Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Fís: Íomhánna a Anailísiú le Grok

Ceacht 7 as 12 Nuashonraithe 30 Iúil 2026 Forbróir
Ar an leathanach seo
  1. Tuiscint ar Íomhánna le Chat Completions
  2. Íomhá a Sheoladh trí URL
  3. Íomhá a Sheoladh i mBase64
  4. Leibhéil Mionsonraí: auto, low, agus high
  5. Ilíomhánna a Anailísiú
  6. Srianta Teicniúla
  7. Príomhphointí

Tuiscint ar Íomhánna le Chat Completions

Tá cumais físe ag samhlacha Grok (ó grok-4.5 ar aghaidh) a ligeann duit íomhánna a anailísiú, a chur síos, agus réasúnaíocht a dhéanamh orthu. Úsáideann tú an ghné seo trí fhormáid eagar an réimse content, ag comhcheangal oibiachtaí text agus image_url.

Tá go leor cásanna úsáide ann: téacs a bhaint as doiciméid scanta (OCR), cairteacha a anailísiú, comhéadain úsáideora a chur síos, comparáid amhairc a dhéanamh, nó léaráidí teicniúla a léirmhíniú.

Íomhá a Sheoladh trí URL

Is é an bealach is simplí ná URL poiblí na híomhá a sholáthar:

from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1"
)

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe what you see in this image."},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/photo-architecture.jpg",
                        "detail": "high"
                    }
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

Íoslódálann freastalaithe xAI an íomhá tráth an iarratais. Caithfidh sí a bheith inrochtana go poiblí.

Íomhá a Sheoladh i mBase64

Chun íomhánna áitiúla nó príobháideacha a úsáid, bain úsáid as ionchódú base64:

import base64

def encode_image(image_path: str) -> str:
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

image_data = encode_image("capture-ecran.png")

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What text is visible in this screenshot?"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_data}"
                    }
                }
            ]
        }
    ]
)

Is é data:image/{format};base64,{data} formáid an URL, áit arb é {format} ná jpeg, jpg, nó png.

Leibhéil Mionsonraí: auto, low, agus high

Rialaíonn an paraiméadar detail an taifead ag a ndéanann an tsamhail anailís ar an íomhá:

detail: “low”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/icone.png",
    "detail": "low"
  }
}

Déantar an íomhá a scálú síos go taifead íseal sula ndéantar anailís uirthi. Is é seo an mód is tapúla agus costálann sé an líon is lú tócan. Úsáid é le haghaidh íomhánna simplí: deilbhíní, lógónna, léaráidí bunúsacha.

detail: “high”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/document-scan.jpg",
    "detail": "high"
  }
}

Déantar anailís ar an íomhá ag taifead ard. Is féidir leis an tsamhail téacs beag a léamh, mionsonraí mín a aithint, agus limistéir shonracha a anailísiú. Seo an mód a mholtar le haghaidh doiciméad, gabhálacha scáileáin, agus grianghraif mhionsonraithe.

detail: “auto”

Roghnaíonn an tsamhail an leibhéal mionsonraí go huathoibríoch bunaithe ar mhéid agus castacht na híomhá. Is é seo an luach réamhshocraithe má fhágann tú an paraiméadar ar lár.

Ilíomhánna a Anailísiú

Is féidir leat ilíomhánna a sheoladh in aon teachtaireacht amháin le haghaidh tascanna comparáide nó tras-anailíse:

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Compare these two versions of the design. What are the differences?"},
                {"type": "image_url", "image_url": {"url": "https://example.com/v1.png", "detail": "high"}},
                {"type": "image_url", "image_url": {"url": "https://example.com/v2.png", "detail": "high"}}
            ]
        }
    ]
)

Níl aon teorainn le líon na n-íomhánna in aghaidh an iarratais, ach itheann gach íomhá tócan breise.

Srianta Teicniúla

Coinnigh na teorainneacha seo in intinn agus tú ag úsáid na físe:

  • Uasmhéid: 20 MiB in aghaidh na híomhá
  • Formáidí tacaithe: JPG, JPEG, agus PNG amháin
  • Samhlacha comhoiriúnacha: grok-4 agus níos airde (ní thacaíonn samhlacha níos sine le fís)
  • Tócan: itheann íomhánna tócan a chuirtear le costas téacs an iarratais

Príomhphointí

  • Úsáideann Fís formáid eagar an réimse content le hoibiachtaí image_url
  • Is féidir íomhánna a sheoladh trí URL poiblí nó iad a ionchódú i mbase64
  • Trí leibhéal mionsonraí: auto (réamhshocraithe), low (tapa/eacnamaíoch), agus high (mionsonraithe)
  • Uasmhéid 20 MiB in aghaidh na híomhá, formáidí JPG agus PNG amháin
  • Is féidir ilíomhánna a sheoladh in aon teachtaireacht amháin le haghaidh comparáidí