Przejdź do głównej treści
Polski— Wybierz język
Menu

Rozumienie obrazów w wyszukiwarce internetowej

Lekcja 7 z 16 Zaktualizowano 30 lipca 2026 Programista
Na tej stronie
  1. Analiza obrazów znalezionych w sieci
  2. Aktywacja
  3. Składnia SDK
  4. Przypadki użycia
  5. Łączenie z innymi parametrami
  6. Wpływ na koszty
  7. Różnica względem wyszukiwania w X
  8. Kluczowe wnioski

Analiza obrazów znalezionych w sieci

Wyszukiwanie w sieci wykracza poza sam tekst. Dzięki parametrowi enable_image_understanding możesz poprosić model o analizę obrazów, na które natknie się podczas przeszukiwania internetu. Funkcja ta znacząco rozszerza możliwości wyszukiwania, szczególnie w przypadku pytań wizualnych lub tematów, w których obrazy dostarczają informacji uzupełniających tekst.

Aktywacja

Włącz tę funkcję, dodając parametr enable_image_understanding do konfiguracji wyszukiwania w sieci:

{
  "tools": [{
    "type": "web_search",
    "enable_image_understanding": true
  }]
}

Gdy funkcja jest włączona, model może użyć wewnętrznego narzędzia view_image do analizy obrazów napotkanych podczas wyszukiwania. Automatycznie decyduje, które obrazy są istotne i warto je zbadać.

Składnia SDK

xAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture and explain each component",
    tools=[client.tools.web_search(
        enable_image_understanding=True
    )]
)

OpenAI SDK

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Show me the Transformer architecture",
    tools=[{
        "type": "web_search",
        "enable_image_understanding": True
    }]
)

Vercel AI SDK

tools: [xai.tools.webSearch({
  enableImageUnderstanding: true
})]

Przypadki użycia

Analiza diagramów technicznych

Model potrafi znaleźć i zinterpretować diagramy architektury, schematy blokowe lub wykresy techniczne. Jest to szczególnie przydatne w przypadku pytań dotyczących architektury oprogramowania lub procesów przemysłowych.

Wizualne porównywanie produktów

W przypadku zapytań porównawczych model może analizować zrzuty ekranu lub zdjęcia produktów znalezione w sieci i wyciągać z nich istotne wnioski.

Wizualna analiza danych

Jeśli Twoje pytanie dotyczy danych przedstawionych w formie wykresów lub tabel wizualnych, rozumienie obrazów pozwala modelowi wydobyć informacje z tych reprezentacji graficznych.

Łączenie z innymi parametrami

Rozumienie obrazów można łączyć z filtrowaniem domen:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Analyze the latest LLM performance benchmarks",
    tools=[{
        "type": "web_search",
        "allowed_domains": ["arxiv.org", "huggingface.co"],
        "enable_image_understanding": True
    }]
)

Model będzie wyszukiwał wyłącznie w dozwolonych domenach i będzie mógł analizować wykresy benchmarków znalezione w publikacjach.

Wpływ na koszty

Włączenie rozumienia obrazów zwiększa zużycie tokenów. Analiza każdego obrazu generuje dodatkowe tokeny dla danych wejściowych (zakodowany obraz) i wyjściowych (opis/analiza). Koszt pojedynczego wywołania pozostaje taki sam (0,005 USD), ale liczba tokenów na żądanie może znacznie wzrosnąć.

Włączaj tę funkcję tylko wtedy, gdy obrazy realnie podnoszą wartość Twojego przypadku użycia. W przypadku wyszukiwania opartego wyłącznie na tekście pozostaw ten parametr wyłączony, aby zoptymalizować koszty.

Różnica względem wyszukiwania w X

Rozumienie obrazów jest dostępne zarówno dla wyszukiwania w sieci (Web Search), jak i wyszukiwania w X (X Search). Jednakże rozumienie wideo (enable_video_understanding) jest wyłączne dla wyszukiwania w X. Wyszukiwanie w sieci nie potrafi analizować filmów znalezionych w internecie.

Kluczowe wnioski

  • Włącz przez enable_image_understanding: true w konfiguracji wyszukiwania w sieci
  • Model używa wewnętrznie narzędzia view_image do analizy istotnych obrazów
  • Przydatne do diagramów, wykresów, zrzutów ekranu i porównań wizualnych
  • Zwiększa zużycie tokenów – włączaj tylko w razie potrzeby
  • Łączy się z filtrowaniem domen dla precyzyjnej kontroli źródeł
  • Rozumienie wideo jest wyłączne dla wyszukiwania w X