Compreender e analisar imagens
Nesta página
A visão do Grok
O Grok não se limita ao texto. Os modelos grok-4.5 e posteriores incluem capacidades de visão que lhes permitem analisar imagens que fornece como entrada. Pode submeter uma fotografia, uma captura de ecrã, um gráfico ou qualquer outro elemento visual, e o Grok fornecer-lhe-á uma descrição detalhada, uma análise ou uma resposta contextualizada. Isto altera o que lhe pode entregar: um painel de controlo fotografado, uma fatura amarrotada ou um esboço de aplicação tornam-se documentos utilizáveis, tal como texto colado na conversa.
Como submeter uma imagem
No grok.com, o processo envolve quatro passos:
- Clique no botão de anexo no campo de entrada
- Selecione a imagem no seu dispositivo
- Opcionalmente, adicione uma mensagem de texto para orientar a análise
- Envie a sua mensagem
No telemóvel, pode também tirar uma fotografia diretamente com a câmara do seu dispositivo e enviá-la ao Grok para análise. É a forma mais rápida quando se depara com uma placa, um menu ou um ecrã que não consegue copiar e colar.
Para programadores, as imagens são enviadas através de um array misto de objetos no campo de entrada:
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"}
]
)
Pode fornecer imagens como um URL público ou codificadas em base64. A escolha é importante: um URL público exige que a imagem seja acessível externamente, o que exclui documentos internos; o base64 torna o pedido mais pesado, mas é a única opção para ficheiros confidenciais.
O que pode realmente perguntar
A descrição é a utilização mais imediata. O Grok detalha os objetos presentes, as cores, a composição, o ambiente, as pessoas e as suas expressões. Ainda precisa de enquadrar o pedido, caso contrário receberá um inventário plano:
Descreva esta fotografia em detalhe.
Qual é o assunto principal e que elementos
secundários nota?
A extração de texto, ou OCR, é provavelmente a utilização quotidiana mais valiosa. O Grok lê e transcreve texto de fotografias de documentos, capturas de ecrã, placas e cartazes, ementas de restaurantes e cartões de visita: todos os casos em que redigitar a informação à mão demora vários minutos. Pedir formatação ao mesmo tempo poupa uma segunda ida e volta:
Extraia todo o texto visível nesta imagem
e apresente-o de forma legível.
Analisar gráficos e diagramas vai além da leitura: o Grok interpreta gráficos estatísticos, fluxogramas e diagramas técnicos, e pode dizer-lhe o que mostram. É especialmente útil quando um relatório em PDF encerra a sua conclusão numa figura:
Analise este gráfico. Quais são as principais tendências
e que conclusões podemos tirar?
Pode também submeter várias imagens no mesmo pedido para que o Grok as compare, transformando uma revisão de design numa conversa:
Aqui estão duas versões de um design. Quais são as
principais diferenças entre elas?
Finalmente, designers e programadores utilizam esta visão nos seus próprios ecrãs, pedindo uma crítica de usabilidade em vez de uma descrição:
Analise esta captura de ecrã de uma aplicação móvel.
Que problemas de usabilidade deteta?
Definir o nível de detalhe
Através da API, o parâmetro detail controla a profundidade da análise da imagem e aceita três valores:
- auto: o modelo escolhe o nível adequado (padrão)
- low: análise rápida e económica que utiliza menos tokens
- high: análise detalhada e aprofundada que utiliza mais tokens
Esta definição equilibra precisão e custo, caso a caso. Para um OCR simples numa fatura, low é suficiente e reduz o custo em milhares de documentos; para uma análise artística fina ou um gráfico denso, high evita leituras incorretas.
Restrições a conhecer
| Restrição | Valor |
|---|---|
| Tamanho máximo | 20 MiB por imagem |
| Formatos aceites | Apenas JPG, JPEG e PNG |
| Número de imagens | Sem limite por pedido |
| Utilização de tokens | Entre 256 e 1.792 tokens, dependendo do tamanho e do nível de detalhe |
Alguns hábitos permitem tirar o máximo partido destas capacidades. Enquadre o seu pedido em vez de pedir uma descrição geral: “quantos artigos estão em rutura de stock nesta captura de ecrã” é melhor do que “descreva esta imagem”. Redimensione ficheiros grandes, que atrasam o processamento sem acrescentar nada. Inclua sempre uma mensagem de texto com a imagem, pois o contexto melhora notavelmente a relevância da resposta. E siga a lógica dos formatos: JPG para fotografias, PNG para capturas de ecrã e qualquer visual que contenha texto, já que a compressão JPG desfoca caracteres finos e faz falhar o OCR.
Pontos-chave
- Os modelos grok-4.5 e posteriores podem analisar imagens submetidas como entrada
- Os casos de uso incluem descrição, OCR, análise de gráficos e comparação
- Pode fornecer imagens por URL ou em base64
- A definição de detalhe permite controlar o equilíbrio entre precisão e custo
- O tamanho máximo é de 20 MiB, apenas nos formatos JPG e PNG