Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Daudzmodālie uzvedņi

Nodarbība 9 no 14 Atjaunota 2026. gada 30. jūlijs Iesācējs
Šajā lapā
  1. Teksts un attēli vienā uzvednī
  2. Attēla nosūtīšana uz Grok
  3. Parametrs detail: precizitātes kontrole
  4. Attēlu avoti
  5. Praktiski lietojumi
  6. Galvenie tehniskie ierobežojumi
  7. Laba daudzmodālā uzvedņa rakstīšana
  8. Praktiskie vingrinājumi
  9. Galvenās atziņas

Teksts un attēli vienā uzvednī

Grok 4.5 un vēlākie modeļi spēj analizēt attēlus papildus tekstam. Šī daudzmodālā spēja paver plašu iespēju klāstu: attēlu aprakstīšana, OCR (teksta atpazīšana), diagrammu analīze, vizuāla salīdzināšana un daudz kas cits.

Apgūstot daudzmodālos uzvedņus, tu vari izmantot Grok ne tikai kā teksta, bet arī kā vizuālo asistentu.

Attēla nosūtīšana uz Grok

Izmantojot Responses API (galvenais galapunkts), attēli tiek integrēti laukā input kā tipēti objekti:

{
  "model": "grok-4.5",
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
    {"type": "input_text", "text": "Analyze this dashboard and identify declining metrics."}
  ]
}

Izmantojot Chat Completions API (vecais galapunkts), struktūra nedaudz atšķiras:

{
  "model": "grok-4.5",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
      {"type": "text", "text": "Analyze this dashboard and identify declining metrics."}
    ]
  }]
}

Parametrs detail: precizitātes kontrole

Detalizācijas līmenis ietekmē analīzes dziļumu un patērēto tokena skaitu:

detail: low

Attēls tiek apstrādāts ātri samazinātā izšķirtspējā. Izmanto šo režīmu, lai:

  • Klasificētu attēlus (fotoattēls, ilustrācija, diagramma)
  • Aprakstītu vispārīgu saturu
  • Identificētu galvenos objektus
  • Sakārtotu attēlus pēc kategorijām

Patēriņš: mazāk tokena, ātrāka atbilde.

detail: high

Attēls tiek analizēts augstā izšķirtspējā. Izmanto šo režīmu, lai:

  • Lasītu tekstu attēlā (OCR)
  • Analizētu detaļas diagrammā vai shēmā
  • Salīdzinātu precīzus vizuālos elementus
  • Atklātu defektus vai anomālijas

Patēriņš: vairāk tokena (no 256 līdz 1792 atkarībā no izmēra), lēnāka atbilde.

detail: auto

Modelis pats izvēlas atbilstošo līmeni. Šī ir noklusējuma darbība.

Attēlu avoti

Tieša URL

Vienkāršākā metode: norādi HTTPS saiti uz attēlu.

{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}

Base64 (datu URI)

Attēliem, kas nav izvietoti tiešsaistē, kodē tos base64 formātā:

{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}

Šī metode ir noderīga ekrānuzņēmumiem, programmiski ģenerētiem attēliem vai attēliem no apstrādes cauruļvada.

Praktiski lietojumi

OCR un teksta ekstrakcija

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
    {"type": "input_text", "text": "Extract from this invoice: the invoice number, date, amount excluding tax, VAT, and amount including tax. Return the result in JSON."}
  ]
}

Diagrammu analīze

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
    {"type": "input_text", "text": "This chart shows our monthly sales over 12 months. Identify trends, peaks, and troughs. Suggest possible explanations for the variations."}
  ]
}

Attēlu salīdzināšana

{
  "input": [
    {"type": "input_text", "text": "Compare these two versions of our logo:"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v1.png"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v2.png"},
    {"type": "input_text", "text": "Identify the differences and recommend the best version for web use."}
  ]
}

Lietotāja saskarnes analīze

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
    {"type": "input_text", "text": "Evaluate this mobile interface mockup based on the following criteria: readability, visual hierarchy, accessibility, consistency. Rate each criterion out of 10."}
  ]
}

Galvenie tehniskie ierobežojumi

  • Maksimālais izmērs: 20 MB vienam attēlam
  • Formāti: tikai JPG, JPEG un PNG (nav GIF, SVG vai WebP)
  • Nav ierobežojuma attēlu skaitam vienā pieprasījumā
  • xAI padoms: strādājot ar attēliem, Responses API izmanto store: false, lai izvairītos no kļūdām, kas saistītas ar vēstures glabāšanu

Laba daudzmodālā uzvedņa rakstīšana

Tie paši skaidrības principi attiecas arī uz attēliem, ar dažām īpatnībām:

  • Paziņo par attēlu: pastāsti modelim, ko tas redzēs, pirms nosūti attēlu
  • Precizē uzdevumu: „Apraksti šo attēlu” ir neskaidri; „Ekstrahē datus no stabiņu diagrammas un atgriez tos CSV formātā” ir precīzi
  • Vadi uzmanību: ja tevi interesē tikai attēla daļa, norādi to („Koncentrējies uz augšējo labo stūri”)
  • Norādi izvades formātu: tāpat kā teksta uzvedņos, norādi, vai sagaidi JSON, sarakstu vai tabulu

Praktiskie vingrinājumi

Izveido ekrānuzņēmumu no informācijas paneļa, diagrammas vai dokumenta un nosūti to uz Grok ar konkrētu pieprasījumu. Pārbaudi, izmantojot detail: low un pēc tam detail: high, un salīdzini atbilžu kvalitāti un ātrumu.

Galvenās atziņas

  • grok-4.5+ modeļi analizē attēlus papildus tekstam
  • Parametrs detail (low, auto, high) kontrolē analīzes dziļumu un tokena izmaksas
  • Attēlus var nodrošināt, izmantojot URL vai base64
  • Paziņo par attēlu, precizē uzdevumu un norādi izvades formātu
  • Izmanto store: false, lai izvairītos no glabāšanas problēmām ar attēliem
  • Pieņemtie formāti ir tikai JPG, JPEG un PNG ar maksimālo izmēru 20 MB