Képelemzés a Vibe-ban
Ezen az oldalon
Frissítés: 2026. november 2. — A Le Chat mostantól Vibe. 2026. május 28-tól a Le Chat új neve Vibe (továbbra is a chat.mistral.ai címen érhető el): egyetlen ügynök munkához és kódoláshoz, amely megőrzi beszélgetéseidet, beállításaidat és előfizetéseidet. A régi Le Chat élmény továbbra is elérhető a Chat módban; a Work módban az ügynökökből készségek lettek (a
@jellel hívhatók meg), az emlékekből tudásbázis, a mély keresésből pedig a Deep Research készség vált. A csomagok neve mostantól Mistral Free, Pro, Team és Enterprise. Ez a lecke a Vibe nevet használja; vedd figyelembe, hogy az itt leírt egyes menük neve vagy elhelyezkedése megváltozhatott.
Az első képelemzésed
A Mistral Vibe lehetővé teszi, hogy másodpercek alatt elemezz bármilyen képet. A folyamat olyan egyszerű, mint egy üzenet elküldése: töltsd fel a fájlt, tedd fel a kérdésedet, a multimodális modell pedig elvégzi a többit. Ez a lecke pontosan bemutatja, hogyan haladj, milyen típusú elemzések lehetségesek, és ami a legfontosabb: hogyan fogalmazd meg kéréseidet, hogy valóban hasznos válaszokat kapj. Ez a különbség választja el a puszta játékszert a valódi munkaeszköztől.
Hogyan tölts fel egy képet
Három lehetőséged van, és gyorsan átállsz majd arra, amelyik leginkább illik a munkafolyamatodhoz. A leggyorsabb a húzd és ejtsd módszer: fogd meg a fájlt az asztalodon vagy a fájlkezelődben, és ejtsd be közvetlenül a beszélgetési területre. Ha inkább a fájlválasztót preferálod, kattints a csatolás ikonra (a gemkapocs) a beviteli mező mellett. Végül a másolás-beillesztés verhetetlen képernyőképek esetén: másold a képet a vágólapra, és illeszd be a Vibe-ba a Ctrl+V (Mac-en Cmd+V) billentyűkombinációval. Nem kell közbenső fájlt mentened.
Az elfogadott formátumok lefedik a gyakori képtípusokat: JPEG, PNG, WebP és GIF. A maximális méret a használt modelltől függ, de a gyakorlatban az okostelefonnal készített fotók vagy a szabványos képernyőképek gond nélkül működnek.
Lehetséges elemzéstípusok
Miután feltöltötted a képet, a modell különféle kérdésekre tud válaszolni. Az első ösztönös lépés az általános leírás: kérdezd meg, hogy „Mit látsz ezen a képen?“ vagy „Írd le ezt a fotót“, és a modell azonosítja a fő elemeket – tárgyakat, embereket, tájakat, színeket, látható szöveget. Ez hasznos lehet egy kép akadálymentes leírásának generálásához, vagy tartalmának gyors ellenőrzéséhez megosztás előtt.
Ezt követi az azonosítás: mutass egy nyaraláson készített fotót egy emlékműről, és kérdezd meg: „Melyik ez az emlékmű?“, fotózz le egy levelet, és kérdezd: „Milyen növény ez?“, vagy keresd meg: „Milyen márka látható ezen a terméken?“. A modell a tudására támaszkodva próbál azonosítást végezni. Nem tévedhetetlen – erre még visszatérünk –, de a gyakori tárgyak esetén az eredmények gyakran meglepően pontosak.
A harmadik kategória a szövegolvasás, amely tartalmazza az alapvető, beépített OCR-t. Ha a képed szöveget tartalmaz – tábla, névjegykártya, plakát vagy képernyőkép –, a modell elolvassa és átírja azt. Kérdezheted úgy is: „Olvasd el a szöveget ezen a fotón“, vagy célozhatsz konkrét információra közvetlenül: „Mi a telefonszám ezen a névjegykártyán?“. Ez rengeteg időt takarít meg, amikor például egy vásáron megismert személy kapcsolattartási adatait kell kinyerned anélkül, hogy manuálisan be kellene gépelni őket.
Végül a modell nemcsak leír, hanem értelmez is. Megkérdezheted, hogy egy ruha alkalmas-e állásinterjúra, úgy tűnik-e táplálkozási szempontból kiegyensúlyozottnak egy lefotózott étel, vagy mi egy hirdetés fő üzenete. Ez a képesség a kontextuális értelmezésre az, ami megkülönbözteti a modern multimodális modellt az egyszerű tárgyfelismerő eszköztől.
Jó kérdések feltevése
Az elemzés minősége nagyban függ attól, hogyan fogalmazod meg a kérésedet. Egy bizonytalan kérdés bizonytalan választ szül: az „Elemezd ezt a képet“ általános leírást eredményez, míg a „Milyen eladási adatok láthatók ezen a diagramon?“ pontosan azt adja meg, amire szükséged van. Biztosíts kontextust is, amikor maga a kép nem elegendő: „Itt egy fotó egy általam készített ételről. Becsüld meg a hozzávetőleges kalóriatartalmat“ – ez a megfelelő elemzési irányba tereli a modellt. Ne habozz meghatározni a kimeneti formátumot sem – „Sorold fel a látható elemeket felsorolásjelként“ vagy „Foglald össze egy mondatban, mit mutat ez a kép“ –, hogy azonnal felhasználható választ kapj.
Ismerendő korlátok
A látási modell erős, de szem előtt kell tartanod a korlátait. Nagyon kicsi vagy elmosódott szöveg esetén – például egy távolról lefotózott szerződés – félreolvashat, vagy akár hihető karaktereket is kitalálhat. Ez a legárulkodóbb csapda, mert a hiba nem azonnal nyilvánvaló. A sötét, túlexponált vagy erősen absztrakt képek hasonlóan megbízhatatlanabb eredményeket hoznak. Gondolj az adatvédelemre is: a modell minden, a képen látható adatot elolvas, ezért légy óvatos az érzékeny dokumentumokkal. Egy képernyőkép sarkában felejtett bankszámlaszámot (RIB) ugyanúgy elolvas, mint bármi mást. Végül minden képet függetlenül elemez a rendszer, hacsak nem küldesz több képet ugyanabban a beszélgetésben: nincs vizuális memória a különböző beszélgetések között.
Gyakorlati feladat
Ezen szokások rögzítéséhez végezz el most három gyakorlatot a Vibe-ban. Először fotózz le egy tárgyat az asztalodon, és kérd meg a modellt, hogy írja le – hasonlítsd össze a leírását azzal, amit te látsz. Ezután készíts egy képernyőképet egy hírcikkről, és kérj összefoglalót a címről és a bevezető bekezdésről. Végül fotózz le egy nyugtát vagy jegyet, és kérd ki a végösszeget: ez a gyakorlat áll a legközelebb a valódi professzionális használathoz, és azonnal megmutatja neked a beépített OCR megbízhatósági szintjét.
Főbb megállapítások
- Három feltöltési módszer: húzd és ejtsd, gemkapocs gomb, másolás-beillesztés
- A modell képes leírni, azonosítani, szöveget olvasni és értelmezni a kép kontextusát
- A konkrét kérdések jobb eredményt hoznak, mint a bizonytalan kérések
- Óvakodj a rossz minőségű képektől és az érzékeny dokumentumoktól