Formato del contenido
En esta página
Los dos formatos de entrada de Grok
Cuando envías un mensaje a Grok, el campo content de cada mensaje puede adoptar una de dos formas distintas. Entender esta diferencia es crucial, ya que determina qué puedes enviar al modelo: solo texto o una combinación de texto e imágenes.
Cadena de texto simple
La forma más directa: el contenido es una cadena de texto simple. Utilizarás este formato para la mayoría de tus interacciones basadas únicamente en texto.
{
"role": "user",
"content": "Explain the advantages of the Rust language compared to C++"
}
Este formato funciona para todas las tareas puramente textuales: preguntas, instrucciones, suministro de datos o solicitudes de generación. Úsalo cuando no necesites incluir elementos visuales.
Array de objetos tipados
Para solicitudes multimodales (texto + imágenes), Grok acepta un array de objetos donde cada elemento incluye un campo type que indica su naturaleza.
Formato de Chat Completions (endpoint heredado)
{
"role": "user",
"content": [
{"type": "text", "text": "Describe this user interface and suggest improvements"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/screenshot.png", "detail": "high"}}
]
}
Formato de Responses (endpoint principal)
{
"input": [
{"type": "input_text", "text": "Analyze this chart and extract the main trends"},
{"type": "input_image", "image_url": "https://exemple.com/graphique.png"}
]
}
Observa la diferencia de nomenclatura entre los dos endpoints: text e image_url para Chat Completions; input_text e input_image para Responses.
Combinar texto e imágenes
El array de objetos te permite mezclar libremente texto e imágenes en cualquier orden. Puedes enviar varias imágenes en la misma solicitud, con texto antes, después o entre ellas.
{
"role": "user",
"content": [
{"type": "text", "text": "Compare these two interface mockups:"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v1.png"}},
{"type": "text", "text": "Version 1 above, version 2 below:"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v2.png"}},
{"type": "text", "text": "Identify the main differences and recommend the best version."}
]
}
Fuentes de imagen aceptadas
Grok acepta imágenes de dos maneras:
- URL directa: un enlace HTTPS a la imagen alojada en línea.
- Codificada en Base64: la imagen incrustada directamente en la solicitud como una URI de datos.
{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,/9j/4AAQ..."}}
El formato Base64 resulta útil cuando tus imágenes no están alojadas en línea (capturas de pantalla locales, imágenes generadas por tu aplicación).
El parámetro detail para imágenes
Cada imagen puede recibir un parámetro detail que controla el nivel de análisis:
- auto: el modelo elige automáticamente (comportamiento predeterminado).
- low: análisis rápido y económico, consume menos tokens.
- high: análisis detallado, consume más tokens pero captura detalles finos.
{"type": "image_url", "image_url": {"url": "https://...", "detail": "low"}}
Utiliza low para tareas simples (clasificación, descripción general) y high para análisis precisos (OCR, detección de detalles, lectura de gráficos).
Restricciones técnicas
Ten presentes estos límites al trabajar con imágenes:
- Tamaño máximo: 20 MB por imagen.
- Formatos aceptados: solo JPG, JPEG, PNG.
- Sin límite en el número de imágenes por solicitud.
- Modelos compatibles: grok-4.5 y superiores.
- Las imágenes consumen entre 256 y 1.792 tokens, dependiendo de su tamaño y del nivel de detalle.
Práctica guiada
Prueba ambos formatos con una tarea sencilla:
Formato de texto simple:
{"role": "user", "content": "What are the 5 fundamental principles of UX design?"}
Formato de array (solo texto, pero estructurado):
{
"role": "user",
"content": [
{"type": "text", "text": "Context: I'm designing a mobile food delivery application."},
{"type": "text", "text": "Question: what are the 5 most important UX principles for this type of application?"}
]
}
Incluso sin una imagen, el formato de array te permite separar claramente el contexto de la pregunta, lo que puede mejorar la relevancia de la respuesta.
Puntos clave
- El contenido puede ser una cadena simple (texto plano) o un array de objetos (multimodal).
- El formato de array permite mezclar texto e imágenes en cualquier orden.
- Existen dos formatos de nomenclatura según el endpoint: Chat Completions frente a Responses.
- El parámetro
detailcontrola la profundidad del análisis de imagen (low, auto, high). - Las imágenes consumen tokens: adapta el nivel de detalle a tus necesidades.
- El formato Base64 te permite enviar imágenes sin necesidad de alojarlas en línea.