Comparação de Múltiplas Imagens
Nesta página
Analisar Múltiplas Imagens num Único Pedido
Uma das principais vantagens do Grok Vision é a capacidade de enviar um número ilimitado de imagens num único pedido. Isto abre possibilidades únicas de comparação, acompanhamento temporal e análise cruzada que as APIs de imagem única não conseguem oferecer.
Estrutura do Pedido de Múltiplas Imagens
O formato é simples: adicione tantos objetos input_image quantos forem necessários ao array input, intercalando-os com texto para orientar a análise:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "Image A:"},
{"type": "input_image", "image_url": url_image_a},
{"type": "input_text", "text": "Image B:"},
{"type": "input_image", "image_url": url_image_b},
{"type": "input_text", "text": "Compare these two images in detail."}
]
)
Rotular cada imagem com texto (“Imagem A”, “Imagem B”) ajuda o modelo a estruturar a sua resposta e a referenciar claramente cada imagem.
Caso de Uso: Comparação Antes/Depois
Ideal para acompanhamento de projetos, renovações, design ou controlo de qualidade:
def comparer_avant_apres(url_avant, url_apres):
prompt = """Compare these two images (before and after) and identify:
1. The main changes
2. Elements that have not changed
3. Visible improvements
4. Any potential issues introduced
Present your response as a structured list."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "BEFORE:"},
{"type": "input_image", "image_url": url_avant, "detail": "high"},
{"type": "input_text", "text": "AFTER:"},
{"type": "input_image", "image_url": url_apres, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Caso de Uso: Acompanhamento Temporal
Acompanhe a evolução de um local, produto ou processo ao longo do tempo:
def analyser_evolution(images_chronologiques):
"""images_chronologiques: list of {"url": ..., "date": ...}"""
input_data = []
for img in images_chronologiques:
input_data.append({
"type": "input_text",
"text": f"Photo from {img['date']}:"
})
input_data.append({
"type": "input_image",
"image_url": img["url"],
"detail": "auto"
})
input_data.append({
"type": "input_text",
"text": """Analyze the chronological evolution visible in
these images. Identify progressive changes, trends,
and any notable events between the different dates."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response.output_text
Caso de Uso: Controlo de Qualidade
Compare um produto fabricado com o seu modelo de referência:
def controle_qualite(url_reference, url_produit):
prompt = """Compare the photographed product to the reference model.
Identify:
1. Compliance (what matches the model)
2. Non-compliance (deviations, defects, differences)
3. Severity of each non-compliance (minor, major, critical)
Return a JSON with:
{
"compliant": true/false,
"score": 0-100,
"compliances": [...],
"non_compliances": [
{"description": "...", "severity": "minor|major|critical"}
]
}"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "REFERENCE (expected model):"},
{"type": "input_image", "image_url": url_reference, "detail": "high"},
{"type": "input_text", "text": "PRODUCT to check:"},
{"type": "input_image", "image_url": url_produit, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Caso de Uso: Análise da Concorrência
Compare interfaces, embalagens ou apresentações de produtos de concorrentes:
def analyser_concurrence(images_concurrents):
"""images_concurrents: [{"brand": "...", "url": "..."}]"""
input_data = []
for concurrent in images_concurrents:
input_data.append({
"type": "input_text",
"text": f"{concurrent['brand']}:"
})
input_data.append({
"type": "input_image",
"image_url": concurrent["url"],
"detail": "auto"
})
input_data.append({
"type": "input_text",
"text": """Compare these competitor products/interfaces.
For each, identify visual strengths and weaknesses.
Provide a positioning recommendation."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response.output_text
Otimização de Pedidos de Múltiplas Imagens
Quando envia muitas imagens, o consumo de tokens aumenta rapidamente. Eis algumas estratégias de otimização:
Ajustar o Nível de Detalhe
Utilize low para comparações gerais e high apenas quando analisar detalhes finos:
# Comparação global: low é suficiente
detail = "low" # ~256 tokens per image
# Análise de defeitos: high necessário
detail = "high" # ~1024-1792 tokens per image
Limitar o Número de Imagens por Pedido
Embora não exista um limite rígido, com mais de 10 a 15 imagens a qualidade da análise pode diminuir. O modelo tem um contexto finito e deve distribuí-lo por todas as imagens:
# Se mais de 10 imagens, processar em lotes
def analyser_par_lots(images, taille_lot=10):
resultats = []
for i in range(0, len(images), taille_lot):
lot = images[i:i + taille_lot]
resultat = analyser_lot(lot)
resultats.append(resultat)
return fusionner_resultats(resultats)
Redimensionar Imagens
Se estiver a comparar fotografias de alta resolução para uma análise geral, redimensione-as antes de as enviar para reduzir os tokens:
def preparer_pour_comparaison(chemin, taille_max=(800, 800)):
img = Image.open(chemin)
img.thumbnail(taille_max)
# ... encode to base64
Pontos-chave
- O número de imagens por pedido é ilimitado — esta é uma vantagem chave da API xAI
- Rotule cada imagem com texto para estruturar a análise
- Ajuste o parâmetro
detailao tipo de comparação - Para mais de 10-15 imagens, processe em lotes para manter a qualidade
- Os casos de uso incluem: antes/depois, acompanhamento temporal, controlo de qualidade e análise da concorrência