Indicaciones multimodales
En esta página
Texto e imágenes en la misma indicación
Los modelos Grok 4.5 y posteriores pueden analizar imágenes además de texto. Esta capacidad multimodal abre un amplio abanico de posibilidades: descripción de imágenes, OCR, análisis de gráficos, comparación visual, etc.
Dominar las indicaciones multimodales te permite utilizar Grok como asistente visual, además de como asistente de texto.
Envío de una imagen a Grok
Con la API de Responses (endpoint principal), las imágenes se integran en el campo input como objetos tipados:
{
"model": "grok-4.5",
"input": [
{"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
{"type": "input_text", "text": "Analiza este panel de control e identifica las métricas en declive."}
]
}
Con la API de Chat Completions (endpoint heredado), la estructura es ligeramente diferente:
{
"model": "grok-4.5",
"messages": [{
"role": "user",
"content": [
{"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
{"type": "text", "text": "Analiza este panel de control e identifica las métricas en declive."}
]
}]
}
El parámetro detail: control de la precisión
El nivel de detalle influye en la profundidad del análisis y en el número de tokens consumidos:
detail: low
La imagen se procesa rápidamente a una resolución reducida. Utiliza este modo para:
- Clasificar imágenes (fotografía, ilustración, diagrama)
- Describir el contenido general
- Identificar los objetos principales
- Ordenar imágenes por categoría
Consumo: menos tokens, respuesta más rápida.
detail: high
La imagen se analiza en alta resolución. Utiliza este modo para:
- Leer texto en una imagen (OCR)
- Analizar detalles en un gráfico o diagrama
- Comparar elementos visuales precisos
- Detectar defectos o anomalías
Consumo: más tokens (entre 256 y 1.792 según el tamaño), respuesta más lenta.
detail: auto
El modelo elige por sí mismo el nivel adecuado. Este es el comportamiento predeterminado.
Orígenes de las imágenes
URL directa
El método más sencillo: proporciona un enlace HTTPS a la imagen.
{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}
Base64 (URI de datos)
Para imágenes que no estén alojadas en línea, codifícalas en base64:
{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}
Este método resulta útil para capturas de pantalla, imágenes generadas programáticamente o imágenes procedentes de una tubería de procesamiento.
Casos de uso prácticos
OCR y extracción de texto
{
"input": [
{"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
{"type": "input_text", "text": "Extrae de esta factura: el número de factura, la fecha, el importe sin impuestos, el IVA y el importe con impuestos. Devuelve el resultado en JSON."}
]
}
Análisis de gráficos
{
"input": [
{"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
{"type": "input_text", "text": "Este gráfico muestra nuestras ventas mensuales durante 12 meses. Identifica tendencias, picos y valles. Sugiere posibles explicaciones para las variaciones."}
]
}
Comparación de imágenes
{
"input": [
{"type": "input_text", "text": "Compara estas dos versiones de nuestro logotipo:"},
{"type": "input_image", "image_url": "https://exemple.com/logo-v1.png"},
{"type": "input_image", "image_url": "https://exemple.com/logo-v2.png"},
{"type": "input_text", "text": "Identifica las diferencias y recomienda la mejor versión para uso web."}
]
}
Análisis de interfaces de usuario
{
"input": [
{"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
{"type": "input_text", "text": "Evalúa este maqueta de interfaz móvil según los siguientes criterios: legibilidad, jerarquía visual, accesibilidad, coherencia. Puntuación cada criterio sobre 10."}
]
}
Restricciones técnicas clave
- Tamaño máximo: 20 MB por imagen
- Formatos: solo JPG, JPEG y PNG (no GIF, SVG ni WebP)
- Sin límite en el número de imágenes por solicitud
- Consejo de xAI: utiliza
store: falseen la API de Responses cuando trabajes con imágenes para evitar errores relacionados con el almacenamiento del historial
Redacción de una buena indicación multimodal
Se aplican los mismos principios de claridad, con especificidades para las imágenes:
- Anuncia la imagen: indica al modelo qué va a ver antes de la imagen
- Sé preciso con la tarea: «Describe esta imagen» es vago; «Extrae los datos del gráfico de barras y devuélvelos en CSV» es preciso
- Guía la atención: si solo te interesa una parte de la imagen, indícalo («Céntrate en la esquina superior derecha»)
- Especifica el formato de salida: al igual que con las indicaciones de texto, especifica si esperas JSON, una lista o una tabla
Práctica guiada
Toma una captura de pantalla de un panel de control, un gráfico o un documento, y envíala a Grok con una solicitud concreta. Prueba con detail: low y luego con detail: high, y compara la calidad y la velocidad de las respuestas.
Puntos clave
- Los modelos grok-4.5+ analizan imágenes además de texto
- El parámetro
detail(low, auto, high) controla la profundidad del análisis y el coste en tokens - Las imágenes pueden proporcionarse mediante URL o base64
- Anuncia la imagen, sé preciso con la tarea y especifica el formato de salida
- Utiliza
store: falsepara evitar problemas de almacenamiento con imágenes - Los formatos aceptados se limitan a JPG, JPEG y PNG, con un tamaño máximo de 20 MB