Promptijiet Multi-Modali
F'din il-paġna
Test u immaġni fl-istess prompt
Il-mudelli Grok 4.5 u dawk sussegwenti jistgħu janalizzaw immaġni barra mit-test. Din il-kapaċità multimodali tiftaħ firxa wiesgħa ta’ possibbiltajiet: deskrizzjoni tal-immaġni, OCR, analiżi ta’ grafiċi, tqabbil viżiv, u aktar.
Meta tgħallimtek tuża promptijiet multi-modali, tkun tista’ tuża lil Grok bħala assistent viżiv flimkien ma’ assistent tat-test.
Kif tibgħat immaġni lil Grok
Mal-API tar-Risposti (l-endpoint prinċipali), l-immaġni jiġu integrati fil-qasam input bħala oġġetti ttajpjati:
{
"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."}
]
}
Mal-API tal-Kompletamenti taċ-Chat (l-endpoint antik), l-istruttura hija kemxejn differenti:
{
"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."}
]
}]
}
Il-parametru detail: kontroll tal-preċiżjoni
Il-livell ta’ dettall jinfluwenza l-fond tal-analiżi u n-numru ta’ tokens ikkunsmati:
detail: low
L-immaġni tiġi pproċessata malajr f’riżoluzzjoni mnaqqsa. Uża din il-modalità biex:
- Tikklassifika l-immaġni (ritratt, illustrazzjoni, dijagramma)
- Tiddeskrivi l-kontenut ġenerali
- Tidentifika l-oġġetti ewlenin
- Tissortja l-immaġni skont il-kategorija
Konsum: inqas tokens, risposta aktar mgħaġġla.
detail: high
L-immaġni tiġi analizzata f’riżoluzzjoni għolja. Uża din il-modalità biex:
- Taqra t-test f’immaġni (OCR)
- Tanalizza d-dettalji f’grafiku jew dijagramma
- Tqabbel elementi viżivi preċiżi
- Tiskopri difetti jew anomaliji
Konsum: aktar tokens (bejn 256 u 1,792 skont id-daqs), risposta aktar bil-mod.
detail: auto
Il-mudell jagħżel il-livell xieraq waħdu. Dan huwa l-imġiba predefinita.
Sorsi tal-immaġni
URL Dirett
L-aktar metodu sempliċi: ipprovdi link HTTPS għall-immaġni.
{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}
Base64 (data URI)
Għal immaġni li mhumiex ospitati online, ikkodifikahom f’base64:
{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}
Dan il-metodu huwa utli għal screenshots, immaġni ġġenerati programmatikament, jew immaġni minn pipeline ta’ ipproċessar.
Każijiet ta’ użu prattiċi
OCR u estrazzjoni tat-test
{
"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."}
]
}
Analiżi tal-grafiki
{
"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."}
]
}
Tqabbil tal-immaġni
{
"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."}
]
}
Analiżi tal-interfaċċja tal-utent
{
"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."}
]
}
Limitazzjonijiet tekniċi ewlenin
- Daqs massimu: 20 MB għal kull immaġni
- Formati: JPG, JPEG, u PNG biss (l-ebda GIF, SVG, jew WebP)
- L-ebda limitu fuq in-numru ta’ immaġni għal kull talba
- Parir ta’ xAI: uża
store: falsefl-API tar-Risposti meta taħdem ma’ immaġni biex tevita żbalji relatati mal-ħżin tal-istorja
Kif tikteb prompt multi-modali tajjeb
L-istess prinċipji ta’ ċarezza japplikaw, b’speċifiċitajiet għall-immaġni:
- Ħabbar l-immaġni: għid lill-mudell x’se jara qabel l-immaġni
- Kun preċiż dwar il-kompitu: “Iddeskrivi din l-immaġni” huwa vag; “Istraġġi d-data mill-grafiku tal-laqgħa u rritornaha f’CSV” huwa preċiż
- Gwida l-attenzjoni: jekk biss parti mill-immaġni tinteressak, indikaha (“Iffoka fuq ir-rokna ta’ fuq tal-lemin”)
- Speċifika l-format tal-output: bħal fil-promptijiet tat-test, speċifika jekk tistennax JSON, lista, jew tabella
Prattika manwali
Ħu screenshot ta’ dashboard, grafiku, jew dokument, u ibgħatu lil Grok b’talba speċifika. Ittestja b’detail: low imbagħad detail: high u qabbel il-kwalità u l-veloċità tar-risposti.
Punti Ewlenin
- Il-mudelli grok-4.5+ janalizzaw l-immaġni flimkien mat-test
- Il-parametru
detail(low, auto, high) jikkontrolla l-fond tal-analiżi u l-ispiża tat-tokens - L-immaġni jistgħu jiġu pprovduti permezz ta’ URL jew base64
- Ħabbar l-immaġni, kun preċiż dwar il-kompitu, u speċifika l-format tal-output
- Uża
store: falsebiex tevita problemi ta’ ħżin mal-immaġni - Il-formati aċċettati huma limitati għal JPG, JPEG, u PNG, b’daqs massimu ta’ 20 MB