Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Képfájlok: URL és Base64

1. lecke 12 közül Frissítve 2026. november 3. Kezdő
Ezen az oldalon
  1. Képek küldése a Groknak
  2. Közvetlen URL
  3. Base64 kódolás (Data URI)
  4. Fő különbségek az URL és a Base64 között
  5. Szöveg és képek keverése
  6. Főbb megállapítások

Frissítve: 2026. november 3. A Responses API használatával az input_image és input_text objektumok nem közvetlenül az input mezőbe, hanem egy {"role": "user", ...} üzenet content tömbjébe kerülnek. A korábbi Python-példa a client.responses.create() metódust hívta meg az xai-sdk kliensen, amely nem rendelkezik ezzel a metódussal, és a kódba írta az API-kulcsot: mostantól a SDK user(...) és image(...) függvényeit használjuk, a kulcsot pedig a környezetből olvassuk be. Kiegészítettük az xAI figyelmeztetésével az előzmények tárolásával kapcsolatban. A kód ellenőrizve: xai-sdk 1.21.0. Forrás: Image Understanding.

Képek küldése a Groknak

Grok képelemzés közben 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.

2
Támogatott formátumok
20 MiB
Maximális méret képenként
JPG/PNG
Elfogadott formátumok
Korlátlan
Képek száma

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 fájlokhoz
  • data: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_image objektumot az üzenet content részébe helyezi; a Chat Completions az image_url részeket használja; az xAI SDK pedig az image() függvényt hívja meg a user() belül
  • Nyilvános képek esetén részesítsd előnyben az URL-t, helyi fájloknál pedig a Base64-et