Fehem u analizza l-immaġnijiet
F'din il-paġna
Il-viżjoni ta’ Grok
Grok mhux limitat għat-test biss. Il-mudelli grok-4.5 u dawk sussegwenti jinkludu kapaċitajiet viżivi li jippermettulhom janalizzaw l-immaġnijiet li tipprovdi bħala input. Tista’ tibgħat ritratt, screenshot, grafika, jew kwalunkwe viżwal ieħor, u Grok jagħtik deskrizzjoni dettaljata, analiżi, jew tweġiba kuntestwali. Dan ibiddel kompletament dak li tista’ tgħaddilu: dashboard fotografat, fattura mgħaffeġa, jew mockup ta’ app isiru dokumenti użabbli, eżattament bħal test imwaħħal fil-konversazzjoni.
Kif tibgħat immaġni
Fuq grok.com, il-proċess jieħu erba’ passi:
- Ikklikkja l-buttuna tal-anness fil-kamp tal-input
- Agħżel l-immaġni mill-apparat tiegħek
- Opzjonalment, żid messaġġ tat-test biex tiggwida l-analiżi
- Ibgħat il-messaġġ tiegħek
Fuq il-mowbajl, tista’ wkoll tieħu ritratt direttament bil-kamera tat-telefon tiegħek u tibgħatu lil Grok għall-analiżi. Din hija l-aktar mod mgħaġġel meta tkun quddiem sinjal, menu, jew skrin li ma tistax tikkopja u twaħħal.
Għall-iżviluppaturi, tibgħat l-immaġnijiet permezz ta’ array imħallat ta’ oġġetti fil-kamp tal-input:
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"}
]
)
Tista’ tipprovdi l-immaġnijiet bħala URL pubblika jew encoded f’base64. L-għażla hija importanti: URL pubblika teħtieġ immaġni aċċessibbli minn barra, li teskludi dokumenti interni; il-base64 jagħmel it-talba aktar tqila iżda huwa l-unika għażla għal fajl kunfidenzjali.
X’tista’ tassew tistaqsi
Id-deskrizzjoni hija l-użu l-aktar immedjat. Grok jiddettalja l-oġġetti preżenti, il-kuluri, il-kompożizzjoni, l-atmosfera, u n-nies u l-espressjonijiet tagħhom. Għadek trid tifforma t-talba tiegħek sew, inkella tirċievi inventarju ċatt:
Describe this photograph in detail.
What is the main subject, and what secondary
elements do you notice?
L-estrazzjoni tat-test, jew l-OCR, hija probabbilment l-aktar użu prezzjuż fil-ħajja ta’ kuljum. Grok jaqra u jittrasponi t-test minn ritratti ta’ dokumenti, screenshots, sinjali u posters, menus tar-ristoranti, u karti tan-negozju: il-każijiet kollha fejn it-tħaddim mill-ġdid tal-informazzjoni bl-idejn jieħu diversi minuti. Li titlob ifformatjar fl-istess ħin iffranka round trip ieħor:
Extract all the visible text in this image
and lay it out in a readable way.
L-analiżi ta’ grafiki u dijagrammi tmur lil hinn mill-qari: Grok jinterpreta grafiki statistiċi, flowcharts, u dijagrammi tekniċi, u jista’ jgħidlek x’juru. Dan huwa partikolarment utli meta rapport PDF jissakkar il-konklużjoni tiegħu ġewwa figura:
Analyze this chart. What are the main trends,
and what conclusions can we draw?
Tista’ wkoll tibgħat diversi immaġnijiet fl-istess talba sabiex Grok ikun jista’ jqabblhom, li jbiddel reviżjoni tad-disinn f’konversazzjoni:
Here are two versions of a design. What are the
main differences between them?
Fl-aħħar nett, id-disinjaturi u l-iżviluppaturi jużaw din il-viżjoni fuq l-iskrins tagħhom stess, u jitolbu kritika tal-użabbiltà minflok deskrizzjoni:
Analyze this mobile app screenshot.
What usability problems do you see?
Issibbil-livell ta’ dettall
Permezz tal-API, il-parametru detail jikkontrolla kemm fond tiġi analizzata l-immaġni u jaċċetta tliet valuri:
- auto: il-mudell jagħżel il-livell xieraq (default)
- low: analiżi mgħaġġla u irħisa li tuża inqas tokens
- high: analiżi dettaljata u fil-fond li tuża aktar tokens
Dan is-setting jissagrifika l-preċiżjoni kontra l-ispiża, każ b’każ. Għal OCR sempliċi fuq fattura, low huwa biżżejjed u jnaqqas l-ispiża fuq eluf ta’ dokumenti; għal analiżi artistika fina jew grafika densa, high jevita qari żbaljat.
Restrizzjonijiet li għandek tkun taf
| Restrizzjoni | Valur |
|---|---|
| Daqs massimu | 20 MiB għal kull immaġni |
| Formati aċċettati | JPG, JPEG, u PNG biss |
| Numru ta’ immaġnijiet | L-ebda limitu għal kull talba |
| Użu ta’ tokens | Bejn 256 u 1,792 token skont id-daqs u l-livell ta’ dettall |
Xi drawwiet jgħinuk toħroġ l-aħjar minn dawn il-kapaċitajiet. Ifforma t-talba tiegħek minflok ma titlob deskrizzjoni ġenerali: “kemm-il oġġett huwa barra mill-istokk f’dan is-screenshot” taħdem aħjar minn “iddeskrivi din l-immaġni”. Ibiddel id-daqs tal-fajls kbar, li jbatu l-ipproċessar mingħajr ma jżidu xejn. Dejjem inkludi messaġġ tat-test mal-immaġni, għax il-kuntest itejjeb b’mod notevoli r-rilevanza tat-tweġiba. U segwi l-loġika tal-formati: JPG għar-ritratti, PNG għas-screenshots u kwalunkwe viżwal li fih test, peress li l-kompressjoni JPG tiċċajpra l-karattri fini u tagħmel l-OCR ifalli.
Punti Ewlenin
- Il-mudelli grok-4.5 u dawk sussegwenti jistgħu janalizzaw immaġnijiet sottomessi bħala input
- Il-każijiet ta’ użu jinkludu deskrizzjoni, OCR, analiżi ta’ grafiki, u tqabbil
- Tista’ tipprovdi l-immaġnijiet permezz ta’ URL jew f’base64
- Is-setting tad-dettall jippermettilek tikkontrolla l-bilanċ bejn il-preċiżjoni u l-ispiża
- Id-daqs massimu huwa 20 MiB, biss f’formati JPG u PNG