Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Kép elemzése Grokkal

11. lecke 14 közül Frissítve 2026. július 30. Fejlesztő
Ezen az oldalon
  1. Számítógépes látás a Grok API-val
  2. Kép bemeneti formátuma
  3. Python példa
  4. A chat/completions formátummal
  5. Kép küldése base64-ben
  6. Valós felhasználási esetek
  7. Látási képességekkel rendelkező modellek
  8. Főbb megállapítások

Számítógépes látás a Grok API-val

A látási képességekkel rendelkező Grok modellek a szöveg mellett képeket is képesek elemezni. Küldesz egy képet (URL-en vagy base64 formátumban) egy kérdéssel együtt, a modell pedig leírja, elemzi azt, vagy kinyer belőle vizuális információkat. Ez a képesség konkrét lehetőségeket nyit meg: adatok kinyerése képernyőmentésekből, diagramok elemzése, beolvasott dokumentumok olvasása.

Kép bemeneti formátuma

Kép küldéséhez vegyes tartalmú (szöveg és kép) tömböt használsz az input mezőben:

[
  {
    "type": "input_image",
    "image_url": "https://exemple.com/mon-image.jpg"
  },
  {
    "type": "input_text",
    "text": "What do you see in this image?"
  }
]

Az input_image típus a kép nyilvános URL-címét fogadja. Az input_text típus tartalmazza a kérdésedet vagy utasításodat.

Python példa

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1"
)

response = client.responses.create(
    model="grok-4.5",
    input=[
        {
            "type": "input_image",
            "image_url": "https://exemple.com/graphique-ventes.png"
        },
        {
            "type": "input_text",
            "text": "Analyze this chart. What's the main trend?"
        }
    ]
)

print(response.output[0].content[0].text)

A chat/completions formátummal

Ha a régi /v1/chat/completions végpontot használod, a formátum kissé eltér:

response = client.chat.completions.create(
    model="grok-4.5",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {"url": "https://exemple.com/photo.jpg"}
                },
                {
                    "type": "text",
                    "text": "Describe this image in detail."
                }
            ]
        }
    ]
)

Formátumkülönbségek

VégpontKép típusaSzöveg típusa
/v1/responsesinput_imageinput_text
/v1/chat/completionsimage_urltext

Kép küldése base64-ben

Ha a képed nem érhető el URL-en keresztül (helyi fájl, generált kép), kódold base64-be:

import base64

with open("capture.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

response = client.responses.create(
    model="grok-4.5",
    input=[
        {
            "type": "input_image",
            "image_url": f"data:image/png;base64,{image_base64}"
        },
        {
            "type": "input_text",
            "text": "Read the text in this screenshot."
        }
    ]
)

Valós felhasználási esetek

Adatkinyerés

Küldj egy fotót egy számláról vagy nyugtáról, és kérd meg a modellt, hogy nyerje ki az összegeket, dátumokat és hivatkozási számokat.

Diagram elemzése

Küldj be egy diagramot vagy grafikont, és kérj értelmezést a trendekről és a kulcsfontosságú számokról.

Programozási segítség

Oszd meg egy hiba képernyőmentését az IDE-dből, és kérj magyarázatot, valamint megoldást.

Felület leírása

Küldj egy mockupot vagy képernyőmentést, és kérd meg a modellt, hogy írja le a benne található felületi elemeket.

Látási képességekkel rendelkező modellek

Nem minden Grok modell támogatja a látást. Használd a grok-4.5 modellt, amely tartalmazza a képtámogatást. A „Mini“ vagy „fast“ modellek korlátozott támogatással rendelkezhetnek, vagy egyáltalán nem támogatják ezt.

Főbb megállapítások

  • Használd az input_image típust a /v1/responses végponttal képek küldéséhez
  • Küldhetsz képeket nyilvános URL-en vagy base64-kódolással
  • A grok-4.5 modell támogatja a képelemzést
  • Kombináld a képet és a szöveget egy tömbben, hogy kérdéseket tegyél fel a vizuális tartalomról