Ir al contenido principal
Español— Elegir un idioma
Menú

Visión: Analizar imágenes con Grok

Lección 7 de 12 Actualizado el 30 de julio de 2026 Desarrollador
En esta página
  1. Comprensión de imágenes con Chat Completions
  2. Enviar una imagen mediante URL
  3. Enviar una imagen en Base64
  4. Niveles de detalle: auto, low y high
  5. Analizar múltiples imágenes
  6. Restricciones técnicas
  7. Puntos clave

Comprensión de imágenes con Chat Completions

Los modelos Grok (a partir de grok-4.5) incluyen capacidades de visión que te permiten analizar, describir y razonar sobre imágenes. Utilizas esta función mediante el formato de array del campo content, combinando objetos text e image_url.

Los casos de uso son numerosos: extracción de texto de documentos escaneados (OCR), análisis de gráficos, descripción de interfaces de usuario, comparación visual o interpretación de diagramas técnicos.

Enviar una imagen mediante URL

La forma más sencilla es proporcionar la URL pública de la imagen:

from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1"
)

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe lo que ves en esta imagen."},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/photo-architecture.jpg",
                        "detail": "high"
                    }
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

Los servidores de xAI descargan la imagen en el momento de la solicitud. Esta debe ser accesible públicamente.

Enviar una imagen en Base64

Para imágenes locales o privadas, utiliza la codificación base64:

import base64

def encode_image(image_path: str) -> str:
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

image_data = encode_image("capture-ecran.png")

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "¿Qué texto es visible en esta captura de pantalla?"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_data}"
                    }
                }
            ]
        }
    ]
)

El formato de la URL es data:image/{formato};base64,{datos}, donde {formato} es jpeg, jpg o png.

Niveles de detalle: auto, low y high

El parámetro detail controla la resolución a la que el modelo analiza la imagen:

detail: “low”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/icone.png",
    "detail": "low"
  }
}

La imagen se reduce a una baja resolución antes del análisis. Este es el modo más rápido y consume menos tokens. Úsalo para imágenes sencillas: iconos, logotipos, diagramas básicos.

detail: “high”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/document-scan.jpg",
    "detail": "high"
  }
}

La imagen se analiza en alta resolución. El modelo puede leer texto pequeño, identificar detalles finos y analizar áreas específicas. Este es el modo recomendado para documentos, capturas de pantalla y fotografías detalladas.

detail: “auto”

El modelo elige automáticamente el nivel de detalle en función del tamaño y la complejidad de la imagen. Este es el valor predeterminado si omites el parámetro.

Analizar múltiples imágenes

Puedes enviar varias imágenes en un único mensaje para tareas de comparación o análisis cruzado:

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Compara estas dos versiones del diseño. ¿Cuáles son las diferencias?"},
                {"type": "image_url", "image_url": {"url": "https://example.com/v1.png", "detail": "high"}},
                {"type": "image_url", "image_url": {"url": "https://example.com/v2.png", "detail": "high"}}
            ]
        }
    ]
)

No existe un límite en el número de imágenes por solicitud, pero cada imagen consume tokens adicionales.

Restricciones técnicas

Ten en cuenta estos límites al utilizar la visión:

  • Tamaño máximo: 20 MiB por imagen
  • Formatos admitidos: Solo JPG, JPEG y PNG
  • Modelos compatibles: grok-4 y superiores (los modelos antiguos no admiten visión)
  • Tokens: las imágenes consumen tokens que se suman al coste de texto de la solicitud

Puntos clave

  • La visión utiliza el formato de array del campo content con objetos image_url
  • Las imágenes pueden enviarse mediante URL pública o codificadas en base64
  • Tres niveles de detalle: auto (predeterminado), low (rápido/económico) y high (detallado)
  • Tamaño máximo de 20 MiB por imagen, solo formatos JPG y PNG
  • Pueden enviarse múltiples imágenes en un único mensaje para comparaciones