Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Monimodaaliset kehotteet

Oppitunti 9 / 14 Päivitetty 30. heinäkuuta 2026 Aloittelija
Tällä sivulla
  1. Teksti ja kuvat samassa kehotteessa
  2. Kuvan lähettäminen Grokille
  3. Detail-parametri: tarkkuuden hallinta
  4. Kuvan lähteet
  5. Käytännön sovellusesimerkkejä
  6. Keskeiset tekniset rajoitukset
  7. Hyvän monimodaalisen kehotteen kirjoittaminen
  8. Käytännön harjoitus
  9. Keskeiset asiat

Teksti ja kuvat samassa kehotteessa

Grok 4.5 ja sitä uudemmat mallit osaavat analysoida kuvia tekstin lisäksi. Tämä monimodaalinen ominaisuus avaa laajan kirjon mahdollisuuksia: kuvien kuvaus, OCR (tekstintunnistus), kaavioiden analyysi, visuaalinen vertailu ja paljon muuta.

Monimodaalisten kehoteiden hallinta mahdollistaa Grokin käytön visuaalisena avustajana tekstiavustajan rinnalla.

Kuvan lähettäminen Grokille

Responses API:ssa (päätepiste) kuvat integroidaan input-kenttään tyypitetyinä objekteina:

{
  "model": "grok-4.5",
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
    {"type": "input_text", "text": "Analyze this dashboard and identify declining metrics."}
  ]
}

Chat Completions API:ssa (vanhentunut päätepiste) rakenne on hieman erilainen:

{
  "model": "grok-4.5",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
      {"type": "text", "text": "Analyze this dashboard and identify declining metrics."}
    ]
  }]
}

Detail-parametri: tarkkuuden hallinta

Tarkkuustaso vaikuttaa analyysin syvyyteen ja kulutettujen tokenien määrään:

detail: low

Kuva käsitellään nopeasti pienemmällä resoluutiolla. Käytä tätä tilaa seuraaviin tehtäviin:

  • Kuvien luokittelu (valokuva, kuvitus, kaavio)
  • Sisällön yleiskuvaus
  • Pääobjektien tunnistaminen
  • Kuvien lajittelu kategorioittain

Kulutus: vähemmän tokeneita, nopeampi vaste.

detail: high

Kuva analysoidaan korkealla resoluutiolla. Käytä tätä tilaa seuraaviin tehtäviin:

  • Tekstin lukeminen kuvasta (OCR)
  • Yksityiskohtien analysointi kaavioista tai diagrammeista
  • Tarkkojen visuaalisten elementtien vertailu
  • Vikoja tai poikkeavuuksien havaitseminen

Kulutus: enemmän tokeneita (256–1 792 koosta riippuen), hitaampi vaste.

detail: auto

Malli valitsee sopivan tason itse. Tämä on oletusarvoinen toimintatapa.

Kuvan lähteet

Suora URL-osoite

Yksinkertaisin menetelmä: anna HTTPS-linkki kuvaan.

{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}

Base64 (data URI)

Kuville, joita ei ole isännoitu verkossa, koodaa ne base64-muotoon:

{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}

Tämä menetelmä on hyödyllinen kuvakaappauksille, ohjelmallisesti luoduille kuville tai käsittelyputkista peräisin oleville kuville.

Käytännön sovellusesimerkkejä

OCR ja tekstin erottelu

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
    {"type": "input_text", "text": "Extract from this invoice: the invoice number, date, amount excluding tax, VAT, and amount including tax. Return the result in JSON."}
  ]
}

Kaavioiden analyysi

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
    {"type": "input_text", "text": "This chart shows our monthly sales over 12 months. Identify trends, peaks, and troughs. Suggest possible explanations for the variations."}
  ]
}

Kuvien vertailu

{
  "input": [
    {"type": "input_text", "text": "Compare these two versions of our logo:"},
    {"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": "Identify the differences and recommend the best version for web use."}
  ]
}

Käyttöliittymän analyysi

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
    {"type": "input_text", "text": "Evaluate this mobile interface mockup based on the following criteria: readability, visual hierarchy, accessibility, consistency. Rate each criterion out of 10."}
  ]
}

Keskeiset tekniset rajoitukset

  • Enimmäiskoko: 20 Mt per kuva
  • Muodot: Vain JPG, JPEG ja PNG (ei GIF, SVG tai WebP)
  • Ei rajoitusta kuvien määrälle pyyntöä kohden
  • xAI-vinkki: käytä store: false -asetusta Responses API:ssa kuvien kanssa työskennellessäsi välttääksesi historiaan tallentamisesta johtuvat virheet

Hyvän monimodaalisen kehotteen kirjoittaminen

Samat selkeysperiaatteet pätevät, mutta kuvien osalta on huomioitava erityisseikkoja:

  • Ilmoita kuvasta: kerro mallille, mitä se tulee näkemään ennen kuvaa
  • **Ole tehtävässä tarkka”: “Kuvaile tämä kuva” on epämääräinen; “Erota pylväskaavion tiedot ja palauta ne CSV-muodossa” on tarkka
  • Ohjaa huomiota: jos vain osa kuvasta kiinnostaa, ilmoita se (“Keskity oikeaan yläkulmaan”)
  • Määritä tulosteen muoto: kuten tekstikehotteissakin, määritä odotatko JSONia, listaa vai taulukkoa

Käytännön harjoitus

Ota kuvakaappaus kojelaudasta, kaaviosta tai asiakirjasta ja lähetä se Grokille tarkalla pyynnöllä. Testaa asetuksilla detail: low ja detail: high ja vertaa vastausten laatua sekä nopeutta.

Keskeiset asiat

  • grok-4.5+ -mallit analysoivat kuvia tekstin lisäksi
  • detail-parametri (low, auto, high) ohjaa analyysin syvyyttä ja token-kustannuksia
  • Kuvat voidaan toimittaa URL-osoitteen tai base64-koodauksen kautta
  • Ilmoita kuvasta, ole tehtävässä tarkka ja määritä tulosteen muoto
  • Käytä asetusta store: false välttääksesi kuvien tallennusongelmat
  • Hyväksytyt muodot rajoittuvat JPG-, JPEG- ja PNG-tiedostoihin, joiden enimmäiskoko on 20 Mt