Ir al contenido principal
Español— Elegir un idioma
Menú

Comprender y analizar imágenes

Lección 11 de 16 Actualizado el 29 de julio de 2026 Principiante
En esta página
  1. La visión de Grok
  2. Cómo enviar una imagen
  3. Qué puedes preguntar realmente
  4. Establecer el nivel de detalle
  5. Restricciones a tener en cuenta
  6. Puntos clave

La visión de Grok

Grok no se limita al texto. Los modelos grok-4.5 y posteriores incluyen capacidades de visión que les permiten analizar las imágenes que proporcionas como entrada. Puedes enviar una fotografía, una captura de pantalla, un gráfico o cualquier otro elemento visual; Grok te ofrecerá una descripción detallada, un análisis o una respuesta contextual. Esto amplía lo que puedes entregarle: un panel de control fotografiado, una factura arrugada o un boceto de aplicación se convierten en documentos utilizables, al igual que el texto pegado en la conversación.

Cómo enviar una imagen

En grok.com, el proceso consta de cuatro pasos:

  1. Haz clic en el botón de adjuntar en el campo de entrada
  2. Selecciona la imagen desde tu dispositivo
  3. Opcionalmente, añade un mensaje de texto para guiar el análisis
  4. Envía tu mensaje

En dispositivos móviles, también puedes tomar una foto directamente con la cámara de tu teléfono y enviársela a Grok para que la analice. Es la forma más rápida cuando te encuentras frente a un letrero, un menú o una pantalla que no puedes copiar y pegar.

Para los desarrolladores, las imágenes se envían mediante una matriz mixta de objetos en el campo de entrada:

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"}
    ]
)

Puedes proporcionar imágenes como una URL pública o codificadas en base64. La elección es importante: una URL pública requiere que la imagen sea accesible desde el exterior, lo que descarta documentos internos; base64 hace que la solicitud sea más pesada, pero es la única opción para un archivo confidencial.

Qué puedes preguntar realmente

La descripción es el uso más inmediato. Grok detalla los objetos presentes, los colores, la composición, el ambiente, así como las personas y sus expresiones. Aun así, debes encuadrar la solicitud; de lo contrario, obtendrás un inventario plano:

Describe esta fotografía en detalle.
¿Cuál es el sujeto principal y qué elementos
secundarios observas?

La extracción de texto, u OCR, es probablemente el uso cotidiano más valioso. Grok lee y transcribe texto a partir de fotos de documentos, capturas de pantalla, letreros y carteles, menús de restaurantes y tarjetas de visita: todos casos en los que volver a escribir la información a mano lleva varios minutos. Solicitar el formato al mismo tiempo ahorra una segunda ida y vuelta:

Extrae todo el texto visible en esta imagen
y preséntalo de forma legible.

Analizar gráficos y diagramas va más allá de la lectura: Grok interpreta gráficos estadísticos, diagramas de flujo y esquemas técnicos, y puede explicarte qué muestran. Resulta especialmente útil cuando un informe en PDF encierra su conclusión dentro de una figura:

Analiza este gráfico. ¿Cuáles son las tendencias principales
y qué conclusiones podemos extraer?

También puedes enviar varias imágenes en la misma solicitud para que Grok las compare, lo que convierte una revisión de diseño en una conversación:

Aquí tienes dos versiones de un diseño. ¿Cuáles son
las principales diferencias entre ellas?

Por último, diseñadores y desarrolladores utilizan esta visión sobre sus propias pantallas, solicitando una crítica de usabilidad en lugar de una descripción:

Analiza esta captura de pantalla de una aplicación móvil.
¿Qué problemas de usabilidad observas?

Establecer el nivel de detalle

A través de la API, el parámetro detail controla la profundidad del análisis de la imagen y acepta tres valores:

  • auto: el modelo elige el nivel adecuado (predeterminado)
  • low: análisis rápido y económico que utiliza menos tokens
  • high: análisis detallado y exhaustivo que utiliza más tokens

Este ajuste equilibra precisión y coste, caso por caso. Para un OCR sencillo en una factura, low es suficiente y reduce el coste en miles de documentos; para un análisis artístico fino o un gráfico denso, high evita errores de lectura.

Restricciones a tener en cuenta

RestricciónValor
Tamaño máximo20 MiB por imagen
Formatos aceptadosSolo JPG, JPEG y PNG
Número de imágenesSin límite por solicitud
Uso de tokensEntre 256 y 1.792 tokens, según el tamaño y el nivel de detalle

Unos pocos hábitos permiten aprovechar al máximo estas capacidades. Encuadra tu solicitud en lugar de pedir una descripción general: «¿cuántos artículos están agotados en esta captura de pantalla?» funciona mejor que «describe esta imagen». Cambia el tamaño de los archivos grandes, ya que ralentizan el procesamiento sin aportar nada. Incluye siempre un mensaje de texto junto con la imagen, porque el contexto mejora notablemente la relevancia de la respuesta. Y sigue la lógica de los formatos: JPG para fotografías, PNG para capturas de pantalla y cualquier visual que contenga texto, puesto que la compresión JPG difumina los caracteres finos y hace fallar el OCR.

Puntos clave

  • Los modelos grok-4.5 y posteriores pueden analizar imágenes enviadas como entrada
  • Los casos de uso incluyen descripción, OCR, análisis de gráficos y comparación
  • Puedes proporcionar imágenes mediante URL o en base64
  • El ajuste de detalle te permite controlar el equilibrio entre precisión y coste
  • El tamaño máximo es de 20 MiB, solo en formatos JPG y PNG