Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Analizēt attēlu ar Grok

Nodarbība 11 no 14 Atjaunota 2026. gada 30. jūlijs Programmētājs
Šajā lapā
  1. Datorredze ar Grok API
  2. Attēla ievades formāts
  3. Python piemērs
  4. Izmantojot chat/completions formātu
  5. Attēla nosūtīšana base64 formātā
  6. Reāli lietojumi
  7. Modeļi ar redzes atbalstu
  8. Galvenās atziņas

Datorredze ar Grok API

Grok modeļi ar redzes atbalstu spēj analizēt gan attēlus, gan tekstu. Tu nosūti attēlu (izmantojot URL vai base64 formātā) kopā ar jautājumu, un modelis to apraksta, analizē vai iegūst no tā vizuālo informāciju. Šī iespēja paver konkrētus lietojumus: datu ieguve no ekrānuzņēmumiem, diagrammu analīze, skenētu dokumentu nolasīšana.

Attēla ievades formāts

Lai nosūtītu attēlu, laukā input izmanto jaukta satura masīvu (teksts un attēls):

[
  {
    "type": "input_image",
    "image_url": "https://exemple.com/mon-image.jpg"
  },
  {
    "type": "input_text",
    "text": "What do you see in this image?"
  }
]

Tips input_image pieņem publisku URL uz attēlu. Tips input_text satur tavu jautājumu vai instrukciju.

Python piemērs

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1"
)

response = client.responses.create(
    model="grok-4.5",
    input=[
        {
            "type": "input_image",
            "image_url": "https://exemple.com/graphique-ventes.png"
        },
        {
            "type": "input_text",
            "text": "Analyze this chart. What's the main trend?"
        }
    ]
)

print(response.output[0].content[0].text)

Izmantojot chat/completions formātu

Ja izmanto veco /v1/chat/completions galapunktu, formāts nedaudz atšķiras:

response = client.chat.completions.create(
    model="grok-4.5",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {"url": "https://exemple.com/photo.jpg"}
                },
                {
                    "type": "text",
                    "text": "Describe this image in detail."
                }
            ]
        }
    ]
)

Formāta atšķirības

GalapunktsAttēla tipsTeksta tips
/v1/responsesinput_imageinput_text
/v1/chat/completionsimage_urltext

Attēla nosūtīšana base64 formātā

Ja tavs attēls nav pieejams caur URL (vietējais fails, ģenerēts attēls), kodē to base64 formātā:

import base64

with open("capture.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

response = client.responses.create(
    model="grok-4.5",
    input=[
        {
            "type": "input_image",
            "image_url": f"data:image/png;base64,{image_base64}"
        },
        {
            "type": "input_text",
            "text": "Read the text in this screenshot."
        }
    ]
)

Reāli lietojumi

Datu ieguve

Nosūti rēķina vai čeka foto un lūdz modelim iegūt summas, datumus un atsauces numurus.

Diagrammu analīze

Iesūti diagrammu vai shēmu un pieprasi tendences un galveno rādītāju interpretāciju.

Palīdzība programmēšanā

Kopīgo ekrānuzņēmumu ar kļūdu savā IDE un lūdz paskaidrojumu un risinājumu.

Saskarnes apraksts

Nosūti maketu vai ekrānuzņēmumu un lūdz modelim aprakstīt tajā esošos saskarnes elementus.

Modeļi ar redzes atbalstu

Ne visi Grok modeļi atbalsta redzi. Izmanto grok-4.5, kurš ietver attēlu atbalstu. Modeļiem „Mini” vai „fast” atbalsts var būt ierobežots vai tā vispār nav.

Galvenās atziņas

  • Izmanto tipu input_image kopā ar galapunktu /v1/responses, lai nosūtītu attēlus
  • Attēlus vari nosūtīt, izmantojot publisku URL vai kodētus base64 formātā
  • Modelis grok-4.5 atbalsta attēlu analīzi
  • Apvieno attēlu un tekstu masīvā, lai uzdotu jautājumus par vizuālo saturu