Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Πολυτροπικές Εντολές (Multi-Modal Prompts)

Μάθημα 9 / 14 Ενημερώθηκε 30 Ιουλίου 2026 Αρχάριος
Σε αυτήν τη σελίδα
  1. Κείμενο και εικόνες στην ίδια εντολή
  2. Αποστολή εικόνας στο Grok
  3. Η παράμετρος detail: έλεγχος της ακρίβειας
  4. Πηγές εικόνων
  5. Πρακτικές περιπτώσεις χρήσης
  6. Βασικοί τεχνικοί περιορισμοί
  7. Σύνταξη μιας καλής πολυτροπικής εντολής
  8. Πρακτική εξάσκηση
  9. Βασικά σημεία

Κείμενο και εικόνες στην ίδια εντολή

Τα μοντέλα Grok 4.5 και νεότερα μπορούν να αναλύουν εικόνες επιπλέον του κειμένου. Αυτή η πολυτροπική ικανότητα ανοίγει ένα ευρύ φάσμα δυνατοτήτων: περιγραφή εικόνας, OCR, ανάλυση γραφημάτων, οπτική σύγκριση και πολλά άλλα.

Η εξοικείωση με τις πολυτροπικές εντολές σάς επιτρέπει να χρησιμοποιείτε το Grok ως οπτικό βοηθό, πέρα από τον ρόλο του ως βοηθό κειμένου.

Αποστολή εικόνας στο Grok

Με το Responses API (κύριο endpoint), οι εικόνες ενσωματώνονται στο πεδίο input ως αντικείμενα typed:

{
  "model": "grok-4.5",
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
    {"type": "input_text", "text": "Analyze this dashboard and identify declining metrics."}
  ]
}

Με το Chat Completions API (παλαιότερο endpoint), η δομή διαφέρει ελαφρώς:

{
  "model": "grok-4.5",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
      {"type": "text", "text": "Analyze this dashboard and identify declining metrics."}
    ]
  }]
}

Η παράμετρος detail: έλεγχος της ακρίβειας

Το επίπεδο λεπτομέρειας επηρεάζει το βάθος της ανάλυσης και τον αριθμό των tokens που καταναλώνονται:

detail: low

Η εικόνα επεξεργάζεται γρήγορα σε μειωμένη ανάλυση. Χρησιμοποιήστε αυτή τη λειτουργία για να:

  • Κατηγοριοποιήσετε εικόνες (φωτογραφία, εικονογράφηση, διάγραμμα)
  • Περιγράψετε το γενικό περιεχόμενο
  • Εντοπίσετε τα κύρια αντικείμενα
  • Ταξινομήσετε εικόνες ανά κατηγορία

Κατανάλωση: λιγότερα tokens, ταχύτερη απόκριση.

detail: high

Η εικόνα αναλύεται σε υψηλή ανάλυση. Χρησιμοποιήστε αυτή τη λειτουργία για να:

  • Διαβάσετε κείμενο μέσα σε μια εικόνα (OCR)
  • Αναλύσετε λεπτομέρειες σε ένα γράφημα ή διάγραμμα
  • Συγκρίνετε ακριβή οπτικά στοιχεία
  • Εντοπίσετε ελαττώματα ή ανωμαλίες

Κατανάλωση: περισσότερα tokens (μεταξύ 256 και 1.792 ανάλογα με το μέγεθος), πιο αργή απόκριση.

detail: auto

Το μοντέλο επιλέγει μόνο του το κατάλληλο επίπεδο. Αυτή είναι η προεπιλεγμένη συμπεριφορά.

Πηγές εικόνων

Άμεση URL

Η απλούστερη μέθοδος: παρέχετε έναν σύνδεσμο HTTPS προς την εικόνα.

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

Base64 (data URI)

Για εικόνες που δεν φιλοξενούνται online, κωδικοποιήστε τες σε base64:

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

Αυτή η μέθοδος είναι χρήσιμη για στιγμιότυπα οθόνης, εικόνες που δημιουργούνται προγραμματιστικά ή εικόνες από μια ροή επεξεργασίας.

Πρακτικές περιπτώσεις χρήσης

OCR και εξαγωγή κειμένου

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
    {"type": "input_text", "text": "Extract from this invoice: the invoice number, date, amount excluding tax, VAT, and amount including tax. Return the result in JSON."}
  ]
}

Ανάλυση γραφημάτων

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
    {"type": "input_text", "text": "This chart shows our monthly sales over 12 months. Identify trends, peaks, and troughs. Suggest possible explanations for the variations."}
  ]
}

Σύγκριση εικόνων

{
  "input": [
    {"type": "input_text", "text": "Compare these two versions of our logo:"},
    {"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": "Identify the differences and recommend the best version for web use."}
  ]
}

Ανάλυση διεπαφής χρήστη

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
    {"type": "input_text", "text": "Evaluate this mobile interface mockup based on the following criteria: readability, visual hierarchy, accessibility, consistency. Rate each criterion out of 10."}
  ]
}

Βασικοί τεχνικοί περιορισμοί

  • Μέγιστο μέγεθος: 20 MB ανά εικόνα
  • Μορφές: Μόνο JPG, JPEG και PNG (όχι GIF, SVG ή WebP)
  • Χωρίς όριο στον αριθμό των εικόνων ανά αίτημα
  • Συμβουλή xAI: χρησιμοποιήστε store: false στο Responses API όταν εργάζεστε με εικόνες για να αποφύγετε σφάλματα σχετικά με την αποθήκευση ιστορικού

Σύνταξη μιας καλής πολυτροπικής εντολής

Οι ίδιες αρχές σαφήνειας ισχύουν, με συγκεκριμένες προσαρμογές για τις εικόνες:

  • Ανακοινώστε την εικόνα: πείτε στο μοντέλο τι θα δει πριν εμφανιστεί η εικόνα
  • Να είστε ακριβείς ως προς την εργασία: το «Περιγράψτε αυτή την εικόνα» είναι αόριστο· το «Εξάγετε δεδομένα από το ραβδόγραμμα και επιστρέψτε τα σε CSV» είναι ακριβές
  • Καθοδηγήστε την προσοχή: αν σας ενδιαφέρει μόνο ένα μέρος της εικόνας, υποδείξτε το («Εστιάστε στην πάνω δεξιά γωνία»)
  • Καθορίστε τη μορφή εξόδου: όπως και στις εντολές κειμένου, διευκρινίστε αν αναμένετε JSON, μια λίστα ή έναν πίνακα

Πρακτική εξάσκηση

Λάβετε ένα στιγμιότυπο οθόνης από έναν πίνακα ελέγχου, ένα γράφημα ή ένα έγγραφο και στείλτε το στο Grok με ένα συγκεκριμένο αίτημα. Δοκιμάστε με detail: low και στη συνέχεια με detail: high και συγκρίνετε την ποιότητα και την ταχύτητα των αποκρίσεων.

Βασικά σημεία

  • Τα μοντέλα grok-4.5+ αναλύουν εικόνες επιπλέον του κειμένου
  • Η παράμετρος detail (low, auto, high) ελέγχει το βάθος της ανάλυσης και το κόστος σε tokens
  • Οι εικόνες μπορούν να παρέχονται μέσω URL ή base64
  • Ανακοινώστε την εικόνα, να είστε ακριβείς ως προς την εργασία και να καθορίζετε τη μορφή εξόδου
  • Χρησιμοποιήστε store: false για να αποφύγετε προβλήματα αποθήκευσης με τις εικόνες
  • Οι αποδεκτές μορφές περιορίζονται σε JPG, JPEG και PNG, με μέγιστο μέγεθος 20 MB