Tartalomformátum
Ezen az oldalon
Grok két bemeneti formátuma
Amikor üzenetet küldesz a Groknak, az egyes üzenetek content mezője két eltérő alakot ölthet. E különbség megértése létfontosságú, mert ez határozza meg, mit küldhetsz a modellnek: csak szöveget, vagy szöveg és képek keverékét.
Egyszerű szöveges karakterlánc
Ez a legközvetlenebb forma: a tartalom egy egyszerű karakterlánc. Ezt használod a szövegalapú interakciók többségénél.
{
"role": "user",
"content": "Explain the advantages of the Rust language compared to C++"
}
Ez a formátum minden tisztán szövegalapú feladathoz működik: kérdésekhez, utasításokhoz, adatok megadásához vagy generálási kérésekhez. Akkor használd ezt a formátumot, ha nem kell vizuális elemeket belefoglalnod.
Típusozott objektumtömb
Többmódusú kérésekhez (szöveg + képek) a Grok objektumok tömbjét fogadja el, ahol minden elem tartalmaz egy type mezőt, amely jelzi a természetét.
Chat Completions formátum (örökölt végpont)
{
"role": "user",
"content": [
{"type": "text", "text": "Describe this user interface and suggest improvements"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/screenshot.png", "detail": "high"}}
]
}
Responses formátum (elsődleges végpont)
{
"input": [
{"type": "input_text", "text": "Analyze this chart and extract the main trends"},
{"type": "input_image", "image_url": "https://exemple.com/graphique.png"}
]
}
Figyeld meg a névbeli különbséget a két végpont között: a Chat Completions esetén text és image_url, míg a Responses esetén input_text és input_image.
Szöveg és képek kombinálása
Az objektumtömb lehetővé teszi, hogy szabadon keverd a szöveget és a képeket bármilyen sorrendben. Küldhetsz több képet ugyanabban a kérésben, szöveggel előttük, utánuk vagy közöttük.
{
"role": "user",
"content": [
{"type": "text", "text": "Compare these two interface mockups:"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v1.png"}},
{"type": "text", "text": "Version 1 above, version 2 below:"},
{"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v2.png"}},
{"type": "text", "text": "Identify the main differences and recommend the best version."}
]
}
Elfogadott képforrások
A Grok képeket kétféleképpen fogad el:
- Közvetlen URL: egy HTTPS hivatkozás a online hostolt képre
- Base64 kódolás: a kép közvetlenül az adatként beágyazva a kérésben URI formátumban
{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,/9j/4AAQ..."}}
A Base64 formátum akkor hasznos, ha a képeid nincsenek online hostolva (helyi képernyőmentések, az alkalmazásod által generált képek).
A detail paraméter képekhez
Minden kép kaphat egy detail paramétert, amely szabályozza az elemzés szintjét:
- auto: a modell automatikusan választ (alapértelmezett viselkedés)
- low: gyors és gazdaságos elemzés, kevesebb tokent fogyaszt
- high: részletes elemzés, több tokent fogyaszt, de apró részleteket is rögzít
{"type": "image_url", "image_url": {"url": "https://...", "detail": "low"}}
Használd a low értéket egyszerű feladatokhoz (osztályozás, általános leírás), a high értéket pedig pontos elemzésekhez (OCR, részletfelismerés, diagramok olvasása).
Technikai korlátok
Tartsd észben ezeket a korlátokat, amikor képekkel dolgozol:
- Maximális méret: képenként 20 MB
- Elfogadott formátumok: kizárólag JPG, JPEG, PNG
- Nincs korlát a kérésenkénti képek számára vonatkozóan
- Kompatibilis modellek: grok-4.5 és újabbak
- A képek méretüktől és részletességi szintjüktől függően 256 és 1792 token között fogyasztanak
Gyakorlati gyakorlat
Teszteld mindkét formátumot egy egyszerű feladattal:
Egyszerű szöveges formátum:
{"role": "user", "content": "What are the 5 fundamental principles of UX design?"}
Tömbös formátum (csak szöveg, de strukturáltan):
{
"role": "user",
"content": [
{"type": "text", "text": "Context: I'm designing a mobile food delivery application."},
{"type": "text", "text": "Question: what are the 5 most important UX principles for this type of application?"}
]
}
Még kép nélkül is, a tömbös formátum lehetővé teszi, hogy egyértelműen elválaszd a kontextust a kérdéstől, ami javíthatja a válaszok relevanciáját.
Főbb megállapítások
- A tartalom lehet egyszerű karakterlánc (sima szöveg) vagy objektumtömb (többmódusú)
- A tömbös formátum lehetővé teszi szöveg és képek tetszőleges sorrendű keverését
- Két elnevezési formátum létezik a végponttól függően: Chat Completions vs Responses
- A
detailparaméter szabályozza a képelemzés mélységét (low, auto, high) - A képek tokeneket fogyasztanak: igazítsd a részletességi szintet az igényeidhez
- A Base64 formátum lehetővé teszi képek küldését online hostolás nélkül