Ir al contenido principal
Español— Elegir un idioma
Menú

Analizar una imagen con Grok

Lección 11 de 14 Actualizado el 30 de julio de 2026 Desarrollador
En esta página
  1. Visión por computador con la API de Grok
  2. Formato de entrada de imagen
  3. Ejemplo en Python
  4. Con el formato chat/completions
  5. Enviar una imagen en base64
  6. Casos de uso reales
  7. Modelos con capacidad de visión
  8. Puntos clave

Visión por computador con la API de Grok

Los modelos de Grok con soporte de visión pueden analizar imágenes además de texto. Envías una imagen (mediante una URL o en base64) junto con una pregunta, y el modelo la describe, la analiza o extrae información visual. Esta capacidad abre posibilidades concretas: extraer datos de capturas de pantalla, analizar gráficos o leer documentos escaneados.

Formato de entrada de imagen

Para enviar una imagen, utilizas un array de contenido mixto (texto e imagen) en el campo input:

[
  {
    "type": "input_image",
    "image_url": "https://exemple.com/mon-image.jpg"
  },
  {
    "type": "input_text",
    "text": "¿Qué ves en esta imagen?"
  }
]

El tipo input_image acepta una URL pública a la imagen. El tipo input_text contiene tu pregunta o instrucción.

Ejemplo en 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": "Analiza este gráfico. ¿Cuál es la tendencia principal?"
        }
    ]
)

print(response.output[0].content[0].text)

Con el formato chat/completions

Si utilizas el endpoint heredado /v1/chat/completions, el formato es ligeramente diferente:

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 esta imagen en detalle."
                }
            ]
        }
    ]
)

Diferencias de formato

EndpointTipo de imagenTipo de texto
/v1/responsesinput_imageinput_text
/v1/chat/completionsimage_urltext

Enviar una imagen en base64

Si tu imagen no es accesible mediante URL (un archivo local, una imagen generada), codifícala en 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": "Lee el texto de esta captura de pantalla."
        }
    ]
)

Casos de uso reales

Extracción de datos

Envía una foto de una factura o un recibo y pide al modelo que extraiga los importes, las fechas y los números de referencia.

Análisis de gráficos

Envía un gráfico o un diagrama y solicita una interpretación de las tendencias y las cifras clave.

Ayuda con la programación

Comparte una captura de pantalla de un error en tu IDE y pide una explicación y una solución.

Descripción de interfaces

Envía un maqueta o una captura de pantalla y pide al modelo que describa los elementos de la interfaz que contiene.

Modelos con capacidad de visión

No todos los modelos de Grok admiten visión. Utiliza grok-4.5, que incluye soporte de imágenes. Los modelos “Mini” o “fast” pueden tener un soporte limitado o nulo.

Puntos clave

  • Utiliza el tipo input_image con el endpoint /v1/responses para enviar imágenes
  • Puedes enviar imágenes mediante URL pública o codificadas en base64
  • El modelo grok-4.5 admite el análisis de imágenes
  • Combina imagen y texto en un array para formular preguntas sobre contenido visual