Vizija: Analiza slika uz Grok
Na ovoj stranici
Razumijevanje slika putem Chat Completions
Grok modeli (počevši od grok-4.5) uključuju mogućnosti vizije koje ti omogućuju analiziranje, opisivanje i rezoniranje o slikama. Ovu značajku koristiš putem polja content u formatu niza, kombinirajući objekte text i image_url.
Primjena je brojna: ekstrakcija teksta sa skeniranih dokumenata (OCR), analiza grafikona, opisivanje korisničkih sučelja, vizualna usporedba ili tumačenje tehničkih dijagrama.
Slanje slike putem URL-a
Najjednostavniji način je navesti javni URL slike:
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)
xAI poslužitelji preuzimaju sliku u trenutku zahtjeva. Ona mora biti javno dostupna.
Slanje slike u Base64 formatu
Za lokalne ili privatne slike koristi base64 kodiranje:
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}"
}
}
]
}
]
)
Format URL-a je data:image/{format};base64,{data} gdje je {format} vrijednost jpeg, jpg ili png.
Razine detalja: auto, low i high
Parametar detail kontrolira razlučivost kojom model analizira sliku:
detail: “low”
{
"type": "image_url",
"image_url": {
"url": "https://example.com/icone.png",
"detail": "low"
}
}
Slika se smanjuje na nisku razlučivost prije analize. Ovo je najbrži način i troši najmanje tokena. Koristi ga za jednostavne slike: ikone, logotipe, osnovne dijagrame.
detail: “high”
{
"type": "image_url",
"image_url": {
"url": "https://example.com/document-scan.jpg",
"detail": "high"
}
}
Slika se analizira u visokoj razlučivosti. Model može čitati sitan tekst, identificirati fine detalje i analizirati specifična područja. Ovo je preporučeni način za dokumente, snimke zaslona i detaljne fotografije.
detail: “auto”
Model automatski odabire razinu detalja na temelju veličine i složenosti slike. Ovo je zadana vrijednost ako izostaviš parametar.
Analiza više slika
Možeš poslati više slika u jednoj poruci za zadatke usporedbe ili unakrsne analize:
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"}}
]
}
]
)
Ne postoji ograničenje broja slika po zahtjevu, ali svaka slika troši dodatne tokene.
Tehnička ograničenja
Imaj na umu ova ograničenja kada koristiš viziju:
- Maksimalna veličina: 20 MiB po slici
- Podržani formati: Isključivo JPG, JPEG i PNG
- Kompatibilni modeli: grok-4 i noviji (stariji modeli ne podržavaju viziju)
- Tokeni: slike troše tokene koji se dodaju tekstualnom trošku zahtjeva
Ključne točke
- Vizija koristi format niza polja
contents objektimaimage_url - Slike se mogu poslati putem javnog URL-a ili kodirane u base64
- Tri razine detalja:
auto(zadano),low(brzo/ekonomično) ihigh(detaljno) - Maksimalna veličina od 20 MiB po slici, isključivo formati JPG i PNG
- Više slika može se poslati u jednoj poruci za usporedbe