Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Κατανόηση Εικόνων στην Αναζήτηση Ιστού

Μάθημα 7 / 16 Ενημερώθηκε 30 Ιουλίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Ανάλυση εικόνων που βρίσκονται στον ιστό
  2. Ενεργοποίηση
  3. Σύνταξη SDK
  4. Περιπτώσεις Χρήσης
  5. Συνδυασμός με άλλες παραμέτρους
  6. Επίπτωση στο κόστος
  7. Διαφορά από την Αναζήτηση X
  8. Βασικά σημεία

Ανάλυση εικόνων που βρίσκονται στον ιστό

Η Αναζήτηση Ιστού (Web Search) υπερβαίνει το απλό κείμενο. Με την παράμετρο enable_image_understanding, μπορείτε να ζητήσετε από το μοντέλο να αναλύσει εικόνες που συναντά κατά τη διάρκεια της αναζήτησής του στον ιστό. Αυτή η λειτουργία επεκτείνει σημαντικά τις δυνατότητες αναζήτησης, ειδικά για οπτικές ερωτήσεις ή θέματα όπου οι εικόνες παρέχουν πληροφορίες που συμπληρώνουν το κείμενο.

Ενεργοποίηση

Ενεργοποιήστε αυτή τη λειτουργία προσθέτοντας την παράμετρο enable_image_understanding στη διαμόρφωση της Αναζήτησης Ιστού σας:

{
  "tools": [{
    "type": "web_search",
    "enable_image_understanding": true
  }]
}

Όταν είναι ενεργοποιημένη, το μοντέλο μπορεί να χρησιμοποιήσει το εσωτερικό εργαλείο view_image για να αναλύσει εικόνες που συναντά κατά την αναζήτηση. Αποφασίζει αυτόματα ποιες εικόνες είναι σχετικές για εξέταση.

Σύνταξη SDK

xAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture and explain each component",
    tools=[client.tools.web_search(
        enable_image_understanding=True
    )]
)

OpenAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture",
    tools=[{
        "type": "web_search",
        "enable_image_understanding": True
    }]
)

Vercel AI SDK

tools: [xai.tools.webSearch({
  enableImageUnderstanding: true
})]

Περιπτώσεις Χρήσης

Ανάλυση τεχνικών διαγραμμάτων

Το μοντέλο μπορεί να βρει και να ερμηνεύσει διαγράμματα αρχιτεκτονικής, διαγράμματα ροής ή τεχνικά γραφήματα. Αυτό είναι ιδιαίτερα χρήσιμο για ερωτήσεις σχετικά με αρχιτεκτονικές λογισμικού ή βιομηχανικές διαδικασίες.

Οπτική σύγκριση προϊόντων

Για ερωτήματα σύγκρισης, το μοντέλο μπορεί να αναλύσει στιγμιότυπα οθόνης ή φωτογραφίες προϊόντων που βρίσκονται στον ιστό και να εξαγάγει σχετικά συμπεράσματα από αυτά.

Οπτική ανάλυση δεδομένων

Εάν η ερώτησή σας αφορά δεδομένα που παρουσιάζονται ως γραφήματα ή οπτικοί πίνακες, η κατανόηση εικόνων επιτρέπει στο μοντέλο να εξάγει πληροφορίες από αυτές τις οπτικές αναπαραστάσεις.

Συνδυασμός με άλλες παραμέτρους

Η κατανόηση εικόνων συνδυάζεται με τη φιλτραρίσματος τομέα:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Analyze the latest LLM performance benchmarks",
    tools=[{
        "type": "web_search",
        "allowed_domains": ["arxiv.org", "huggingface.co"],
        "enable_image_understanding": True
    }]
)

Το μοντέλο θα αναζητήσει μόνο εντός των επιτρεπόμενων τομέων και μπορεί να αναλύσει γραφήματα επιδόσεων (benchmarks) που βρίσκονται σε δημοσιεύσεις.

Επίπτωση στο κόστος

Η ενεργοποίηση της κατανόησης εικόνων αυξάνει την κατανάλωση tokens. Η ανάλυση κάθε εικόνας δημιουργεί επιπλέον tokens για την είσοδο (η κωδικοποιημένη εικόνα) και την έξοδο (η περιγραφή/ανάλυση). Το κόστος ανά κλήση παραμένει το ίδιο ($0.005), αλλά ο όγκος των tokens ανά αίτημα μπορεί να αυξηθεί σημαντικά.

Ενεργοποιήστε αυτή τη λειτουργία μόνο όταν οι εικόνες προσφέρουν πραγματική αξία στην περίπτωσή σας. Για αναζητήσεις που βασίζονται αποκλειστικά σε κείμενο, αφήστε αυτή την παράμετρο απενεργοποιημένη για βελτιστοποίηση του κόστους.

Διαφορά από την Αναζήτηση X

Η κατανόηση εικόνων είναι διαθέσιμη τόσο για την Αναζήτηση Ιστού όσο και για την Αναζήτηση X. Ωστόσο, η κατανόηση βίντεο (enable_video_understanding) είναι αποκλειστική για την Αναζήτηση X. Η Αναζήτηση Ιστού δεν μπορεί να αναλύσει βίντεο που βρίσκονται στον ιστό.

Βασικά σημεία

  • Ενεργοποιήστε την με enable_image_understanding: true στη διαμόρφωση της Αναζήτησης Ιστού
  • Το μοντέλο χρησιμοποιεί εσωτερικά το view_image για να αναλύσει σχετικές εικόνες
  • Χρήσιμο για διαγράμματα, γραφήματα, στιγμιότυπα οθόνης και οπτικές συγκρίσεις
  • Αυξάνει την κατανάλωση tokens—ενεργοποιήστε την μόνο όταν είναι σχετικό
  • Συνδυάζεται με το φιλτράρισμα τομέα για ακριβή έλεγχο της πηγής
  • Η κατανόηση βίντεο είναι αποκλειστική για την Αναζήτηση X