Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Palyginimas naudojant kelis paveikslėlius

Paskaita 8 iš 12 Atnaujinta 2026 m. liepos 30 d. Pradedantisiems
Šiame puslapyje
  1. Kelių paveikslėlių analizė viename užklausoje
  2. Kelių paveikslėlių užklausos struktūra
  3. Naudojimo atvejis: „Prieš ir po“ palyginimas
  4. Naudojimo atvejis: Pokyčių stebėjimas laike
  5. Naudojimo atvejis: Kokybės kontrolė
  6. Naudojimo atvejis: Konkurencinė analizė
  7. Kelių paveikslėlių užklausų optimizavimas
  8. Svarbiausi punktai

Kelių paveikslėlių analizė viename užklausoje

Viena iš pagrindinių „Grok Vision“ stiprybių – galimybė vienu užklausimu siųsti neribotą paveikslėlių skaičių. Tai atveria unikalias galimybes palyginimams, pokyčių stebėjimui laike ir kryžminei analizei, ko negali pasiūlyti vieno paveikslėlio API.

Kelių paveikslėlių užklausos struktūra

Formatas paprastas: į masyvą input pridėkite tiek input_image objektų, kiek reikia, tarp jų įterpdami tekstą, kuris nukreips analizę:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_text", "text": "A paveikslėlis:"},
        {"type": "input_image", "image_url": url_image_a},
        {"type": "input_text", "text": "B paveikslėlis:"},
        {"type": "input_image", "image_url": url_image_b},
        {"type": "input_text", "text": "Išsamiai palyginkite šiuos du paveikslėlius."}
    ]
)

Kiekvieno paveikslėlio žymėjimas tekstu („A paveikslėlis“, „B paveikslėlis“) padeda modeliui struktūruoti atsakymą ir aiškiai nurodyti, į kurį paveikslėlį jis remiasi.

Naudojimo atvejis: „Prieš ir po“ palyginimas

Idealu projektų stebėsenai, renovacijai, dizainui ar kokybės kontrolei:

def comparer_avant_apres(url_avant, url_apres):
    prompt = """Palyginkite šiuos du paveikslėlius (prieš ir po) ir nustatykite:

1. Pagrindinius pokyčius
2. Elementus, kurie nepakito
3. Matomus pagerinimus
4. Galimas atsiradusias problemas

Savo atsakymą pateikite kaip struktūruotą sąrašą."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "PRIEŠ:"},
            {"type": "input_image", "image_url": url_avant, "detail": "high"},
            {"type": "input_text", "text": "PO:"},
            {"type": "input_image", "image_url": url_apres, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Naudojimo atvejis: Pokyčių stebėjimas laike

Stebėkite vietovės, produkto ar proceso raidą laikui bėgant:

def analyser_evolution(images_chronologiques):
    """images_chronologiques: sąrašas {"url": ..., "date": ...}"""
    input_data = []

    for img in images_chronologiques:
        input_data.append({
            "type": "input_text",
            "text": f"Nuotrauka iš {img['date']}:"
        })
        input_data.append({
            "type": "input_image",
            "image_url": img["url"],
            "detail": "auto"
        })

    input_data.append({
        "type": "input_text",
        "text": """Išanalizuokite šiose nuotraukose matomą chronologinę raidą. 
Nustatykite laipsniškus pokyčius, tendencijas 
ir bet kokius reikšmingus įvykius tarp skirtingų datų."""
    })

    response = client.responses.create(
        model="grok-4.5",
        input=input_data,
        store=False
    )
    return response.output_text

Naudojimo atvejis: Kokybės kontrolė

Palyginkite pagamintą produktą su jo etaloniniu modeliu:

def controle_qualite(url_reference, url_produit):
    prompt = """Palyginkite nufotografuotą produktą su etaloniniu modeliu.

Nustatykite:
1. Atitiktį (kas sutampa su modeliu)
2. Neatitiktis (nuokrypius, defektus, skirtumus)
3. Kiekvienos neatitikties sunkumą (nedidelis, didelis, kritinis)

Grąžinkite JSON formatu:
{
  "compliant": true/false,
  "score": 0-100,
  "compliances": [...],
  "non_compliances": [
    {"description": "...", "severity": "minor|major|critical"}
  ]
}"""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "ETALONAS (laukiamas modelis):"},
            {"type": "input_image", "image_url": url_reference, "detail": "high"},
            {"type": "input_text", "text": "TIKRINTINAS PRODUKTAS:"},
            {"type": "input_image", "image_url": url_produit, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Naudojimo atvejis: Konkurencinė analizė

Palyginkite konkurentų sąsajas, pakuotes ar produktų pristatymus:

def analyser_concurrence(images_concurrents):
    """images_concurrents: [{"brand": "...", "url": "..."}]"""
    input_data = []

    for concurrent in images_concurrents:
        input_data.append({
            "type": "input_text",
            "text": f"{concurrent['brand']}:"
        })
        input_data.append({
            "type": "input_image",
            "image_url": concurrent["url"],
            "detail": "auto"
        })

    input_data.append({
        "type": "input_text",
        "text": """Palyginkite šiuos konkurentų produktus arba sąsajas.
Kiekvienam iš jų nustatykite vizualinius privalumus ir trūkumus.
Pateikite pozicionavimo rekomendaciją."""
    })

    response = client.responses.create(
        model="grok-4.5",
        input=input_data,
        store=False
    )
    return response.output_text

Kelių paveikslėlių užklausų optimizavimas

Siunčiant daug paveikslėlių, tokenų suvartojimas greitai auga. Štai keletas optimizavimo strategijų:

Koreguokite detalumo lygį

Naudokite low bendriems palyginimams, o high – tik analizuojant smulkias detales:

# Bendras palyginimas: pakanka low
detail = "low"  # ~256 tokenai vienam paveikslėliui

# Defektų analizė: būtina high
detail = "high"  # ~1024-1792 tokenai vienam paveikslėliui

Apribokite paveikslėlių skaičių viename užklausoje

Nors griežtos ribos nėra, esant daugiau nei 10–15 paveikslėlių, analizės kokybė gali sumažėti. Modelis turi baigtinį kontekstą, kurį turi paskirstyti visiems paveikslėliams:

# Jei paveikslėlių daugiau nei 10, apdorokite grupėmis
def analyser_par_lots(images, taille_lot=10):
    resultats = []
    for i in range(0, len(images), taille_lot):
        lot = images[i:i + taille_lot]
        resultat = analyser_lot(lot)
        resultats.append(resultat)
    return fusionner_resultats(resultats)

Keiskite paveikslėlių dydį

Jei bendrai analizei lyginate didelės raiškos nuotraukas, prieš siųsdami sumažinkite jų dydį, kad sutaupytumėte tokenų:

def preparer_pour_comparaison(chemin, taille_max=(800, 800)):
    img = Image.open(chemin)
    img.thumbnail(taille_max)
    # ... kodavimas į base64

Svarbiausi punktai

  • Paveikslėlių skaičius viename užklausoje yra neribotas – tai pagrindinis xAI API privalumas
  • Kiekvieną paveikslėlį pažymėkite tekstu, kad struktūruotumėte analizę
  • Derinkite parametrą detail pagal palyginimo tipą
  • Esant daugiau nei 10–15 paveikslėlių, apdorokite juos grupėmis, kad išlaikytumėte kokybę
  • Naudojimo atvejai: „prieš ir po“, pokyčių stebėjimas laike, kokybės kontrolė, konkurencinė analizė