Képfelismerés a webes keresésben
Ezen az oldalon
A weben talált képek elemzése
A webes keresés túlmutat a szövegen. Az enable_image_understanding paraméter segítségével utasíthatod a modellt, hogy elemezze azokat a képeket, amelyekre a webes keresés során rátalál. Ez a funkció jelentősen kibővíti a keresési lehetőségeket, különösen olyan vizuális kérdések vagy témák esetén, ahol a képek a szöveget kiegészítő információkat hordoznak.
Aktiválás
Engedélyezd ezt a funkciót az enable_image_understanding paraméter hozzáadásával a webes keresés konfigurációjához:
{
"tools": [{
"type": "web_search",
"enable_image_understanding": true
}]
}
Ha engedélyezve van, a modell képes a belső view_image eszközt használni a keresés során talált képek elemzésére. Automatikusan eldönti, mely képek relevánsak a vizsgálathoz.
SDK szintaxis
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
})]
Felhasználási esetek
Műszaki diagramok elemzése
A modell képes megtalálni és értelmezni az architektúra-diagramokat, folyamatábrákat vagy műszaki grafikonokat. Ez különösen hasznos szoftverarchitektúrákkal vagy ipari folyamatokkal kapcsolatos kérdések esetén.
Vizuális termék-összehasonlítás
Összehasonlító lekérdezések esetén a modell képes elemezni a weben talált képernyőképeket vagy termékfotókat, és releváns megfigyeléseket levonni belőlük.
Vizuális adatelemzés
Ha a kérdésed diagramokként vagy vizuális táblázatokként megjelenített adatokra vonatkozik, a képfelismerés lehetővé teszi a modell számára, hogy kinyerje az információt ezekből a vizuális ábrázolásokból.
Kombinálás egyéb paraméterekkel
A képfelismerés kombinálható a tartomány-szűréssel:
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
}]
)
A modell csak a megengedett tartományokon belül keres, és képes elemezni a publikációkban található benchmark-diagramokat.
Költséghatás
A képfelismerés engedélyezése növeli a tokenfogyasztást. Minden egyes kép elemzése további tokeneket generál a bemenet (a kódolt kép) és a kimenet (a leírás/elemzés) számára. A hívásonkénti költség változatlan marad (0,005 USD), de a lekérdezésenkénti tokenmennyiség jelentősen megnőhet.
Csak akkor engedélyezd ezt a funkciót, ha a képek valódi értéket adnak a felhasználási esetedhez. Tisztán szövegalapú keresések esetén hagyd letiltva ezt a paramétert a költségek optimalizálása érdekében.
Különbség az X Search-höz képest
A képfelismerés elérhető mind a Web Search, mind az X Search esetén. Azonban a videó-felismerés (enable_video_understanding) kizárólag az X Search sajátja. A Web Search nem képes elemezni a weben talált videókat.
Főbb megállapítások
- Engedélyezd az
enable_image_understanding: truebeállítással a Web Search konfigurációjában - A modell belsőleg a
view_imageeszközt használja a releváns képek elemzésére - Hasznos diagramok, grafikonok, képernyőképek és vizuális összehasonlítások esetén
- Növeli a tokenfogyasztást – csak szükség esetén engedélyezd
- Kombinálható tartomány-szűréssel a pontos forrásvezérlés érdekében
- A videófelismerés kizárólag az X Search esetén elérhető