Înțelegeți și analizați imagini
Pe această pagină
Viziunea artificială a lui Grok
Grok nu se limitează la text. Modelele grok-4.5 și versiunile ulterioare includ capacități de viziune care le permit să analizeze imaginile pe care le furnizați ca intrare. Puteți trimite o fotografie, o captură de ecran, un grafic sau orice alt element vizual, iar Grok vă va oferi o descriere detaliată, o analiză sau un răspuns contextual. Acest lucru schimbă radical ceea ce îi puteți încredința: un tablou de bord fotografiat, o factură mototolită sau un machetă de aplicație devin documente utilizabile, la fel ca textul lipit în conversație.
Cum să trimiteți o imagine
Pe grok.com, procesul necesită patru pași:
- Faceți clic pe butonul de atașare din câmpul de introducere
- Selectați imaginea de pe dispozitivul dumneavoastră
- Opțional, adăugați un mesaj text pentru a ghida analiza
- Trimiteți mesajul
Pe mobil, puteți face o fotografie direct cu camera telefonului și o puteți trimite lui Grok pentru analiză. Aceasta este cea mai rapidă metodă când aveți în față un panou, un meniu sau un ecran pe care nu le puteți copia și lipi.
Pentru dezvoltatori, imaginile se trimit printr-un tablou mixt de obiecte în câmpul de intrare:
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"}
]
)
Puteți furniza imagini sub formă de URL public sau codificate în base64. Alegerea contează: un URL public necesită o imagine accesibilă din exterior, ceea ce exclude documentele interne; base64 face cererea mai voluminoasă, dar este singura opțiune pentru un fișier confidențial.
Ce puteți întreba efectiv
Descrierea este cea mai imediată utilizare. Grok detaliază obiectele prezente, culorile, compoziția, atmosfera, precum și persoanele și expresiile lor. Totuși, trebuie să formulați cererea, altfel veți primi un simplu inventar:
Describe this photograph in detail.
What is the main subject, and what secondary
elements do you notice?
Extragerea textului, sau OCR, este probabil cea mai valoroasă utilizare cotidiană. Grok citește și transcrie textul din fotografii ale documentelor, capturi de ecran, panouri și afișe, meniuri de restaurant și cărți de vizită: toate cazurile în care retastarea informațiilor manual durează câteva minute. Solicitarea formatării în același timp economisește o a doua rundă de comunicatie:
Extract all the visible text in this image
and lay it out in a readable way.
Analiza graficelor și diagramelor merge dincolo de simpla citire: Grok interpretează graficele statistice, organigramele și diagramele tehnice și vă poate spune ce indică acestea. Este deosebit de util când un raport PDF își blochează concluzia într-o figură:
Analyze this chart. What are the main trends,
and what conclusions can we draw?
Puteți, de asemenea, să trimiteți mai multe imagini în aceeași cerere, astfel încât Grok să le poată compara, transformând o revizuire de design într-o conversație:
Here are two versions of a design. What are the
main differences between them?
În final, designerii și dezvoltatorii folosesc această viziune pe propriile ecrane, solicitând o critică a uzabilității în loc de o simplă descriere:
Analyze this mobile app screenshot.
What usability problems do you see?
Setarea nivelului de detaliu
Prin API, parametrul detail controlează profunzimea analizei imaginii și acceptă trei valori:
- auto: modelul alege nivelul adecvat (implicit)
- low: analiză rapidă, ieftină, care utilizează mai puțini tokeni
- high: analiză detaliată, aprofundată, care utilizează mai mulți tokeni
Această setare echilibrează precizia cu costul, de la caz la caz. Pentru un OCR simplu pe o factură, low este suficient și reduce costul pentru mii de documente; pentru o analiză artistică fină sau un grafic dens, high evită erorile de citire.
Restricții de cunoscut
| Restricție | Valoare |
|---|---|
| Dimensiune maximă | 20 MiB per imagine |
| Formate acceptate | Doar JPG, JPEG și PNG |
| Număr de imagini | Fără limită per cerere |
| Utilizare tokeni | Între 256 și 1.792 tokeni, în funcție de dimensiune și nivelul de detaliu |
Câteva obiceiuri vă vor ajuta să exploatați la maximum aceste capacități. Formulați-vă cererea în loc să solicitați o descriere generală: „câte articole sunt pe stoc epuizat în această captură de ecran“ este mai eficient decât „descrieți această imagine“. Redimensionați fișierele mari, care încetinesc procesarea fără a aduce valoare suplimentară. Includeți întotdeauna un mesaj text împreună cu imaginea, deoarece contextul îmbunătățește vizibil relevanța răspunsului. Și respectați logica formatelor: JPG pentru fotografii, PNG pentru capturi de ecran și orice element vizual care conține text, deoarece compresia JPG estompează caracterele fine și face ca OCR-ul să eșueze.
Puncte cheie
- Modelele grok-4.5 și versiunile ulterioare pot analiza imaginile trimise ca intrare
- Cazurile de utilizare includ descrierea, OCR, analiza graficelor și compararea
- Puteți furniza imagini prin URL sau în base64
- Setarea de detaliu vă permite să controlați compromisul dintre precizie și cost
- Dimensiunea maximă este de 20 MiB, doar în formatele JPG și PNG