Przejdź do głównej treści
Polski— Wybierz język
Menu

Vision: Analizuj obrazy z Grok

Lekcja 7 z 12 Zaktualizowano 30 lipca 2026 Programista
Na tej stronie
  1. Rozumienie obrazów za pomocą Chat Completions
  2. Wysyłanie obrazu przez URL
  3. Wysyłanie obrazu w formacie Base64
  4. Poziomy szczegółowości: auto, low i high
  5. Analiza wielu obrazów
  6. Ograniczenia techniczne
  7. Kluczowe wnioski

Rozumienie obrazów za pomocą Chat Completions

Modele Grok (począwszy od grok-4.5) posiadają możliwości wizyjne, które pozwalają Ci analizować, opisywać i wnioskować na podstawie obrazów. Funkcję tę wykorzystujesz poprzez format tablicowy pola content, łącząc obiekty text i image_url.

Zastosowań jest wiele: ekstrakcja tekstu ze zeskanowanych dokumentów (OCR), analiza wykresów, opisywanie interfejsów użytkownika, porównywanie wizualne czy interpretacja diagramów technicznych.

Wysyłanie obrazu przez URL

Najprostszym sposobem jest podanie publicznego adresu URL obrazu:

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)

Serwery xAI pobierają obraz w momencie wysłania żądania. Musi on być publicznie dostępny.

Wysyłanie obrazu w formacie Base64

W przypadku obrazów lokalnych lub prywatnych użyj kodowania 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}"
                    }
                }
            ]
        }
    ]
)

Format URL to data:image/{format};base64,{data}, gdzie {format} to jpeg, jpg lub png.

Poziomy szczegółowości: auto, low i high

Parametr detail kontroluje rozdzielczość, w jakiej model analizuje obraz:

detail: “low”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/icone.png",
    "detail": "low"
  }
}

Obraz jest zmniejszany do niskiej rozdzielczości przed analizą. Jest to najszybszy tryb i kosztuje najmniej tokenów. Używaj go dla prostych obrazów: ikon, logotypów, podstawowych diagramów.

detail: “high”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/document-scan.jpg",
    "detail": "high"
  }
}

Obraz jest analizowany w wysokiej rozdzielczości. Model potrafi odczytać mały tekst, zidentyfikować drobne szczegóły i przeanalizować konkretne obszary. Jest to zalecany tryb dla dokumentów, zrzutów ekranu i szczegółowych fotografii.

detail: “auto”

Model automatycznie wybiera poziom szczegółowości w zależności od rozmiaru i złożoności obrazu. Jest to wartość domyślna, jeśli pominiesz ten parametr.

Analiza wielu obrazów

Możesz wysłać wiele obrazów w jednej wiadomości, aby przeprowadzić porównanie lub analizę krzyżową:

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"}}
            ]
        }
    ]
)

Nie ma limitu liczby obrazów na żądanie, ale każdy obraz zużywa dodatkowe tokeny.

Ograniczenia techniczne

Pamiętaj o tych limitach podczas korzystania z funkcji wizyjnych:

  • Maksymalny rozmiar: 20 MiB na obraz
  • Obsługiwane formaty: Tylko JPG, JPEG i PNG
  • Kompatybilne modele: grok-4 i nowsze (starsze modele nie obsługują vision)
  • Tokeny: obrazy zużywają tokeny, które doliczane są do kosztu tekstowego żądania

Kluczowe wnioski

  • Vision wykorzystuje format tablicowy pola content z obiektami image_url
  • Obrazy można wysyłać przez publiczny URL lub zakodowane w base64
  • Trzy poziomy szczegółowości: auto (domyślny), low (szybki/oszczędny) i high (szczegółowy)
  • Maksymalny rozmiar 20 MiB na obraz, tylko formaty JPG i PNG
  • W jednej wiadomości można wysłać wiele obrazów do porównań