Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Videnie: Analýza obrázkov s Grok

Lekcia 7 z 12 Aktualizované 30. júla 2026 Vývojár
Na tejto strane
  1. Rozumienie obrázkom pomocou Chat Completions
  2. Odoslanie obrázka cez URL
  3. Odoslanie obrázka v Base64
  4. Úrovne detailov: auto, low a high
  5. Analýza viacerých obrázkov
  6. Technické obmedzenia
  7. Kľúčové poznatky

Rozumienie obrázkom pomocou Chat Completions

Modely Grok (od verzie grok-4.5) zahŕňajú schopnosti videnia, ktoré ti umožňujú analyzovať, opisovať a usudzovať na základe obrázkov. Túto funkciu využívaš prostredníctvom formátu poľa content ako poľa, kde kombinuješ objekty text a image_url.

Prípady použitia sú početné: extrakcia textu zo skenovaných dokumentov (OCR), analýza grafov, opis používateľských rozhraní, vizuálne porovnávanie alebo interpretácia technických diagramov.

Odoslanie obrázka cez URL

Najjednoduchší spôsob je poskytnúť verejnú URL adresu obrázka:

from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1"
)

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe what you see in this image."},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/photo-architecture.jpg",
                        "detail": "high"
                    }
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

Servery xAI si stiahnu obrázok v čase požiadavky. Obrázok musí byť verejne dostupný.

Odoslanie obrázka v Base64

Pre lokálne alebo súkromné obrázky použij kódovanie base64:

import base64

def encode_image(image_path: str) -> str:
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

image_data = encode_image("capture-ecran.png")

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What text is visible in this screenshot?"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_data}"
                    }
                }
            ]
        }
    ]
)

Formát URL je data:image/{format};base64,{data}, kde {format} je jpeg, jpg alebo png.

Úrovne detailov: auto, low a high

Parameter detail riadi rozlíšenie, v akom model obrázok analyzuje:

detail: “low”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/icone.png",
    "detail": "low"
  }
}

Obrázok sa pred analýzou zmenší na nízke rozlíšenie. Toto je najrýchlejší režim a stojí najmenej tokenov. Použi ho pre jednoduché obrázky: ikony, logá, základné diagramy.

detail: “high”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/document-scan.jpg",
    "detail": "high"
  }
}

Obrázok sa analyzuje vo vysokom rozlíšení. Model dokáže čítať malý text, identifikovať jemné detaily a analyzovať konkrétne oblasti. Toto je odporúčaný režim pre dokumenty, snímky obrazovky a detailné fotografie.

detail: “auto”

Model automaticky vyberie úroveň detailu na základe veľkosti a zložitosti obrázka. Toto je predvolená hodnota, ak parameter vynecháš.

Analýza viacerých obrázkov

V jednej správe môžeš odoslať viacero obrázkov na účely porovnania alebo krížovej analýzy:

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Compare these two versions of the design. What are the differences?"},
                {"type": "image_url", "image_url": {"url": "https://example.com/v1.png", "detail": "high"}},
                {"type": "image_url", "image_url": {"url": "https://example.com/v2.png", "detail": "high"}}
            ]
        }
    ]
)

Neexistuje limit na počet obrázkov na požiadavku, ale každý obrázok spotrebuje dodatočné tokeny.

Technické obmedzenia

Pri používaní videnia maj na pamäti tieto limity:

  • Maximálna veľkosť: 20 MiB na obrázok
  • Podporované formáty: Iba JPG, JPEG a PNG
  • Kompatibilné modely: grok-4 a vyššie (staršie modely nepodporujú videnie)
  • Tokeny: Obrázky spotrebúvajú tokeny, ktoré sa pripočítavajú k textovej cene požiadavky

Kľúčové poznatky

  • Videnie využíva formát poľa content ako poľa s objektmi image_url
  • Obrázky možno odoslať cez verejnú URL alebo zakódované v base64
  • Tri úrovne detailov: auto (predvolené), low (rýchle/úsporné) a high (detailné)
  • Maximálna veľkosť 20 MiB na obrázok, iba formáty JPG a PNG
  • V jednej správe možno odoslať viacero obrázkov na účely porovnania