Razumijevanje i analiza slika
Na ovoj stranici
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:
- Klikni gumb za privitak u polju za unos
- Odaberi sliku sa svog uređaja
- Po želji dodaj tekstualnu poruku kojom ćeš usmjeriti analizu
- 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
| Ograničenje | Vrijednost |
|---|---|
| Maksimalna veličina | 20 MiB po slici |
| Prihvaćeni formati | Samo JPG, JPEG i PNG |
| Broj slika | Nema ograničenja po zahtjevu |
| Potrošnja tokena | Između 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