Viżjoni: Analiża ta' Immaġnijiet ma' Grok
F'din il-paġna
Fehim tal-Immaġnijiet bil-Chat Completions
Il-mudelli Grok (mill-verżjoni grok-4.5 ‘il quddiem) jinkludu kapaċitajiet ta’ viżjoni li jħalluk tanalizza, tiddeskrivi u tirraġuna dwar l-immaġnijiet. Tuża din il-karatteristika permezz tal-format ta’ array tal-qasam content, li jgħaqqad oġġetti text u image_url.
Il-każijiet ta’ użu huma numerużi: estrazzjoni ta’ test minn dokumenti skennjati (OCR), analiżi ta’ grafiċi, deskrizzjoni ta’ interfaċċji tal-utent, tqabbil viżiv, jew interpretazzjoni ta’ dijagrammi tekniċi.
Ibghat Immaġni permezz ta’ URL
L-aktar mod sempliċi huwa li tipprovdi l-URL pubblika tal-immaġni:
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("XAI_API_KEY"),
base_url="https://api.x.ai/v1"
)
response = client.chat.completions.create(
model="grok-4.20-0309-reasoning",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "Describe what you see in this image."},
{
"type": "image_url",
"image_url": {
"url": "https://example.com/photo-architecture.jpg",
"detail": "high"
}
}
]
}
]
)
print(response.choices[0].message.content)
Is-servers ta’ xAI jinżlu l-immaġni fil-mument tat-talba. Din trid tkun aċċessibbli pubblikament.
Ibghat Immaġni f’Base64
Għal immaġnijiet lokali jew privati, uża l-kodifika base64:
import base64
def encode_image(image_path: str) -> str:
with open(image_path, "rb") as f:
return base64.b64encode(f.read()).decode("utf-8")
image_data = encode_image("capture-ecran.png")
response = client.chat.completions.create(
model="grok-4.20-0309-reasoning",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "What text is visible in this screenshot?"},
{
"type": "image_url",
"image_url": {
"url": f"data:image/png;base64,{image_data}"
}
}
]
}
]
)
Il-format tal-URL huwa data:image/{format};base64,{data} fejn {format} huwa jpeg, jpg, jew png.
Livelli ta’ Dettall: auto, low, u high
Il-parametru detail jikkontrolla r-riżoluzzjoni li biha l-mudell janalizza l-immaġni:
detail: “low”
{
"type": "image_url",
"image_url": {
"url": "https://example.com/icone.png",
"detail": "low"
}
}
L-immaġni titnaqqas għal riżoluzzjoni baxxa qabel l-analiżi. Dan huwa l-mod l-aktar mgħaġġel u jiswa l-inqas tokens. Użah għal immaġnijiet sempliċi: ikoni, logos, dijagrammi bażiċi.
detail: “high”
{
"type": "image_url",
"image_url": {
"url": "https://example.com/document-scan.jpg",
"detail": "high"
}
}
L-immaġni tiġi analizzata f’riżoluzzjoni għolja. Il-mudell jista’ jaqra test żgħir, jidentifika dettalji fini, u janalizza żoni speċifiċi. Dan huwa l-mod rakkomandat għal dokumenti, screenshots u ritratti ddettaljati.
detail: “auto”
Il-mudell jagħżel awtomatikament il-livell ta’ dettall ibbażat fuq id-daqs u l-kumplessità tal-immaġni. Dan huwa l-valur predefinit jekk tħalli barra l-parametru.
Analiża ta’ Immaġnijiet Multipli
Tista’ tibgħat diversi immaġnijiet f’messaġġ wieħed għal kompiti ta’ tqabbil jew analiżi inkroċjata:
response = client.chat.completions.create(
model="grok-4.20-0309-reasoning",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "Compare these two versions of the design. What are the differences?"},
{"type": "image_url", "image_url": {"url": "https://example.com/v1.png", "detail": "high"}},
{"type": "image_url", "image_url": {"url": "https://example.com/v2.png", "detail": "high"}}
]
}
]
)
M’hemm l-ebda limitu fuq in-numru ta’ immaġnijiet għal kull talba, iżda kull immaġni tikkonsma tokens addizzjonali.
Restrezzjonijiet Tekniċi
Żomm f’moħħok dawn il-limiti meta tuża l-viżjoni:
- Daqs massimu: 20 MiB għal kull immaġni
- Formati appoġġjati: JPG, JPEG, u PNG biss
- Mudelli kompatibbli: grok-4 u ogħla (mudelli eqdem ma jappoġġjawx il-viżjoni)
- Tokens: l-immaġnijiet jikkonsmaw tokens li jiżdiedu mal-ispiża tat-test tat-talba
Punti Ewlenin
- Il-viżjoni tuża l-format ta’ array tal-qasam
contentb’oġġettiimage_url - L-immaġnijiet jistgħu jintbagħtu permezz ta’ URL pubblika jew ikkodifikati f’base64
- Tliet livelli ta’ dettall:
auto(predefinit),low(mgħaġġel/ekonomiku), uhigh(iddettaljat) - Daqs massimu ta’ 20 MiB għal kull immaġni, formati JPG u PNG biss
- Immaġnijiet multipli jistgħu jintbagħtu f’messaġġ wieħed għal tqabbiliet