Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Képfelismerés a webes keresésben

7. lecke 16 közül Frissítve 2026. július 30. Fejlesztő
Ezen az oldalon
  1. A weben talált képek elemzése
  2. Aktiválás
  3. SDK szintaxis
  4. Felhasználási esetek
  5. Kombinálás egyéb paraméterekkel
  6. Költséghatás
  7. Különbség az X Search-höz képest
  8. Főbb megállapítások

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: true beállítással a Web Search konfigurációjában
  • A modell belsőleg a view_image eszközt 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