger
Auf dieser Seite
  1. Text und Bilder in derselben Anfrage
  2. Ein Bild an Grok senden
  3. Der Parameter detail: Steuerung der Genauigkeit
  4. Bildquellen
  5. Praktische Anwendungsfälle
  6. Wichtige technische Einschränkungen
  7. Verfassen eines guten multimodalen Prompts
  8. Praktische Übung
  9. Kernaussagen

Text und Bilder in derselben Anfrage

Modelle ab Grok 4.5 können neben Text auch Bilder analysieren. Diese multimodale Fähigkeit eröffnet eine breite Palette von Möglichkeiten: Bildbeschreibung, optische Zeichenerkennung (OCR), Analyse von Diagrammen, visueller Vergleich und vieles mehr.

Das Beherrschen multimodaler Prompts ermöglicht es Ihnen, Grok nicht nur als Textassistent, sondern auch als visuellen Assistenten einzusetzen.

Ein Bild an Grok senden

Mit der Responses API (Hauptendpunkt) werden Bilder als objektorientierte Elemente direkt im Feld input integriert:

{
  "model": "grok-4.5",
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
    {"type": "input_text", "text": "Analysieren Sie dieses Dashboard und identifizieren Sie sinkende Kennzahlen."}
  ]
}

Bei der Chat Completions API (Legacy-Endpunkt) ist die Struktur leicht anders aufgebaut:

{
  "model": "grok-4.5",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
      {"type": "text", "text": "Analysieren Sie dieses Dashboard und identifizieren Sie sinkende Kennzahlen."}
    ]
  }]
}

Der Parameter detail: Steuerung der Genauigkeit

Das Detail-Level beeinflusst die Tiefe der Analyse und den Tokenverbrauch:

detail: low

Das Bild wird in reduzierter Auflösung schnell verarbeitet. Nutzen Sie diesen Modus für:

  • Klassifizierung von Bildern (Foto, Illustration, Diagramm)
  • Beschreibung des allgemeinen Inhalts
  • Identifizierung der Hauptobjekte
  • Sortierung von Bildern nach Kategorie

Verbrauch: Weniger Tokens, schnellere Antwort.

detail: high

Das Bild wird in hoher Auflösung analysiert. Nutzen Sie diesen Modus für:

  • Lesen von Text in einem Bild (OCR)
  • Analyse von Details in einem Diagramm oder einer Grafik
  • Vergleich präziser visueller Elemente
  • Erkennung von Mängeln oder Anomalien

Verbrauch: Mehr Tokens (zwischen 256 und 1.792 je nach Größe), langsamere Antwort.

detail: auto

Das Modell wählt das geeignete Level selbst aus. Dies ist das Standardverhalten.

Bildquellen

Direkte URL

Die einfachste Methode: Geben Sie einen HTTPS-Link zum Bild an.

{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}

Base64 (Data URI)

Für Bilder, die nicht online gehostet sind, kodieren Sie sie in Base64:

{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}

Diese Methode ist nützlich für Screenshots, programmatisch generierte Bilder oder Bilder aus einer Verarbeitungs-Pipeline.

Praktische Anwendungsfälle

OCR und Textextraktion

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
    {"type": "input_text", "text": "Extrahieren Sie aus dieser Rechnung: die Rechnungsnummer, das Datum, den Betrag ohne MwSt., die MwSt. und den Betrag inkl. MwSt. Geben Sie das Ergebnis in JSON zurück."}
  ]
}

Diagrammanalyse

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
    {"type": "input_text", "text": "Dieses Diagramm zeigt unsere monatlichen Verkäufe über 12 Monate. Identifizieren Sie Trends, Spitzen und Tiefs. Schlagen Sie mögliche Erklärungen für die Schwankungen vor."}
  ]
}

Bildvergleich

{
  "input": [
    {"type": "input_text", "text": "Vergleichen Sie diese beiden Versionen unseres Logos:"},
    {"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": "Identifizieren Sie die Unterschiede und empfehlen Sie die beste Version für den Web-Einsatz."}
  ]
}

Analyse von Benutzeroberflächen

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
    {"type": "input_text", "text": "Bewerten Sie dieses Mockup einer mobilen Benutzeroberfläche basierend auf folgenden Kriterien: Lesbarkeit, visuelle Hierarchie, Barrierefreiheit, Konsistenz. Bewerten Sie jedes Kriterium von 1 bis 10."}
  ]
}

Wichtige technische Einschränkungen

  • Maximale Größe: 20 MB pro Bild
  • Formate: Nur JPG, JPEG und PNG (keine GIF, SVG oder WebP)
  • Keine Obergrenze für die Anzahl der Bilder pro Anfrage
  • xAI-Tipp: Verwenden Sie store: false in der Responses API, wenn Sie mit Bildern arbeiten, um Fehler im Zusammenhang mit der Historien-Speicherung zu vermeiden.

Verfassen eines guten multimodalen Prompts

Die gleichen Prinzipien der Klarheit gelten, ergänzt um spezifische Anforderungen für Bilder:

  • Bild ankündigen: Sagen Sie dem Modell, was es sehen wird, bevor das Bild folgt.
  • Aufgabe präzise formulieren: „Beschreiben Sie dieses Bild” ist vage; „Extrahieren Sie Daten aus dem Balkendiagramm und geben Sie sie in CSV zurück” ist präzise.
  • Aufmerksamkeit lenken: Wenn nur ein Teil des Bildes Ihr Interesse weckt, weisen Sie darauf hin („Konzentrieren Sie sich auf die obere rechte Ecke”).
  • Ausgabeformat angeben: Wie bei Textprompts, geben Sie an, ob Sie JSON, eine Liste oder eine Tabelle erwarten.

Praktische Übung

Machen Sie einen Screenshot eines Dashboards, Diagramms oder Dokuments und senden Sie es an Grok mit einer spezifischen Anfrage. Testen Sie mit detail: low und dann mit detail: high und vergleichen Sie Qualität und Geschwindigkeit der Antworten.

Kernaussagen

  • Modelle ab grok-4.5+ analysieren Bilder zusätzlich zu Text.
  • Der Parameter detail (low, auto, high) steuert die Analyse-Tiefe und die Token-Kosten.
  • Bilder können über URL oder Base64 bereitgestellt werden.
  • Ankündigen Sie das Bild, formulieren Sie die Aufgabe präzise und geben Sie das Ausgabeformat vor.
  • Verwenden Sie store: false, um Speicherprobleme mit Bildern zu vermeiden.
  • Akzeptierte Formate sind auf JPG, JPEG und PNG beschränkt, mit einer maximalen Größe von 20 MB.