Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Piltide mõistmine ja analüüsimine

Õppetund 11 / 16 Värskendatud 29. juuli 2026 Algajatele
Sellel lehel
  1. Groki nägemisvõime
  2. Kuidas pilti esitada
  3. Mida sa tegelikult küsida saad
  4. Määra üksikasjalikkuse tase
  5. Teadaolevad piirangud
  6. Peamised punktid

Groki nägemisvõime

Grok ei piirdu ainult tekstiga. Mudelid grok-4.5 ja uuemad sisaldavad nägemisvõimet, mis võimaldab neil analüüsida sinu sisestatud pilte. Saad esitada foto, ekraanitõmmise, diagrammi või muu visuaalse materjali ning Grok annab sulle üksikasjaliku kirjelduse, analüüsi või kontekstipõhise vastuse. See laiendab oluliselt võimalusi: fotostatud armatuurlaud, kortsus arve või rakenduse makett muutuvad kasutatavateks dokumentideks, täpselt nagu vestlusse kleepitud tekst.

Kuidas pilti esitada

Saidil grok.com võtab see neli sammu:

  1. Klõpsa sisestusväljal manuse nuppu
  2. Vali pilt oma seadmest
  3. Soovi korral lisa analüüsi suunamiseks tekstisõnum
  4. Saada oma sõnum

Mobiilis saad pildi teha otse telefoni kaameraga ja saata selle Grokile analüüsimiseks. See on kiireim viis, kui seisad silmitsi sildi, menüü või ekraaniga, mida ei saa kopeerida ja kleebida.

Arendajad saadavad pilte sisestusvälja objektide segatud massiivi kaudu:

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"}
    ]
)

Saad pilte esitada avaliku URL-i või base64-kodeeringuna. Valikul on tähendus: avalik URL nõuab pilti, mis on väljastpoolt kättesaadav, välistades seega sisemised dokumendid; base64 muudab päringu mahukamaks, kuid on ainus võimalus konfidentsiaalse faili jaoks.

Mida sa tegelikult küsida saad

Kirjeldamine on kõige ilmsem kasutusviis. Grok kirjeldab üksikasjalikult olemasolevaid objekte, värve, kompositsiooni, meeleolu ning inimesi ja nende ilmeid. Siiski pead oma päringut täpsustama, muidu saad vaid lameda loetelu:

Kirjelda seda fotot üksikasjalikult.
Mis on peamine teema ja milliseid
kõrvalisi elemente märkad?

Teksti eraldamine ehk OCR on tõenäoliselt väärtuslikum igapäevane kasutusviis. Grok loeb ja transkribeerib teksti dokumentide fotodelt, ekraanitõmmistelt, siltidelt ja plakatitelt, restoranimenüüdel ja visiitkaartidel: kõik juhtumid, kus info käsitsi ümberkirjutamine võtaks mitu minutit. Samaaegselt vormindamise palumine säästab teise vooru:

Eralda kõik selles pildis nähtav tekst
ja paiguta see loetaval kujul.

Diagrammide ja skeemide analüüs läheb kaugemale lugemisest: Grok tõlgendab statistilisi graafikuid, vooskeeme ja tehnilisi diagramme ning oskab öelda, mida need näitavad. See on eriti kasulik, kui PDF-aruanne lukustab oma järelduse joonise sisse:

Analüüsi seda diagrammi. Millised on peamised trendid
ja milliseid järeldusi saame teha?

Saad samas päringus esitada ka mitu pilti, et Grok saaks neid võrrelda, muutes disaini ülevaatuse vestluseks:

Siin on disaini kaks versiooni. Millised on
peamised erinevused nende vahel?

Lõpuks kasutavad disainerid ja arendajad seda nägemisvõimet oma ekraanidel, küsides kasutatavuse kriitikat mitte kirjeldust:

Analüüsi seda mobiilirakenduse ekraanitõmmist.
Milliseid kasutatavusprobleeme sa näed?

Määra üksikasjalikkuse tase

API kaudu juhib parameeter detail, kui sügavalt pilti analüüsitakse, ja see aktsepteerib kolme väärtust:

  • auto: mudel valib sobiva taseme (vaikimisi)
  • low: kiire ja odav analüüs, mis kasutab vähem tokeneid
  • high: üksikasjalik ja põhjalik analüüs, mis kasutab rohkem tokeneid

See säte kaalub juhtumipõhiselt täpsust ja kulu. Lihtsa OCR-i jaoks arvel piisab tasemest low, mis vähendab kulu tuhandete dokumentide lõikes; peene kunstianalüüsi või tiheda diagrammi jaoks väldib high valesti lugemist.

Teadaolevad piirangud

PiirangVäärtus
Maksimaalne suurus20 MiB pildi kohta
Lubatud formaadidAinult JPG, JPEG ja PNG
Piltide arvPiiramatu päringu kohta
Tokenite kasutus256 kuni 1792 tokenit, sõltuvalt suurusest ja üksikasjalikkuse tasemest

Mõned harjumused aitavad neist võimalustest maksimumi võtta. Täpsusta oma päringut, mitte ära küsi üldist kirjeldust: „mitu kaupa on selles ekraanitõmmises laost otsas“ on parem kui „kirjelda seda pilti“. Muuda suured failid väiksemaks, kuna need aeglustavad töötlemist lisamata midagi olulist. Lisa pildile alati tekstisõnum, sest kontekst parandab märgatavalt vastuse asjakohasust. Ja järgi formaatide loogikat: JPG fotode jaoks, PNG ekraanitõmmiste ja teksti sisaldavate visuaalide jaoks, kuna JPG-tihendus hägustab peeneid tähemärke ja paneb OCR-i nurjuma.

Peamised punktid

  • Mudelid grok-4.5 ja uuemad suudavad analüüsida sisendina esitatud pilte
  • Kasutusjuhtumite hulka kuuluvad kirjeldamine, OCR, diagrammide analüüs ja võrdlemine
  • Pilte saad esitada URL-i või base64-kodeeringuna
  • Detaili säte võimaldab juhtida kompromissi täpsuse ja kulu vahel
  • Maksimaalne suurus on 20 MiB, ainult JPG- ja PNG-formaadis