Przejdź do głównej treści
Polski— Wybierz język
Menu

Format treści

Lekcja 4 z 14 Zaktualizowano 30 lipca 2026 Początkujący
Na tej stronie
  1. Dwa formaty danych wejściowych Grok
  2. Prosty ciąg tekstowy
  3. Tablica obiektów z typami
  4. Łączenie tekstu i obrazów
  5. Parametr detail dla obrazów
  6. Ograniczenia techniczne
  7. Ćwiczenia praktyczne
  8. Kluczowe wnioski

Dwa formaty danych wejściowych Grok

Gdy wysyłasz wiadomość do Grok, pole content w każdej wiadomości może przyjąć jedną z dwóch odrębnych form. Zrozumienie tej różnicy ma kluczowe znaczenie, ponieważ decyduje o tym, co możesz przesłać do modelu: sam tekst lub mieszankę tekstu i obrazów.

Prosty ciąg tekstowy

Najbardziej bezpośrednia forma: zawartość to prosty ciąg znaków. Będziesz go używać w większości interakcji opartych na tekście.

{
  "role": "user",
  "content": "Explain the advantages of the Rust language compared to C++"
}

Ten format działa dla wszystkich zadań czysto tekstowych: pytań, instrukcji, dostarczania danych lub żądań generowania. Używaj go, gdy nie musisz dołączać elementów wizualnych.

Tablica obiektów z typami

W przypadku żądań multimodalnych (tekst + obrazy), Grok akceptuje tablicę obiektów, gdzie każdy element zawiera pole type wskazujące jego rodzaj.

Format Chat Completions (starszy punkt końcowy)

{
  "role": "user",
  "content": [
    {"type": "text", "text": "Describe this user interface and suggest improvements"},
    {"type": "image_url", "image_url": {"url": "https://exemple.com/screenshot.png", "detail": "high"}}
  ]
}

Format Responses (główny punkt końcowy)

{
  "input": [
    {"type": "input_text", "text": "Analyze this chart and extract the main trends"},
    {"type": "input_image", "image_url": "https://exemple.com/graphique.png"}
  ]
}

Zwróć uwagę na różnicę w nazewnictwie między tymi dwoma punktami końcowymi: text i image_url dla Chat Completions oraz input_text i input_image dla Responses.

Łączenie tekstu i obrazów

Tablica obiektów pozwala swobodnie mieszać tekst i obrazy w dowolnej kolejności. Możesz wysłać wiele obrazów w tym samym żądaniu, umieszczając tekst przed nimi, po nich lub między nimi.

{
  "role": "user",
  "content": [
    {"type": "text", "text": "Compare these two interface mockups:"},
    {"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v1.png"}},
    {"type": "text", "text": "Version 1 above, version 2 below:"},
    {"type": "image_url", "image_url": {"url": "https://exemple.com/maquette-v2.png"}},
    {"type": "text", "text": "Identify the main differences and recommend the best version."}
  ]
}

Akceptowane źródła obrazów

Grok przyjmuje obrazy na dwa sposoby:

  • Bezpośredni adres URL: link HTTPS do obrazu hostowanego online
  • Kodowanie Base64: obraz osadzony bezpośrednio w żądaniu jako URI danych
{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,/9j/4AAQ..."}}

Format Base64 jest przydatny, gdy Twoje obrazy nie są hostowane online (zrzuty ekranu lokalne, obrazy generowane przez Twoją aplikację).

Parametr detail dla obrazów

Każdy obraz może otrzymać parametr detail, który kontroluje poziom analizy:

  • auto: model wybiera automatycznie (domyślne zachowanie)
  • low: szybka i ekonomiczna analiza, zużywa mniej tokenów
  • high: szczegółowa analiza, zużywa więcej tokenów, ale wychwytuje drobne detale
{"type": "image_url", "image_url": {"url": "https://...", "detail": "low"}}

Używaj low do prostych zadań (klasyfikacja, ogólny opis), a high do precyzyjnych analiz (OCR, wykrywanie detali, odczyt wykresów).

Ograniczenia techniczne

Pamiętaj o tych limitach podczas pracy z obrazami:

  • Maksymalny rozmiar: 20 MB na obraz
  • Akceptowane formaty: wyłącznie JPG, JPEG, PNG
  • Brak limitu liczby obrazów na żądanie
  • Kompatybilne modele: grok-4.5 i wyższe
  • Obrazy zużywają od 256 do 1792 tokenów, w zależności od ich rozmiaru i poziomu szczegółowości

Ćwiczenia praktyczne

Przetestuj oba formaty na prostym zadaniu:

Prosty format tekstowy:

{"role": "user", "content": "What are the 5 fundamental principles of UX design?"}

Format tablicowy (tylko tekst, ale ustrukturyzowany):

{
  "role": "user",
  "content": [
    {"type": "text", "text": "Context: I'm designing a mobile food delivery application."},
    {"type": "text", "text": "Question: what are the 5 most important UX principles for this type of application?"}
  ]
}

Nawet bez obrazu format tablicowy pozwala wyraźnie oddzielić kontekst od pytania, co może poprawić trafność odpowiedzi.

Kluczowe wnioski

  • Zawartość może być prostym ciągiem znaków (zwykły tekst) lub tablicą obiektów (multimodalna)
  • Format tablicowy pozwala mieszać tekst i obrazy w dowolnej kolejności
  • Istnieją dwa formaty nazewnictwa w zależności od punktu końcowego: Chat Completions kontra Responses
  • Parametr detail kontroluje głębokość analizy obrazu (low, auto, high)
  • Obrazy zużywają tokeny: dostosuj poziom szczegółowości do swoich potrzeb
  • Format Base64 pozwala wysyłać obrazy bez konieczności ich hostowania online