Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Višemodalni upiti

Lekcija 9 od 14 Ažurirano 30. srpnja 2026. Početnik
Na ovoj stranici
  1. Tekst i slike u istom upitu
  2. Slanje slike Groku
  3. Parametar detail: kontrola preciznosti
  4. Izvori slika
  5. Praktični slučajevi uporabe
  6. Ključna tehnička ograničenja
  7. Pisanje dobrog višemodalnog upita
  8. Praktična vježba
  9. Ključne točke

Tekst i slike u istom upitu

Grok 4.5 i noviji modeli mogu analizirati slike uz tekst. Ova višemodalna sposobnost otvara širok spektar mogućnosti: opisivanje slika, OCR, analiza grafikona, vizualna usporedba i još mnogo toga.

Savladavanjem višemodalnih upita možeš koristiti Grok kao vizualnog asistenta, uz njegovu ulogu tekstualnog asistenta.

Slanje slike Groku

Kod Responses API-ja (glavna krajnja točka), slike se integriraju u polje input kao tipizirani objekti:

{
  "model": "grok-4.5",
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
    {"type": "input_text", "text": "Analyze this dashboard and identify declining metrics."}
  ]
}

Kod Chat Completions API-ja (starija krajnja točka), struktura je nešto drugačija:

{
  "model": "grok-4.5",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
      {"type": "text", "text": "Analyze this dashboard and identify declining metrics."}
    ]
  }]
}

Parametar detail: kontrola preciznosti

Razina detalja utječe na dubinu analize i broj utrošenih tokena:

detail: low

Slika se obrađuje brzo pri smanjenoj rezoluciji. Koristi ovaj način za:

  • Klasifikaciju slika (fotografija, ilustracija, dijagram)
  • Opis općeg sadržaja
  • Identifikaciju glavnih objekata
  • Sortiranje slika po kategorijama

Potrošnja: manje tokena, brži odgovor.

detail: high

Slika se analizira u visokoj rezoluciji. Koristi ovaj način za:

  • Čitanje teksta na slici (OCR)
  • Analizu detalja na grafikonu ili dijagramu
  • Usporedbu preciznih vizualnih elemenata
  • Otkrivanje nedostataka ili anomalija

Potrošnja: više tokena (između 256 i 1.792, ovisno o veličini), sporiji odgovor.

detail: auto

Model sam odabire odgovarajuću razinu. To je zadano ponašanje.

Izvori slika

Izravni URL

Najjednostavnija metoda: navedi HTTPS poveznicu na sliku.

{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}

Base64 (data URI)

Za slike koje nisu hostane na internetu, kodiraj ih u base64:

{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}

Ova je metoda korisna za snimke zaslona, programski generirane slike ili slike iz procesnog cjevovoda obrade.

Praktični slučajevi uporabe

OCR i izvlačenje teksta

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
    {"type": "input_text", "text": "Extract from this invoice: the invoice number, date, amount excluding tax, VAT, and amount including tax. Return the result in JSON."}
  ]
}

Analiza grafikona

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
    {"type": "input_text", "text": "This chart shows our monthly sales over 12 months. Identify trends, peaks, and troughs. Suggest possible explanations for the variations."}
  ]
}

Usporedba slika

{
  "input": [
    {"type": "input_text", "text": "Compare these two versions of our logo:"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v1.png"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v2.png"},
    {"type": "input_text", "text": "Identify the differences and recommend the best version for web use."}
  ]
}

Analiza korisničkog sučelja

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
    {"type": "input_text", "text": "Evaluate this mobile interface mockup based on the following criteria: readability, visual hierarchy, accessibility, consistency. Rate each criterion out of 10."}
  ]
}

Ključna tehnička ograničenja

  • Maksimalna veličina: 20 MB po slici
  • Formati: samo JPG, JPEG i PNG (bez GIF, SVG ili WebP)
  • Nema ograničenja na broj slika po zahtjevu
  • xAI savjet: koristi store: false u Responses API-ju kada radiš sa slikama kako bi izbjegao pogreške povezane s pohranom povijesti

Pisanje dobrog višemodalnog upita

Ista načela jasnoće vrijede i ovdje, uz specifičnosti za slike:

  • Najavi sliku: reci modelu što će vidjeti prije same slike
  • Budi precizan oko zadatka: „Opisi ovu sliku“ je nejasno; „Izvuci podatke iz stupčastog grafikona i vrati ih u CSV formatu“ je precizno
  • Usmjeri pažnju: ako te zanima samo dio slike, naznači to („Fokusiraj se na gornji desni kut“)
  • Odredi format izlaza: kao i kod tekstualnih upita, navedi očekuješ li JSON, popis ili tablicu

Praktična vježba

Napravi snimku zaslona nadzorne ploče, grafikona ili dokumenta i pošalji je Groku s određenim zahtjevom. Testiraj s detail: low, a zatim s detail: high te usporedi kvalitetu i brzinu odgovora.

Ključne točke

  • modeli grok-4.5+ analiziraju slike uz tekst
  • parametar detail (low, auto, high) kontrolira dubinu analize i trošak tokena
  • slike se mogu dostaviti putem URL-a ili base64 kodiranja
  • najavi sliku, budi precizan oko zadatka i odredi format izlaza
  • koristi store: false kako bi izbjegao probleme s pohranom slika
  • prihvaćeni formati ograničeni su na JPG, JPEG i PNG, s maksimalnom veličinom od 20 MB