Képfájlok: URL és Base64
Ezen az oldalon
Frissítve: 2026. november 3. A Responses API használatával az
input_imageésinput_textobjektumok nem közvetlenül azinputmezőbe, hanem egy{"role": "user", ...}üzenetcontenttömbjébe kerülnek. A korábbi Python-példa aclient.responses.create()metódust hívta meg azxai-sdkkliensen, amely nem rendelkezik ezzel a metódussal, és a kódba írta az API-kulcsot: mostantól a SDKuser(...)ésimage(...)függvényeit használjuk, a kulcsot pedig a környezetből olvassuk be. Kiegészítettük az xAI figyelmeztetésével az előzmények tárolásával kapcsolatban. A kód ellenőrizve:xai-sdk1.21.0. Forrás: Image Understanding.
Képek küldése a Groknak
A grok-4.5 és újabb verziójú Grok-modellek rendelkeznek látási képességekkel. Egy vagy több képet is küldhetsz az API-kéréseidben, és a modell elemezni fogja azokat, hogy megválaszolja a kérdéseidet. Ezt képmegértésnek vagy multimodális látásnak nevezzük.
Mielőtt belemennénk a konkrét alkalmazási esetekbe, elengedhetetlen, hogy elsajátítsd az xAI API által támogatott két képküldési formátumot.
Közvetlen URL
A legegyszerűbb módszer, ha megadod a kép nyilvános URL-címét. A modell automatikusan letölti és elemzi azt.
A Responses API-val (fő végpont):
{
"model": "grok-4.5",
"input": [
{
"role": "user",
"content": [
{
"type": "input_image",
"image_url": "https://exemple.com/photo-produit.jpg"
},
{
"type": "input_text",
"text": "Írd le részletesen ezt a képet."
}
]
}
]
}
Az xAI azt javasolja, hogy képek küldésekor ne tárold a kérés és a válasz előzményeit a szervereiken, ellenkező esetben a kérés sikertelen lehet: a Responses API használatakor add meg a "store": false értéket.
A Chat Completions API-val (örökölt, OpenAI-kompatibilis):
{
"model": "grok-4.5",
"messages": [
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": "https://exemple.com/photo-produit.jpg"
}
},
{
"type": "text",
"text": "Írd le részletesen ezt a képet."
}
]
}
]
}
Az URL-nek egy nyilvánosan elérhető képfájlra kell mutatnia. Ha a kép hitelesítés mögött vagy védett CDN-en található, használd helyette a Base64 formátumot.
Base64 kódolás (Data URI)
A második formátum esetén a képet közvetlenül a kérésbe kódolod Base64 karakterláncként, egy MIME előtaggal megelőzve. Ez az ideális módszer helyi fájlokkal, képernyőképekkel vagy dinamikusan generált állományokkal való munka esetén.
{
"type": "input_image",
"image_url": "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQ..."
}
A data:image/jpeg;base64, előtag tájékoztatja a modellt a kép MIME-típusáról. Igazítsd ezt a formátumhoz:
data:image/jpeg;base64,JPG/JPEG fájlokhozdata:image/png;base64,PNG fájlokhoz
Kép kódolása Pythonban
import base64
with open("photo.jpg", "rb") as f:
image_data = base64.standard_b64encode(f.read()).decode("utf-8")
image_url = f"data:image/jpeg;base64,{image_data}"
Kódolás JavaScriptben/Node.js-ben
import { readFileSync } from 'fs';
const imageData = readFileSync('photo.jpg').toString('base64');
const imageUrl = `data:image/jpeg;base64,${imageData}`;
Fő különbségek az URL és a Base64 között
| Szempont | URL | Base64 |
|---|---|---|
| Kérés mérete | Könnyű (csak az URL) | Nehéz (+33% az eredeti fájlhoz képest) |
| Hozzáférhetőség | Nyilvános kép szükséges | Bármilyen helyi fájllal működik |
| Késleltetés | Szerver letöltés | Adatok közvetlenül a kérésben |
| Tipikus alkalmazási eset | Webes képek, CDN, felhőtároló | Helyi fájlok, képernyőképek, feltöltések |
Szöveg és képek keverése
Egy üzenet content mezője elfogad egy vegyes tömböt, amely input_image és input_text objektumokat tartalmaz tetszőleges sorrendben: szabadon váltogathatod a szöveget és a képeket. A natív xAI SDK-val ugyanazt az üzenetet a user() függvénnyel építed fel, amely szöveget és az image() által létrehozott képeket fogad el sorban:
from xai_sdk import Client
from xai_sdk.chat import image, user
client = Client() # kulcs olvasása az XAI_API_KEY változóból
chat = client.chat.create(model="grok-4.5")
chat.append(
user(
"Hasonlítsd össze ezt a két fotót:",
image(image_url="https://exemple.com/photo1.jpg", detail="high"),
image(image_url="https://exemple.com/photo2.jpg", detail="high"),
"Mik a fő különbségek?",
)
)
response = chat.sample()
print(response.content)
Az image() függvény elfogad nyilvános URL-t vagy Base64 Data URI-t is.
Főbb megállapítások
- Két képfájl-formátum támogatott: közvetlen URL és Base64 (Data URI)
- Kizárólag a JPG, JPEG és PNG formátumok elfogadottak
- Egyetlen kép mérete sem haladhatja meg a 20 MiB-ot
- A kérésenkénti képek száma korlátlan
- A Responses API az
input_imageobjektumot az üzenetcontentrészébe helyezi; a Chat Completions azimage_urlrészeket használja; az xAI SDK pedig azimage()függvényt hívja meg auser()belül - Nyilvános képek esetén részesítsd előnyben az URL-t, helyi fájloknál pedig a Base64-et