Anailís a dhéanamh ar íomhá le Grok
Ar an leathanach seo
Radharc-ríomhaireacht leis an API Grok
Is féidir le samhlacha Grok a bhfuil tacaíocht radhairc acu íomhánna a anailísiú chomh maith le téacs. Seolann tú íomhá (trí URL nó i bhformáid base64) in éineacht le ceist, agus déanann an tsamhail cur síos uirthi, anailís uirthi, nó baintear faisnéis amhairc aisti. Osclaíonn an cumas sin deiseanna praiticiúla: sonraí a bhaint as scáileáin, cairteacha a anailísiú, doiciméid scanta a léamh.
Formáid ionchuir na híomhá
Chun íomhá a sheoladh, úsáideann tú eagar d’ábhar measctha (téacs agus íomhá) sa réimse input:
[
{
"type": "input_image",
"image_url": "https://exemple.com/mon-image.jpg"
},
{
"type": "input_text",
"text": "What do you see in this image?"
}
]
Glacann an cineál input_image le URL poiblí chuig an íomhá. Cuireann an cineál input_text do cheist nó do threoir isteach.
Sampla i bPython
from openai import OpenAI
import os
client = OpenAI(
api_key=os.getenv("XAI_API_KEY"),
base_url="https://api.x.ai/v1"
)
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": "https://exemple.com/graphique-ventes.png"
},
{
"type": "input_text",
"text": "Analyze this chart. What's the main trend?"
}
]
)
print(response.output[0].content[0].text)
Leis an bhformáid chat/completions
Má úsáideann tú an seandeireadh pointe /v1/chat/completions, tá an formáid beagán difriúil:
response = client.chat.completions.create(
model="grok-4.5",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {"url": "https://exemple.com/photo.jpg"}
},
{
"type": "text",
"text": "Describe this image in detail."
}
]
}
]
)
Difríochtaí formáide
| Deireadh pointe | Cineál íomhá | Cineál téacs |
|---|---|---|
/v1/responses | input_image | input_text |
/v1/chat/completions | image_url | text |
Íomhá a sheoladh i bhformáid base64
Mura bhfuil do íomhá inrochtana trí URL (comhad áitiúil, íomhá ghinte), ionchódaigh í i bhformáid base64:
import base64
with open("capture.png", "rb") as f:
image_base64 = base64.b64encode(f.read()).decode("utf-8")
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": f"data:image/png;base64,{image_base64}"
},
{
"type": "input_text",
"text": "Read the text in this screenshot."
}
]
)
Cásanna úsáide sa saol mór
Baint sonraí
Seol grianghraf de shonrasc nó de receipt agus iarr ar an tsamhail na méideanna, na dátaí agus na huimhreacha tagartha a bhaint amach.
Anailís ar chairteacha
Cuir cairt nó léaráid isteach agus iarr léirmhíniú ar threochtaí agus ar fhigiúirí lárnacha.
Cabhair le códú
Roinn scáileánphictiúr d’earráid i d’IDE agus iarr míniú agus réiteach.
Cur síos ar chomhéadan
Seol bréagmhacasamhail nó scáileánphictiúr agus iarr ar an tsamhail cur síos a dhéanamh ar na heilimintí comhéadain atá ann.
Samhlacha le cumas radhairc
Ní thacaíonn gach samhail Grok le radharc. Úsáid grok-4.5, a chuimsíonn tacaíocht íomhánna. D’fhéadfadh tacaíocht theoranta nó gan tacaíocht ar bith a bheith ag samhlacha “Mini” nó “fast”.
Príomhphointí
- Úsáid an cineál
input_imageleis an deireadh pointe/v1/responseschun íomhánna a sheoladh - Is féidir leat íomhánna a sheoladh trí URL poiblí nó trí ionchódú base64
- Tacaíonn an tsamhail
grok-4.5le hanailís íomhánna - Comhcheangail íomhá agus téacs in eagar chun ceisteanna a chur faoi ábhar amhairc