Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Vizija: Analiza slika uz Grok

Lekcija 7 od 12 Ažurirano 30. srpnja 2026. Programer
Na ovoj stranici
  1. Razumijevanje slika putem Chat Completions
  2. Slanje slike putem URL-a
  3. Slanje slike u Base64 formatu
  4. Razine detalja: auto, low i high
  5. Analiza više slika
  6. Tehnička ograničenja
  7. Ključne točke

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 content s objektima image_url
  • Slike se mogu poslati putem javnog URL-a ili kodirane u base64
  • Tri razine detalja: auto (zadano), low (brzo/ekonomično) i high (detaljno)
  • Maksimalna veličina od 20 MiB po slici, isključivo formati JPG i PNG
  • Više slika može se poslati u jednoj poruci za usporedbe