Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Saprast un analizēt attēlus

Nodarbība 11 no 16 Atjaunota 2026. gada 29. jūlijs Iesācējs
Šajā lapā
  1. Grok redze
  2. Kā nosūtīt attēlu
  3. Ko tiešām vari jautāt
  4. Iestatī detalizācijas līmeni
  5. Jāzina ierobežojumi
  6. Galvenās atziņas

Grok redze

Grok neaprobežojas tikai ar tekstu. Modeļi grok-4.5 un jaunāki ir aprīkoti ar redzes spēju, kas ļauj tiem analizēt tavus augšupielādētos attēlus. Tu vari nosūtīt fotogrāfiju, ekrānuzņēmumu, diagrammu vai jebkuru citu vizuālu materiālu, un Grok sniegs tev detalizētu aprakstu, analīzi vai kontekstuālu atbildi. Tas paplašina iespējas: nofotografēta informācijas paneļa, saburzīts rēķins vai lietotnes makets kļūst par pilnvērtīgiem dokumentiem, tieši tāpat kā sarunā ielīmēts teksts.

Kā nosūtīt attēlu

Vietnē grok.com tas prasa četras darbības:

  1. Noklikšķini uz pielikuma pogas ievades laukā
  2. Atlasī attēlu savā ierīcē
  3. Pēc vajadzības pievieno teksta ziņojumu, lai virzītu analīzi
  4. Nosūti savu ziņojumu

Mobilajās ierīcēs vari arī uzņemt fotogrāfiju tieši ar tālruņa kameru un nosūtīt to Grok analīzei. Tas ir ātrākais veids, kad esi sastapies ar zīmi, ēdienkarti vai ekrānu, ko nevari nokopēt un ielīmēt.

Izstrādātāji attēlus nosūta, izmantojot jauktu objektu masīvu ievades laukā:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": "https://exemple.com/photo.jpg"},
        {"type": "input_text", "text": "Describe this image in detail"}
    ]
)

Attēlus vari norādīt kā publisku URL vai kodētus formātā base64. Izvēlei ir nozīme: publiskam URL attēlam ir jābūt pieejamam no ārpuses, kas izslēdz iekšējos dokumentus; base64 padara pieprasījumu smagāku, taču tas ir vienīgais variants konfidenciāliem failiem.

Ko tiešām vari jautāt

Apraksts ir visacīmredzamākais pielietojums. Grok detalizēti izklāsta esošos objektus, krāsas, kompozīciju, noskaņu, kā arī cilvēkus un viņu sejas izteiksmes. Tomēr tev ir jāformulē pieprasījums, pretējā gadījumā saņemsi tikai sausu uzskaitījumu:

Apraksti šo fotogrāfiju detalizēti.
Kas ir galvenais objekts un kādus sekundāros
elementus tu pamanī?

Teksta ekstrakcija jeb OCR, iespējams, ir visvērtīgākais ikdienas pielietojums. Grok nolasa un pārraksta tekstu no dokumentu fotogrāfijām, ekrānuzņēmumiem, zīmēm un plakātiem, restorānu ēdienkartēm un vizītkartēm: visos gadījumos, kad informācijas pārrakstīšana ar roku aizņemtu vairākas minūtes. Vienlaicīgi pieprasot formatējumu, tu ietaupi otro aprites ciklu:

Ekstrahē visu redzamo tekstu šajā attēlā
un sakārto to lasāmā veidā.

Diagrammu un shēmu analīze pārsniedz vienkāršu lasīšanu: Grok interpretē statistikas grafikus, plūsmas diagrammas un tehniskos zīmējumus, spējot pastāstīt, ko tie parāda. Tas ir īpaši noderīgi, ja PDF ziņojuma secinājumi ir ieslēgti kādā attēlā:

Analizē šo grafiku. Kādas ir galvenās tendences
un kādus secinājumus mēs varam izdarīt?

Tu vari vienā pieprasījumā nosūtīt vairākus attēlus, lai Grok tos salīdzinātu, tādējādi pārvēršot dizaina apskatu sarunā:

Šeit ir divas dizaina versijas. Kādas ir
galvenās atšķirības starp tām?

Visbeidzot, dizaineri un izstrādātāji izmanto šo redzes spēju, analizējot savus ekrānus, pieprasot lietojamības kritiku, nevis tikai aprakstu:

Analizē šo mobilās lietotnes ekrānuzņēmumu.
Kādas lietojamības problēmas tu saredzi?

Iestatī detalizācijas līmeni

Izmantojot API, parametrs detail kontrolē attēla analīzes dziļumu un pieņem trīs vērtības:

  • auto: modelis pats izvēlas atbilstošo līmeni (noklusējums)
  • low: ātra, lēta analīze, kas patērē mazāk tokenus
  • high: detalizēta, dziļa analīze, kas patērē vairāk tokenus

Šis iestatījums ļauj katrā konkrētā gadījumā līdzsvarot precizitāti un izmaksas. Vienkāršai OCR uz rēķina pietiek ar low, kas tūkstošiem dokumentu gadījumā samazina izmaksas; smalkai mākslinieciskai analīzei vai blīvai diagrammai high novērš kļūdainu nolasīšanu.

Jāzina ierobežojumi

IerobežojumsVērtība
Maksimālais izmērs20 MiB uz attēlu
Atbalstītie formātiTikai JPG, JPEG un PNG
Attēlu skaitsNav limita vienā pieprasījumā
Tokenu patēriņšNo 256 līdz 1792 tokeniem atkarībā no izmēra un detalizācijas līmeņa

Daži ieradumi palīdzēs izmantot šīs spējas maksimāli efektīvi. Formulē savu pieprasījumu, nevis prasi vispārīgu aprakstu: „cik preču šajā ekrānuzņēmumā nav noliktavā” ir labāk nekā „apraksti šo attēlu”. Samazini lielu failu izmērus, jo tie palēnina apstrādi, nedodot nekādu papildu vērtību. Vienmēr pievieno attēlam teksta ziņojumu, jo konteksts ievērojami uzlabo atbildes atbilstību. Un ievēro formātu loģiku: JPG fotogrāfijām, PNG ekrānuzņēmumiem un jebkuram vizuālam materiālam, kas satur tekstu, jo JPG kompresija izpludina smalkus burtus un liek OCR kļūdīties.

Galvenās atziņas

  • Modeļi grok-4.5 un jaunāki spēj analizēt attēlus, kas nosūtīti kā ievade
  • Pielietojuma gadījumi ietver aprakstu, OCR, diagrammu analīzi un salīdzināšanu
  • Attēlus vari norādīt, izmantojot URL vai kodējot base64 formātā
  • Iestatījums „detail” ļauj kontrolēt līdzsvaru starp precizitāti un izmaksām
  • Maksimālais izmērs ir 20 MiB, un atbalstīti ir tikai JPG un PNG formāti