Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Többmodális promptok

9. lecke 14 közül Frissítve 2026. július 30. Kezdő
Ezen az oldalon
  1. Szöveg és képek ugyanabban a promptban
  2. Kép küldése a Groknak
  3. A detail paraméter: a pontosság szabályozása
  4. Képforrások
  5. Gyakorlati alkalmazási esetek
  6. Főbb technikai korlátok
  7. Jó többmodális prompt írása
  8. Gyakorlati feladat
  9. Főbb megállapítások

Szöveg és képek ugyanabban a promptban

A Grok 4.5 és az azt követő modellek a szöveg mellett képeket is képesek elemezni. Ez a többmodális képesség számos lehetőséget nyit meg: képleírás, OCR (szövegfelismerés), diagramok elemzése, vizuális összehasonlítás és még sok más.

Ha elsajátítod a többmodális promptok használatát, a Grokot szöveges asszisztensként való alkalmazás mellett vizuális segédként is bevetheted.

Kép küldése a Groknak

A Responses API (fő végpont) esetén a képeket begépelt objektumokként integráljuk az input mezőbe:

{
  "model": "grok-4.5",
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
    {"type": "input_text", "text": "Analyze this dashboard and identify declining metrics."}
  ]
}

A Chat Completions API (örökölt végpont) esetén a struktúra kissé eltérő:

{
  "model": "grok-4.5",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
      {"type": "text", "text": "Analyze this dashboard and identify declining metrics."}
    ]
  }]
}

A detail paraméter: a pontosság szabályozása

A részletességi szint befolyásolja az elemzés mélységét és a felhasznált tokenek számát:

detail: low

A kép gyorsan, csökkentett felbontásban kerül feldolgozásra. Ezt a módot akkor használd, ha:

  • Képeket szeretnél osztályozni (fotó, illusztráció, diagram)
  • Általános tartalmat szeretnél leírni
  • Fő objektumokat szeretnél azonosítani
  • Képeket szeretnél kategóriák szerint rendezni

Fogyasztás: kevesebb token, gyorsabb válasz.

detail: high

A kép nagy felbontásban kerül elemzésre. Ezt a módot akkor használd, ha:

  • Szöveget szeretnél olvasni egy képről (OCR)
  • Részleteket szeretnél elemezni egy diagramon vagy ábrán
  • Precíz vizuális elemeket szeretnél összehasonlítani
  • Hibákat vagy anomáliákat szeretnél észlelni

Fogyasztás: több token (mérettől függően 256 és 1792 között), lassabb válasz.

detail: auto

A modell maga választja ki a megfelelő szintet. Ez az alapértelmezett viselkedés.

Képforrások

Közvetlen URL

A legegyszerűbb módszer: adj meg egy HTTPS hivatkozást a képhez.

{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}

Base64 (data URI)

Azoknál a képeknél, amelyek nincsenek online hosztolva, kódold őket base64 formátumba:

{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}

Ez a módszer hasznos képernyőmentéseknél, programozottan generált képeknél vagy feldolgozási folyamatból származó képeknél.

Gyakorlati alkalmazási esetek

OCR és szövegkinyerés

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
    {"type": "input_text", "text": "Extract from this invoice: the invoice number, date, amount excluding tax, VAT, and amount including tax. Return the result in JSON."}
  ]
}

Diagramok elemzése

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
    {"type": "input_text", "text": "This chart shows our monthly sales over 12 months. Identify trends, peaks, and troughs. Suggest possible explanations for the variations."}
  ]
}

Képek összehasonlítása

{
  "input": [
    {"type": "input_text", "text": "Compare these two versions of our logo:"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v1.png"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v2.png"},
    {"type": "input_text", "text": "Identify the differences and recommend the best version for web use."}
  ]
}

Felhasználói felület elemzése

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
    {"type": "input_text", "text": "Evaluate this mobile interface mockup based on the following criteria: readability, visual hierarchy, accessibility, consistency. Rate each criterion out of 10."}
  ]
}

Főbb technikai korlátok

  • Maximális méret: képenként 20 MB
  • Formátumok: kizárólag JPG, JPEG és PNG (nincs GIF, SVG vagy WebP)
  • Nincs korlát a kérésenkénti képek számára vonatkozóan
  • xAI tipp: használj store: false értéket a Responses API-ban képekkel való munka során, hogy elkerüld az előzménytárolással kapcsolatos hibákat

Jó többmodális prompt írása

Ugyanazok az átláthatósági elvek érvényesek, képspecifikus kiegészítésekkel:

  • Jelentsd be a képet: mondd el a modellnek, mit fog látni, mielőtt megkapná a képet
  • Légy precíz a feladatban: a „Írd le ezt a képet“ túl homályos; a „Nyerd ki az adatokat az oszlopdiagramból, és add vissza CSV formátumban“ precíz
  • Irányítsd a figyelmet: ha csak a kép egy része érdekel, jelezd ezt („Fókuszálj a jobb felső sarokra“)
  • Add meg a kimeneti formátumot: akárcsak a szöveges promptoknál, specifikáld, ha JSON-t, listát vagy táblázatot vársz

Gyakorlati feladat

Készíts egy képernyőmentést egy irányítópultról, diagramról vagy dokumentumról, és küldd el a Groknak egy konkrét kéréssel. Teszteld először a detail: low, majd a detail: high beállítással, és hasonlítsd össze a válaszok minőségét és sebességét.

Főbb megállapítások

  • A grok-4.5+ modellek a szöveg mellett képeket is elemeznek
  • A detail paraméter (low, auto, high) szabályozza az elemzés mélységét és a tokenköltséget
  • A képek URL-en vagy base64 kódolással is megadhatók
  • Jelentsd be a képet, légy precíz a feladatban, és add meg a kimeneti formátumot
  • Használd a store: false beállítást a képekkel kapcsolatos tárolási problémák elkerülésére
  • Az elfogadott formátumok a JPG, JPEG és PNG, maximális méretük pedig 20 MB