Ymmärrä ja analysoi kuvia
Tällä sivulla
Grokin näkökyky
Grok ei rajoitu pelkkään tekstiin. Grok-4.5-mallit ja niitä uudemmat sisältävät näkökyvyn, jonka ansiosta ne pystyvät analysoimaan syötteenä antamiasi kuvia. Voit lähettää valokuvan, kuvakaappauksen, kaavion tai minkä tahansa muun visuaalisen materiaalin, ja Grok tarjoaa siitä yksityiskohtaisen kuvauksen, analyysin tai kontekstuaalisen vastauksen. Tämä laajentaa merkittävästi sitä, mitä voit sille syöttää: valokuvattu kojelauta, rypistynyt lasku tai sovelluksen mallinnus muuttuvat käyttökelpoisiksi dokumenteivan aivan kuten keskusteluun liitetty teksti.
Kuvan lähettäminen
Sivustolla grok.com prosessi vie neljä vaihetta:
- Napsauta liitepainiketta syöttökentässä
- Valitse kuva laitteeltasi
- Lisää halutessasi tekstiviesti ohjaamaan analyysiä
- Lähetä viestisi
Mobiililaitteella voit ottaa valokuvan suoraan puhelimen kameralla ja lähettää sen Grokille analysoitavaksi. Tämä on nopein tapa, kun kohtaat kyltin, ruokalistan tai näytön, jota et voi kopioida ja liittää.
Kehittäjille kuvat lähetetään syöttökenttään sekamuotoisena objektien taulukkona:
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"}
]
)
Voit toimittaa kuvat julkisena URL-osoitteena tai base64-koodattuna. Valinnalla on väliä: julkinen URL vaatii kuvan, joka on saavutettavissa verkon ulkopuolelta, mikä sulkee pois sisäiset dokumentit; base64 tekee pyynnöstä raskaamman, mutta on ainoa vaihtoehto luottamuksellisille tiedostoille.
Mitä voit itse asiassa kysyä
Kuvaus on ilmeisin käyttötapa. Grok erittelee läsnä olevat objektit, värit, sommittelun, tunnelman sekä ihmiset ja heidän ilmeensä. Sinun on silti muotoiltava pyyntösi tarkasti, muuten saat vain litteän luettelon:
Describe this photograph in detail.
What is the main subject, and what secondary
elements do you notice?
Tekstin erottaminen eli OCR on todennäköisesti arvokain arkikäyttötapaus. Grok lukee ja transkriptoi tekstiä dokumenttien valokuvista, kuvakaappauksista, kylteistä ja julisteista, ravintoloiden ruokalistoista sekä käyntikorteista: kaikissa näissä tapauksissa tietojen uudelleentallentaminen käsin vie useita minuutteja. Muotoilun pyytäminen samalla säästää toisen kierroksen:
Extract all the visible text in this image
and lay it out in a readable way.
Kaavioiden ja diagrammien analysointi menee pelkkää lukemista pidemmälle: Grok tulkitsee tilastollisia kaavioita, vuokaavioita ja teknisiä piirroksia sekä osaa kertoa, mitä ne esittävät. Tämä on erityisen hyödyllistä, kun PDF-raportti lukitsee johtopäätöksensä kuvion sisälle:
Analyze this chart. What are the main trends,
and what conclusions can we draw?
Voit myös lähettää useita kuvia samassa pyynnössä, jolloin Grok voi verrata niitä toisiinsa. Tämä muuttaa suunnittelukatselmuksen keskusteluksi:
Here are two versions of a design. What are the
main differences between them?
Lopuksi suunnittelijat ja kehittäjät käyttävät tätä näkökykyä omilla näytöillään pyytämällä käytettävyyskritiikkiä pelkän kuvauksen sijaan:
Analyze this mobile app screenshot.
What usability problems do you see?
Aseta yksityiskohtaisuustaso
API:n kautta detail-parametri ohjaa kuvan analyysin syvyyttä ja hyväksyy kolme arvoa:
- auto: malli valitsee sopivan tason (oletus)
- low: nopea ja edullinen analyysi, joka käyttää vähemmän tokeneita
- high: yksityiskohtainen ja syvällinen analyysi, joka käyttää enemmän tokeneita
Tämä asetus punnitsee tarkkuutta kustannuksia vastaan tapauskohtaisesti. Yksinkertaiseen OCR:ään laskulla low riittää ja leikkaa kustannuksia tuhansien dokumenttien yli; hienoon taiteelliseen analyysiin tai tiheään kaavioon high välttää virhetulkinnat.
Huomioitavat rajoitukset
| Rajoitus | Arvo |
|---|---|
| Enimmäiskoko | 20 MiB kuvaa kohden |
| Hyväksytyt muodot | Vain JPG, JPEG ja PNG |
| Kuvien määrä | Ei rajoitusta pyyntöä kohden |
| Tokenien käyttö | 256–1 792 tokenia koosta ja yksityiskohtaisuustasosta riippuen |
Muutama tapa auttaa hyödyntämään näitä ominaisuuksia parhaalla mahdollisella tavalla. Muotoile pyyntösi äläkä kysy yleistä kuvausta: “kuinka monta tuotetta on loppu tässä kuvakaappauksessa” voittaa “kuvaile tämä kuva”. Pienennä suuria tiedostoja, jotka hidastavat käsittelyä tuomatta mitään lisäarvoa. Liitä kuvaan aina tekstiviesti, sillä konteksti parantaa huomattavasti vastauksen osuvuutta. Noudata myös muotojen logiikkaa: JPG valokuviin, PNG kuvakaappauksiin ja mihin tahansa tekstiä sisältävään visuaaliseen materiaaliin, sillä JPG-pakkaus sumuttaa hienot merkit ja saa OCR:n epäonnistumaan.
Keskeiset asiat
- Grok-4.5-mallit ja niitä uudemmat pystyvät analysoimaan syötteenä toimitettuja kuvia
- Käyttötapauksia ovat kuvaus, OCR, kaavioiden analyysi ja vertailu
- Voit toimittaa kuvia URL-osoitteen tai base64-muodon kautta
- Detail-asetuksella voit hallita tarkkuuden ja kustannusten välistä tasapainoa
- Enimmäiskoko on 20 MiB, ja tuetut muodot ovat vain JPG ja PNG