Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Képelemzés a webes keresés során talált képeken

4. lecke 14 közül Frissítve 2026. július 30. Kezdő
Ezen az oldalon
  1. Lépj túl a szövegen képelemzéssel
  2. A képmegértés engedélyezése
  3. Hogyan működik
  4. Domain szűrés és képelemzés kombinálása
  5. Releváns felhasználási esetek
  6. Ismerendő korlátok
  7. Gyakorlati feladat
  8. Főbb megállapítások

Lépj túl a szövegen képelemzéssel

A webes keresés nem korlátozódik csak a szövegre. Ha engedélyezed az enable_image_understanding paramétert, a Grok modell képes elemezni a keresései során talált képeket. Ez új lehetőségeket nyit meg: diagramok értelmezése, infografikák olvasása, képernyőképek megértése vagy hírfotók elemzése.

Ez a képesség különösen hasznos olyan esetekben, amikor a vizuális információ kiegészíti vagy helyettesíti a szöveget, például tőzsdei diagramokból származó trendek elemzése, műszaki ábrák megértése vagy képként közzétett táblázatokból történő adatkinyerés során.

A képmegértés engedélyezése

Ezt a web_search eszköz konfigurációjában található enable_image_understanding paraméterrel engedélyezheted:

response = client.responses.create(
    model="grok-4.5",
    input="Show me the evolution of Tesla's stock price this week",
    tools=[{
        "type": "web_search",
        "enable_image_understanding": True
    }]
)

Ha ez a paraméter engedélyezve van, a modell hozzáfér egy további belső eszközhöz, amelynek neve view_image. Ezt az eszközt hívja meg a keresés során encountered képek vizsgálatára és a releváns információk kinyerésére.

Hogyan működik

A folyamat több szakaszban zajlik:

  1. A modell lefuttat egy szabványos webes keresést
  2. Az eredmények közül azonosítja a potenciálisan releváns képeket
  3. A view_image eszközt használja ezeknek a képeknek az elemzésére
  4. Beépíti a vizuális információkat a végső válaszába

Neked nem kell kezelned semmilyen további interakciót. A modell mindent autonóm módon orchestrál.

Domain szűrés és képelemzés kombinálása

A képelemzést egyszerre engedélyezheted a domain szűréssel is:

response = client.responses.create(
    model="grok-4.5",
    input="Visual summary of the latest publications on arxiv in computer vision",
    tools=[{
        "type": "web_search",
        "allowed_domains": ["arxiv.org"],
        "enable_image_understanding": True
    }]
)
Paraméter Típus Alapértelmezett érték Leírás
allowed_domains array [] Engedélyezett domainek (max. 5)
excluded_domains array [] Kizárt domainek (max. 5)
enable_image_understanding boolean false Engedélyezi a talált képek elemzését

Releváns felhasználási esetek

Márka vizuális monitorozása

Figyeld meg, hogyan jelenik meg márkád vizuálisan az online térben: használt logók, terméked képernyőképei, cégedet említő infografikák.

response = client.responses.create(
    model="grok-4.5",
    input="How is the Corsen AI brand represented visually online?",
    tools=[{
        "type": "web_search",
        "enable_image_understanding": True
    }]
)

Vizuális adatelemzés

Értelmezd az online jelentésekben közzétett diagramokat és táblázatokat anélkül, hogy manuálisan le kellene töltened őket:

response = client.responses.create(
    model="grok-4.5",
    input="Analyze the European AI market growth charts published recently",
    tools=[{
        "type": "web_search",
        "allowed_domains": ["statista.com", "mckinsey.com"],
        "enable_image_understanding": True
    }]
)

Ismerendő korlátok

A képelemzés növeli a válaszidőt, mivel a modellnek a szöveg mellett vizuális adatokat is fel kell dolgoznia. Emellett több kimeneti tokent is fogyaszt. Csak akkor engedélyezd, ha a vizuális információ valódi értéket ad a válaszhoz.

Az elemzés minősége a talált képek felbontásától és tisztaságától is függ. A nagy felbontású, jól olvasható címkékkel rendelkező diagramok jobb eredményt hoznak, mint a homályos vagy zsúfolt képek.

Gyakorlati feladat

Készíts egy szkriptet, amely megkéri a Grokot, hogy elemezzen vizuális trendeket egy adott szektorban (például egy tőzsdei index teljesítménydiagramjait vagy egy iparági jelentés infografikáit). Hasonlítsd össze a kapott válasz gazdagságát az enable_image_understanding paraméterrel és anélkül.

Főbb megállapítások

  • Az enable_image_understanding paraméter lehetővé teszi a modell számára a webes találatokból származó képek elemzését
  • A modell belsőleg a view_image eszközt használja a releváns vizuális elemek vizsgálatára
  • Ez a paraméter kombinálható az allowed_domains vagy excluded_domains paraméterekkel
  • A képelemzés növeli a feldolgozási időt és a tokenfogyasztást
  • Ez a funkció ideális vizuális monitorozáshoz, diagramok elemzéséhez és infografikákból történő adatkinyeréshez