Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Razumijevanje i analiza slika

Lekcija 11 od 16 Ažurirano 29. srpnja 2026. Početnik
Na ovoj stranici
  1. Grokov vid
  2. Kako poslati sliku
  3. Što zapravo možeš pitati
  4. Postavi razinu detalja
  5. Ograničenja koja trebaš znati
  6. Ključne točke

Grokov vid

Grok nije ograničen samo na tekst. Modeli grok-4.5 i noviji uključuju mogućnosti vida koje im omogućuju analizu slika koje dostaviš kao ulaz. Možeš poslati fotografiju, snimku zaslona, grafikon ili bilo koji drugi vizualni sadržaj, a Grok će ti dati detaljan opis, analizu ili kontekstualan odgovor. To pomiče granicu onoga što mu možeš predati: fotografirana nadzorna ploča, zgužvana računa ili maketa aplikacije postaju upotrebljivi dokumenti, baš kao i tekst zalijepljen u razgovor.

Kako poslati sliku

Na grok.com to zahtijeva četiri koraka:

  1. Klikni gumb za privitak u polju za unos
  2. Odaberi sliku sa svog uređaja
  3. Po želji dodaj tekstualnu poruku kojom ćeš usmjeriti analizu
  4. Pošalji svoju poruku

Na mobilnim uređajima možeš također izravno uslikati fotografiju kamerom svog telefona i poslati je Groku na analizu. To je najbrži način kada se nađeš ispred znaka, jelovnika ili zaslona koji ne možeš kopirati i zalijepiti.

Za programere, slike se šalju kroz mješoviti niz objekata u polju za unos:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": "https://exemple.com/photo.jpg"},
        {"type": "input_text", "text": "Describe this image in detail"}
    ]
)

Slike možeš dostaviti kao javni URL ili u base64 kodiranom obliku. Izbor je bitan: javni URL zahtijeva sliku kojoj se može pristupiti izvana, što isključuje interne dokumente; base64 čini zahtjev težim, ali je jedina opcija za povjerljive datoteke.

Što zapravo možeš pitati

Opis je najneposrednija uporaba. Grok detaljno navodi prisutne objekte, boje, kompoziciju, raspoloženje te ljude i njihove izraze. Ipak, moraš okvirno postaviti svoj zahtjev, inače ćeš dobiti ravan popis:

Detaljno opiši ovu fotografiju.
Koji je glavni subjekt i koje sekundarne
elemente primjećuješ?

Izvlačenje teksta, odnosno OCR, vjerojatno je najvrijednija svakodnevna uporaba. Grok čita i prepisuje tekst s fotografija dokumenata, snimki zaslona, znakova i plakata, jelovnika restorana i posjetnica: u svim tim slučajevima ručno ponovno tipkanje informacija oduzima nekoliko minuta. Istovremeni zahtjev za formatiranjem štedi drugi krug komunikacije:

Izvuci sav vidljivi tekst na ovoj slici
i rasporedi ga na čitljiv način.

Analiza grafikona i dijagrama ide dalje od pukog čitanja: Grok tumači statističke grafikone, dijagrame tijeka i tehničke dijagrame te ti može reći što prikazuju. To je posebno korisno kada PDF izvješće zaključava svoj zaključak unutar figure:

Analiziraj ovaj grafikon. Koji su glavni trendovi
i koje zaključke možemo izvući?

Možeš također poslati nekoliko slika u istom zahtjevu kako bi ih Grok mogao usporediti, čime se recenzija dizajna pretvara u razgovor:

Ovo su dvije verzije dizajna. Koje su
glavne razlike između njih?

Konačno, dizajneri i programeri koriste ovaj vid na vlastitim zaslonima, tražeći kritiku upotrebljivosti umjesto opisa:

Analiziraj ovu snimku zaslona mobilne aplikacije.
Koje probleme s upotrebljivošću vidiš?

Postavi razinu detalja

Kroz API, parametar detail kontrolira dubinu analize slike i prihvaća tri vrijednosti:

  • auto: model odabire odgovarajuću razinu (zadano)
  • low: brza, jeftina analiza koja troši manje tokena
  • high: detaljna, dubinska analiza koja troši više tokena

Ova postavka razmjenjuje preciznost naspram troška, ovisno o slučaju. Za jednostavan OCR na računu, low je dovoljan i smanjuje trošak kod tisuća dokumenata; za finu umjetničku analizu ili gusti grafikon, high izbjegava pogrešno čitanje.

Ograničenja koja trebaš znati

OgraničenjeVrijednost
Maksimalna veličina20 MiB po slici
Prihvaćeni formatiSamo JPG, JPEG i PNG
Broj slikaNema ograničenja po zahtjevu
Potrošnja tokenaIzmeđu 256 i 1.792 tokena, ovisno o veličini i razini detalja

Nekoliko navika omogućuje maksimalno iskorištavanje ovih mogućnosti. Okvirno postavi svoj zahtjev umjesto traženja općeg opisa: „koliko artikala nema na stanju na ovoj snimci zaslona“ bolje je od „opiši ovu sliku“. Promijeni veličinu velikih datoteka koje usporavaju obradu, a ništa ne dodaju. Uz sliku uvijek uključi tekstualnu poruku jer kontekst vidljivo poboljšava relevantnost odgovora. I slijedi logiku formata: JPG za fotografije, PNG za snimke zaslona i bilo koji vizualni sadržaj koji sadrži tekst, budući da JPG kompresija zamućuje fine znakove i uzrokuje neuspjeh OCR-a.

Ključne točke

  • Modeli grok-4.5 i noviji mogu analizirati slike dostavljene kao ulaz
  • Slučajevi uporabe uključuju opis, OCR, analizu grafikona i usporedbu
  • Slike možeš dostaviti putem URL-a ili u base64 obliku
  • Postavka detalja omogućuje ti kontrolu kompromisa između preciznosti i troška
  • Maksimalna veličina je 20 MiB, isključivo u formatima JPG i PNG