Κατανόηση και ανάλυση εικόνων
Σε αυτήν τη σελίδα
Η όραση του Grok
Το Grok δεν περιορίζεται στο κείμενο. Τα μοντέλα grok-4.5 και νεότερα περιλαμβάνουν δυνατότητες όρασης που τους επιτρέπουν να αναλύουν εικόνες που παρέχετε ως είσοδο. Μπορείτε να υποβάλετε μια φωτογραφία, ένα στιγμιότυπο οθόνης, ένα διάγραμμα ή οποιοδήποτε άλλο οπτικό στοιχείο, και το Grok θα σας προσφέρει μια λεπτομερή περιγραφή, μια ανάλυση ή μια απάντηση βάσει του συμφραζομένου. Αυτό αλλάζει τα δεδομένα σχετικά με το τι μπορείτε να του δώσετε: ένας φωτογραφημένος πίνακας ελέγχου, ένα τσαλακωμένο τιμολόγιο ή ένα προσχέδιο εφαρμογής γίνονται usable έγγραφα, ακριβώς όπως το κείμενο που επικολλάτε στη συνομιλία.
Πώς να υποβάλετε μια εικόνα
Στο grok.com, η διαδικασία απαιτεί τέσσερα βήματα:
- Κάντε κλικ στο κουμπί συνημμένου στο πεδίο εισαγωγής
- Επιλέξτε την εικόνα από τη συσκευή σας
- Προαιρετικά, προσθέστε ένα μήνυμα κειμένου για να καθοδηγήσετε την ανάλυση
- Στείλτε το μήνυμά σας
Σε κινητές συσκευές, μπορείτε επίσης να τραβήξετε μια φωτογραφία απευθείας με την κάμερα του τηλεφώνου σας και να τη στείλετε στο Grok για ανάλυση. Αυτός είναι ο ταχύτερος τρόπος όταν αντιμετωπίζετε μια πινακίδα, ένα μενού ή μια οθόνη που δεν μπορείτε να αντιγράψετε και να επικολλήσετε.
Για τους προγραμματιστές, στέλνετε εικόνες μέσω ενός μικτού πίνακα αντικειμένων στο πεδίο εισαγωγής:
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"}
]
)
Μπορείτε να παρέχετε εικόνες ως δημόσιο URL ή κωδικοποιημένες σε base64. Η επιλογή έχει σημασία: ένα δημόσιο URL απαιτεί μια εικόνα προσβάσιμη από το εξωτερικό δίκτυο, κάτι που αποκλείει τα εσωτερικά έγγραφα· το base64 καθιστά το αίτημα βαρύτερο, αλλά είναι η μόνη επιλογή για ένα εμπιστευτικό αρχείο.
Τι μπορείτε πραγματικά να ζητήσετε
Η περιγραφή είναι η πιο άμεση χρήση. Το Grok λεπτομερεί τα υπάρχοντα αντικείμενα, τα χρώματα, τη σύνθεση, τη διάθεση, καθώς και τα πρόσωπα και τις εκφράσεις τους. Πρέπει ωστόσο να διατυπώσετε σωστά το αίτημά σας, διαφορετικά θα λάβετε μια επίπεδη απογραφή:
Περιγράψτε λεπτομερώς αυτή τη φωτογραφία.
Ποιο είναι το κύριο θέμα και ποια δευτερεύοντα
στοιχεία παρατηρείτε;
Η εξαγωγή κειμένου, ή OCR, είναι πιθανότατα η πιο πολύτιμη καθημερινή χρήση. Το Grok διαβάζει και μεταγράφει κείμενο από φωτογραφίες εγγράφων, στιγμιότυπα οθόνης, πινακίδες και αφίσες, μενού εστιατορίων και επαγγελματικές κάρτες: όλες περιπτώσεις όπου η χειροκίνητη πληκτρολόγηση των πληροφοριών απαιτεί αρκετά λεπτά. Η ταυτόχρονη αίτηση μορφοποίησης εξοικονομεί έναν δεύτερο γύρο επικοινωνίας:
Εξάγετε όλο το ορατό κείμενο σε αυτή την εικόνα
και παρουσιάστε το με αναγνώσιμο τρόπο.
Η ανάλυση διαγραμμάτων και γραφημάτων goes beyond την απλή ανάγνωση: το Grok ερμηνεύει στατιστικά γραφήματα, διαγράμματα ροής και τεχνικά σχέδια, και μπορεί να σας πει τι απεικονίζουν. Είναι ιδιαίτερα χρήσιμο όταν μια αναφορά PDF εγκλωβίζει το συμπέρασμά της μέσα σε ένα σχήμα:
Αναλύστε αυτό το γράφημα. Ποιες είναι οι κύριες τάσεις
και ποια συμπεράσματα μπορούμε να εξάγουμε;
Μπορείτε επίσης να υποβάλετε πολλές εικόνες στο ίδιο αίτημα, ώστε το Grok να μπορεί να τις συγκρίνει, μετατρέποντας έτσι μια αναθεώρηση σχεδιασμού σε συνομιλία:
Ορίστε δύο εκδοχές ενός σχεδιασμού. Ποιες είναι οι
κύριες διαφορές μεταξύ τους;
Τέλος, οι σχεδιαστές και οι προγραμματιστές χρησιμοποιούν αυτή την όραση στις δικές τους οθόνες, ζητώντας μια κριτική χρηστικότητας αντί για μια απλή περιγραφή:
Αναλύστε αυτό το στιγμιότυπο οθόνης κινητής εφαρμογής.
Ποια προβλήματα χρηστικότητας εντοπίζετε;
Ορίστε το επίπεδο λεπτομέρειας
Μέσω του API, η παράμετρος detail ελέγχει το βάθος ανάλυσης της εικόνας και δέχεται τρεις τιμές:
- auto: το μοντέλο επιλέγει το κατάλληλο επίπεδο (προεπιλογή)
- low: γρήγορη, οικονομική ανάλυση που χρησιμοποιεί λιγότερα tokens
- high: λεπτομερής, σε βάθος ανάλυση που χρησιμοποιεί περισσότερα tokens
Αυτή η ρύθμιση ανταλλάσσει την ακρίβεια με το κόστος, κατά περίπτωση. Για απλό OCR σε ένα τιμολόγιο, το low αρκεί και μειώνει το κόστος σε χιλιάδες έγγραφα· για λεπτομερή καλλιτεχνική ανάλυση ή ένα πυκνό διάγραμμα, το high αποφεύγει λανθασμένες αναγνώσεις.
Περιορισμοί που πρέπει να γνωρίζετε
| Περιορισμός | Τιμή |
|---|---|
| Μέγιστο μέγεθος | 20 MiB ανά εικόνα |
| Αποδεκτές μορφές | Μόνο JPG, JPEG και PNG |
| Αριθμός εικόνων | Χωρίς όριο ανά αίτημα |
| Χρήση tokens | Μεταξύ 256 και 1.792 tokens ανάλογα με το μέγεθος και το επίπεδο λεπτομέρειας |
Μερικές συνήθειες μεγιστοποιούν αυτές τις δυνατότητες. Διατυπώστε το αίτημά σας αντί να ζητάτε μια γενική περιγραφή: το «πόσα είδη δεν υπάρχουν σε απόθεμα σε αυτό το στιγμιότυπο οθόνης» είναι καλύτερο από το «περιγράψτε αυτή την εικόνα». Μειώστε το μέγεθος των μεγάλων αρχείων, τα οποία επιβραδύνουν την επεξεργασία χωρίς να προσφέρουν κάτι επιπλέον. Συμπεριλάβετε πάντα ένα μήνυμα κειμένου μαζί με την εικόνα, καθώς το συμφραζόμενο βελτιώνει αισθητά τη συνάφεια της απάντησης. Και ακολουθήστε τη λογική των μορφών: JPG για φωτογραφίες, PNG για στιγμιότυπα οθόνης και οποιοδήποτε οπτικό στοιχείο περιέχει κείμενο, καθώς η συμπίεση JPG θολώνει τους λεπτούς χαρακτήρες και προκαλεί αποτυχία του OCR.
Βασικά σημεία
- Τα μοντέλα grok-4.5 και νεότερα μπορούν να αναλύσουν εικόνες που υποβάλλονται ως είσοδο
- Οι περιπτώσεις χρήσης περιλαμβάνουν περιγραφή, OCR, ανάλυση γραφημάτων και σύγκριση
- Μπορείτε να παρέχετε εικόνες μέσω URL ή σε base64
- Η ρύθμιση λεπτομέρειας σας επιτρέπει να ελέγξετε την ισορροπία μεταξύ ακρίβειας και κόστους
- Το μέγιστο μέγεθος είναι 20 MiB, μόνο σε μορφές JPG και PNG