Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Viżjoni: Analiża ta' Immaġnijiet ma' Grok

Lezzjoni 7 / 12 Aġġornat 30 ta’ Lulju 2026 Zviluppatur
F'din il-paġna
  1. Fehim tal-Immaġnijiet bil-Chat Completions
  2. Ibghat Immaġni permezz ta’ URL
  3. Ibghat Immaġni f’Base64
  4. Livelli ta’ Dettall: auto, low, u high
  5. Analiża ta’ Immaġnijiet Multipli
  6. Restrezzjonijiet Tekniċi
  7. Punti Ewlenin

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 content b’oġġetti image_url
  • L-immaġnijiet jistgħu jintbagħtu permezz ta’ URL pubblika jew ikkodifikati f’base64
  • Tliet livelli ta’ dettall: auto (predefinit), low (mgħaġġel/ekonomiku), u high (iddettaljat)
  • Daqs massimu ta’ 20 MiB għal kull immaġni, formati JPG u PNG biss
  • Immaġnijiet multipli jistgħu jintbagħtu f’messaġġ wieħed għal tqabbiliet