Fís: Íomhánna a Anailísiú le Grok
Ar an leathanach seo
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
contentle hoibiachtaíimage_url - Is féidir íomhánna a sheoladh trí URL poiblí nó iad a ionchódú i mbase64
- Trí leibhéal mionsonraí:
auto(réamhshocraithe),low(tapa/eacnamaíoch), agushigh(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