Ir al contenido principal
Español— Elegir un idioma
Menú

Comprensión de imágenes en la búsqueda web

Lección 7 de 16 Actualizado el 30 de julio de 2026 Desarrollador
En esta página
  1. Análisis de imágenes encontradas en la web
  2. Activación
  3. Sintaxis del SDK
  4. Casos de uso
  5. Combinación con otros parámetros
  6. Impacto en el coste
  7. Diferencia con la búsqueda en X
  8. Puntos clave

Análisis de imágenes encontradas en la web

La búsqueda web va más allá del texto. Con el parámetro enable_image_understanding, puedes pedir al modelo que analice las imágenes que encuentre durante su búsqueda en la web. Esta función amplía significativamente las capacidades de búsqueda, especialmente para preguntas visuales o temas donde las imágenes aportan información que complementa al texto.

Activación

Activa esta función añadiendo el parámetro enable_image_understanding a tu configuración de búsqueda web:

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

Cuando está activada, el modelo puede utilizar la herramienta interna view_image para analizar las imágenes que encuentre durante la búsqueda. Decide automáticamente qué imágenes son relevantes para examinar.

Sintaxis del 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
})]

Casos de uso

Análisis de diagramas técnicos

El modelo puede encontrar e interpretar diagramas de arquitectura, diagramas de flujo o gráficos técnicos. Esto resulta especialmente útil para preguntas sobre arquitecturas de software o procesos industriales.

Comparación visual de productos

Para consultas comparativas, el modelo puede analizar capturas de pantalla o fotografías de productos encontradas en la web y extraer observaciones relevantes de ellas.

Análisis visual de datos

Si tu pregunta versa sobre datos presentados en forma de gráficos o tablas visuales, la comprensión de imágenes permite al modelo extraer información de estas representaciones visuales.

Combinación con otros parámetros

La comprensión de imágenes se combina con el filtrado por dominios:

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
    }]
)

El modelo buscará únicamente dentro de los dominios permitidos y podrá analizar los gráficos de referencia (benchmarks) que encuentre en las publicaciones.

Impacto en el coste

Activar la comprensión de imágenes incrementa el consumo de tokens. El análisis de cada imagen genera tokens adicionales tanto para la entrada (la imagen codificada) como para la salida (la descripción o análisis). El coste por invocación se mantiene igual (0,005 $), pero el volumen de tokens por solicitud puede aumentar significativamente.

Activa esta función solo cuando las imágenes aporten un valor real a tu caso de uso. Para búsquedas basadas puramente en texto, deja este parámetro desactivado para optimizar los costes.

Diferencia con la búsqueda en X

La comprensión de imágenes está disponible tanto para la búsqueda web como para la búsqueda en X. Sin embargo, la comprensión de vídeo (enable_video_understanding) es exclusiva de la búsqueda en X. La búsqueda web no puede analizar vídeos encontrados en la web.

Puntos clave

  • Actívala con enable_image_understanding: true en la configuración de búsqueda web
  • El modelo utiliza view_image internamente para analizar las imágenes relevantes
  • Útil para diagramas, gráficos, capturas de pantalla y comparaciones visuales
  • Aumenta el consumo de tokens; actívala solo cuando sea relevante
  • Se combina con el filtrado por dominios para un control preciso de las fuentes
  • La comprensión de vídeo es exclusiva de la búsqueda en X