Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Razumijevanje slika u web pretraživanju

Lekcija 7 od 16 Ažurirano 30. srpnja 2026. Programer
Na ovoj stranici
  1. Analiza slika pronađenih na webu
  2. Aktivacija
  3. Sintaksa SDK-a
  4. Slučajevi upotrebe
  5. Kombiniranje s drugim parametrima
  6. Utjecaj na troškove
  7. Razlika u odnosu na X Search
  8. Ključne točke

Analiza slika pronađenih na webu

Web pretraživanje nadilazi tekst. Uz parametar enable_image_understanding, možeš zatražiti od modela da analizira slike na koje naiđe tijekom web pretraživanja. Ova značajka znatno proširuje mogućnosti pretraživanja, posebno za vizualna pitanja ili teme gdje slike pružaju informacije koje nadopunjuju tekst.

Aktivacija

Omogući ovu značajku dodavanjem parametra enable_image_understanding u svoju konfiguraciju web pretraživanja:

{
  "tools": [{
    "type": "web_search",
    "enable_image_understanding": true
  }]
}

Kada je omogućeno, model može koristiti interni alat view_image za analizu slika na koje naiđe tijekom pretraživanja. Samostalno odlučuje koje su slike relevantne za pregled.

Sintaksa SDK-a

xAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture and explain each component",
    tools=[client.tools.web_search(
        enable_image_understanding=True
    )]
)

OpenAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture",
    tools=[{
        "type": "web_search",
        "enable_image_understanding": True
    }]
)

Vercel AI SDK

tools: [xai.tools.webSearch({
  enableImageUnderstanding: true
})]

Slučajevi upotrebe

Analiza tehničkih dijagrama

Model može pronaći i interpretirati dijagrame arhitekture, dijagrame tijeka ili tehničke grafove. Ovo je posebno korisno za pitanja o softverskim arhitekturama ili industrijskim procesima.

Vizualna usporedba proizvoda

Za upite koji zahtijevaju usporedbu, model može analizirati snimke zaslona ili fotografije proizvoda pronađene na webu te iz njih izvući relevantna zapažanja.

Vizualna analiza podataka

Ako se tvoje pitanje odnosi na podatke prikazane kao grafikoni ili vizualne tablice, razumijevanje slika omogućuje modelu izvlačenje informacija iz tih vizualnih prikaza.

Kombiniranje s drugim parametrima

Razumijevanje slika kombinira se s filtriranjem domena:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Analyze the latest LLM performance benchmarks",
    tools=[{
        "type": "web_search",
        "allowed_domains": ["arxiv.org", "huggingface.co"],
        "enable_image_understanding": True
    }]
)

Model će pretraživati samo unutar dopuštenih domena i moći će analizirati grafikone s benchmarkovima pronađene u publikacijama.

Utjecaj na troškove

Omogućivanje razumijevanja slika povećava potrošnju tokena. Analiza svake slike generira dodatne tokene za ulaz (kodirana slika) i izlaz (opis/analiza). Trošak po pozivu ostaje isti (0,005 USD), ali volumen tokena po zahtjevu može se znatno povećati.

Omogući ovu značajku samo kada slike dodaju stvarnu vrijednost tvom slučaju upotrebe. Za pretraživanja koja se temelje isključivo na tekstu, ostavi ovaj parametar onemogućenim kako bi optimizirao troškove.

Razumijevanje slika dostupno je i za Web Search i za X Search. Međutim, razumijevanje videozapisa (enable_video_understanding) ekskluzivno je za X Search. Web Search ne može analizirati videozapise pronađene na webu.

Ključne točke

  • Omogući s enable_image_understanding: true u konfiguraciji Web Searcha
  • Model interno koristi view_image za analizu relevantnih slika
  • Korisno za dijagrame, grafikone, snimke zaslona i vizualne usporedbe
  • Povećava potrošnju tokena – omogući samo kada je relevantno
  • Kombinira se s filtriranjem domena za preciznu kontrolu izvora
  • Razumijevanje videozapisa ekskluzivno je za X Search