Ανάλυση εικόνας με το Grok
Σε αυτήν τη σελίδα
Όραση υπολογιστή με το Grok API
Τα μοντέλα Grok με υποστήριξη όρασης μπορούν να αναλύουν εικόνες καθώς και κείμενο. Στέλνετε μια εικόνα (μέσω URL ή σε base64) μαζί με μια ερώτηση και το μοντέλο την περιγράφει, την αναλύει ή εξάγει οπτικές πληροφορίες. Αυτή η δυνατότητα ανοίγει συγκεκριμένες προοπτικές: εξαγωγή δεδομένων από στιγμιότυπα οθόνης, ανάλυση γραφημάτων, ανάγνωση σαρωμένων εγγράφων.
Μορφή εισόδου εικόνας
Για να στείλετε μια εικόνα, χρησιμοποιείτε έναν πίνακα με μικτό περιεχόμενο (κείμενο και εικόνα) στο πεδίο input:
[
{
"type": "input_image",
"image_url": "https://exemple.com/mon-image.jpg"
},
{
"type": "input_text",
"text": "What do you see in this image?"
}
]
Ο τύπος input_image δέχεται ένα δημόσιο URL προς την εικόνα. Ο τύπος input_text περιέχει την ερώτηση ή την οδηγία σας.
Παράδειγμα σε Python
from openai import OpenAI
import os
client = OpenAI(
api_key=os.getenv("XAI_API_KEY"),
base_url="https://api.x.ai/v1"
)
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": "https://exemple.com/graphique-ventes.png"
},
{
"type": "input_text",
"text": "Analyze this chart. What's the main trend?"
}
]
)
print(response.output[0].content[0].text)
Με τη μορφή chat/completions
Εάν χρησιμοποιείτε το παλαιότερο endpoint /v1/chat/completions, η μορφή διαφέρει ελαφρώς:
response = client.chat.completions.create(
model="grok-4.5",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {"url": "https://exemple.com/photo.jpg"}
},
{
"type": "text",
"text": "Describe this image in detail."
}
]
}
]
)
Διαφορές μορφής
| Endpoint | Τύπος εικόνας | Τύπος κειμένου |
|---|---|---|
/v1/responses | input_image | input_text |
/v1/chat/completions | image_url | text |
Αποστολή εικόνας σε base64
Εάν η εικόνα σας δεν είναι προσβάσιμη μέσω URL (αρχείο τοπικό, παραγόμενη εικόνα), κωδικοποιήστε την σε base64:
import base64
with open("capture.png", "rb") as f:
image_base64 = base64.b64encode(f.read()).decode("utf-8")
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": f"data:image/png;base64,{image_base64}"
},
{
"type": "input_text",
"text": "Read the text in this screenshot."
}
]
)
Πραγματικές περιπτώσεις χρήσης
Εξαγωγή δεδομένων
Στείλτε μια φωτογραφία ενός τιμολογίου ή μιας απόδειξης και ζητήστε από το μοντέλο να εξάγει τα ποσά, τις ημερομηνίες και τους αριθμούς αναφοράς.
Ανάλυση γραφημάτων
Υποβάλετε ένα γράφημα ή ένα διάγραμμα και ζητήστε μια ερμηνεία των τάσεων και των βασικών αριθμητικών στοιχείων.
Βοήθεια στον προγραμματισμό
Μοιραστείτε ένα στιγμιότυπο οθόνης με ένα σφάλμα στο IDE σας και ζητήστε μια εξήγηση και μια λύση.
Περιγραφή διεπαφής
Στείλτε ένα προσχέδιο (mockup) ή ένα στιγμιότυπο οθόνης και ζητήστε από το μοντέλο να περιγράψει τα στοιχεία της διεπαφής που περιέχει.
Μοντέλα με δυνατότητα όρασης
Δεν υποστηρίζουν όλα τα μοντέλα Grok την όραση. Χρησιμοποιήστε το grok-4.5, το οποίο περιλαμβάνει υποστήριξη εικόνων. Τα μοντέλα “Mini” ή “fast” ενδέχεται να έχουν περιορισμένη ή καθόλου υποστήριξη.
Βασικά σημεία
- Χρησιμοποιήστε τον τύπο
input_imageμε το endpoint/v1/responsesγια την αποστολή εικόνων - Μπορείτε να στείλετε εικόνες μέσω δημόσιου URL ή κωδικοποιημένες σε base64
- Το μοντέλο
grok-4.5υποστηρίζει ανάλυση εικόνων - Συνδυάστε εικόνα και κείμενο σε έναν πίνακα για να κάνετε ερωτήσεις σχετικά με οπτικό περιεχόμενο