Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Vaizdų supratimas interneto paieškoje

Paskaita 7 iš 16 Atnaujinta 2026 m. liepos 30 d. Kūrėjas
Šiame puslapyje
  1. Analizuok internete rastus vaizdus
  2. Aktyvavimas
  3. SDK sintaksė
  4. Naudojimo atvejai
  5. Derinimas su kitais parametrais
  6. Poveikis kainai
  7. Skirtumas nuo „X Search“
  8. Svarbiausi punktai

Analizuok internete rastus vaizdus

„Web Search“ funkcija neapsiriboja tekstu. Naudodamas parametrą enable_image_understanding, gali paprašyti modelio analizuoti vaizdus, kuriuos jis aptinka atlikdamas interneto paiešką. Ši funkcija žymiai išplečia paieškos galimybes, ypač kai kyla klausimų apie vizualinę informaciją arba temų, kuriose vaizdai papildo tekstą.

Aktyvavimas

Įgalink šią funkciją pridėdamas parametrą enable_image_understanding prie savo „Web Search“ konfigūracijos:

{
  "tools": [{
    "type": "web_search",
    "enable_image_understanding": true
  }]
}

Kai funkcija įgalinta, modelis gali naudoti vidinį įrankį view_image paieškos metu rastiem vaizdams analizuoti. Jis automatiškai nusprendžia, kuriuos vaizdus verta nagrinėti.

SDK sintaksė

xAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture and explain each component",
    tools=[client.tools.web_search(
        enable_image_understanding=True
    )]
)

OpenAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture",
    tools=[{
        "type": "web_search",
        "enable_image_understanding": True
    }]
)

Vercel AI SDK

tools: [xai.tools.webSearch({
  enableImageUnderstanding: true
})]

Naudojimo atvejai

Techninių diagramų analizė

Modelis gali rasti ir interpretuoti architektūros diagramas, srautų schemas arba techninius grafikus. Tai ypač naudinga atsakant į klausimus apie programinės įrangos architektūras arba pramoninius procesus.

Vizualus produktų palyginimas

Atliekant palyginamąsias užklausas, modelis gali analizuoti internete rastas ekrano kopijas arba produktų nuotraukas ir pagal jas pateikti atitinkamas įžvalgas.

Vizualių duomenų analizė

Jei tavo klausimas susijęs su duomenimis, pateiktais diagramų arba vizualių lentelių pavidalu, vaizdų supratimas leidžia modeliui išgauti informaciją iš šių vizualinių reprezentacijų.

Derinimas su kitais parametrais

Vaizdų supratimą galima derinti su domenų filtravimu:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Analyze the latest LLM performance benchmarks",
    tools=[{
        "type": "web_search",
        "allowed_domains": ["arxiv.org", "huggingface.co"],
        "enable_image_understanding": True
    }]
)

Modelis ieškos tik leidžiamuose domenuose ir galės analizuoti publikacijose rastas lyginamųjų testų diagramas.

Poveikis kainai

Įgalinus vaizdų supratimą, suvartojama daugiau tokenų. Analizuojant kiekvieną vaizdą sugeneruojami papildomi tokenai įvestiai (užkoduotas vaizdas) ir išvestiai (aprašymas/analizė). Vieno kvietimo kaina išlieka ta pati (0,005 USD), tačiau tokenų kiekis viename užklausime gali žymiai išaugti.

Įgalink šią funkciją tik tada, kai vaizdai tavo naudojimui suteikia realios vertės. Jei atlieki tik tekstines paieškas, palik šį parametrą išjungtą, kad optimizuotum išlaidas.

Vaizdų supratimas prieinamas tiek „Web Search“, tiek „X Search“ funkcijoms. Tačiau vaizdo įrašų supratimas (enable_video_understanding) yra išskirtinai „X Search“ funkcija. „Web Search“ negali analizuoti internete rastų vaizdo įrašų.

Svarbiausi punktai

  • Įgalink naudodamas enable_image_understanding: true „Web Search“ konfigūracijoje
  • Modelis viduje naudoja view_image tinkamiems vaizdams analizuoti
  • Naudinga diagramoms, grafikams, ekrano kopijoms ir vizualiam palyginimui
  • Didina tokenų suvartojimą – įgalink tik esant poreikiui
  • Derinamas su domenų filtravimu tiksliam šaltinių valdymui
  • Vaizdo įrašų supratimas prieinamas tik „X Search“