Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Vision: Képelemzés Grokkal

7. lecke 12 közül Frissítve 2026. július 30. Fejlesztő
Ezen az oldalon
  1. Képértelmezés a Chat Completions segítségével
  2. Kép küldése URL-en keresztül
  3. Kép küldése Base64 kódolással
  4. Részletességi szintek: auto, low és high
  5. Több kép elemzése
  6. Technikai korlátok
  7. Főbb megállapítások

Képértelmezés a Chat Completions segítségével

A Grok modellek (a grok-4.5 verziótól kezdődően) rendelkeznek látási képességekkel, amelyek lehetővé teszik képek elemzését, leírását és az azokkal kapcsolatos következtetések levonását. Ezt a funkciót a content mező tömb formátumán keresztül érheted el, ahol text és image_url objektumokat kombinálsz.

A felhasználási területek sokfélék: szöveg kinyerése beolvasott dokumentumokból (OCR), diagramok elemzése, felhasználói felületek leírása, vizuális összehasonlítás vagy műszaki ábrák értelmezése.

Kép küldése URL-en keresztül

A legegyszerűbb módszer a kép nyilvános URL-címének megadása:

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)

Az xAI szerverei a kérés időpontjában töltik le a képet. Annak nyilvánosan elérhetőnek kell lennie.

Kép küldése Base64 kódolással

Helyi vagy privát képek esetén használd a base64 kódolást:

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}"
                    }
                }
            ]
        }
    ]
)

Az URL formátuma: data:image/{formátum};base64,{adat}, ahol a {formátum} lehet jpeg, jpg vagy png.

Részletességi szintek: auto, low és high

A detail paraméter szabályozza azt a felbontást, amelyen a modell elemzi a képet:

detail: “low”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/icone.png",
    "detail": "low"
  }
}

A kép elemzés előtt alacsony felbontásra kerül méretezésre. Ez a leggyorsabb mód, és a legkevesebb tokent fogyasztja. Egyszerű képeknél alkalmazd: ikonok, logók, alapvető diagramok esetén.

detail: “high”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/document-scan.jpg",
    "detail": "high"
  }
}

A kép nagy felbontásban kerül elemzésre. A modell képes elolvasni a kis méretű szövegeket, azonosítani a finom részleteket és elemezni specifikus területeket. Dokumentumok, képernyőképek és részletes fényképek esetén ez az ajánlott mód.

detail: “auto”

A modell automatikusan választja ki a részletességi szintet a kép mérete és összetettsége alapján. Ez az alapértelmezett érték, ha kihagyod a paramétert.

Több kép elemzése

Küldhetsz több képet is egyetlen üzenetben összehasonlítás vagy kereszt-elemzés céljából:

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"}}
            ]
        }
    ]
)

Nincs korlátozás a kérésenkénti képek számára vonatkozóan, de minden kép további tokeneket fogyaszt.

Technikai korlátok

Tartsd szem előtt ezeket a korlátokat a vision használatakor:

  • Maximális méret: 20 MiB képenként
  • Támogatott formátumok: Kizárólag JPG, JPEG és PNG
  • Kompatibilis modellek: grok-4 és újabb verziók (a régebbi modellek nem támogatják a visiont)
  • Tokenek: a képek tokeneket fogyasztanak, amelyek hozzáadódnak a kérés szöveges költségéhez

Főbb megállapítások

  • A vision a content mező tömb formátumát használja image_url objektumokkal
  • A képek küldhetők nyilvános URL-en keresztül vagy base64-ben kódolva
  • Három részletességi szint létezik: auto (alapértelmezett), low (gyors/gazdaságos) és high (részletes)
  • Maximális méret képenként 20 MiB, kizárólag JPG és PNG formátumok
  • Több kép is küldhető egyetlen üzenetben összehasonlítás céljából