Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Viacmodálne výzvy (Multi-Modal Prompts)

Lekcia 9 z 14 Aktualizované 30. júla 2026 Začiatočník
Na tejto strane
  1. Text a obrázky v jednej výzve
  2. Odoslanie obrázka modelu Grok
  3. Parameter detail: ovládanie presnosti
  4. Zdroje obrázkov
  5. Praktické prípady použitia
  6. Kľúčové technické obmedzenia
  7. Ako napísať dobrú viacmodálnu výzvu
  8. Praktické cvičenie
  9. Kľúčové poznatky

Text a obrázky v jednej výzve

Modely Grok 4.5 a novšie dokážu analyzovať obrázky rovnako ako text. Táto viacmodálna schopnosť otvára širokú škálu možností: popis obrázkov, OCR, analýzu grafov, vizuálne porovnávanie a ďalšie.

Ovládnutie viacmodálnych výziev ti umožní využívať Grok nielen ako textového, ale aj ako vizuálneho asistenta.

Odoslanie obrázka modelu Grok

Pri používaní Responses API (hlavný koncový bod) sa obrázky integrujú do poľa input ako typované objekty:

{
  "model": "grok-4.5",
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/dashboard.png"},
    {"type": "input_text", "text": "Analyze this dashboard and identify declining metrics."}
  ]
}

Pri Chat Completions API (starší koncový bod) je štruktúra mierne odlišná:

{
  "model": "grok-4.5",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://exemple.com/dashboard.png", "detail": "high"}},
      {"type": "text", "text": "Analyze this dashboard and identify declining metrics."}
    ]
  }]
}

Parameter detail: ovládanie presnosti

Úroveň detailu ovplyvňuje hĺbku analýzy a počet spotrebovaných tokenov:

detail: low

Obrázok sa spracuje rýchlo v zníženom rozlíšení. Tento režim použi na:

  • Klasifikáciu obrázkov (fotografia, ilustrácia, diagram)
  • Opis všeobecného obsahu
  • Identifikáciu hlavných objektov
  • Zoraďovanie obrázkov podľa kategórie

Spotreba: menej tokenov, rýchlejšia odpoveď.

detail: high

Obrázok sa analyzuje vo vysokom rozlíšení. Tento režim použi na:

  • Čítanie textu v obrázku (OCR)
  • Analýzu detailov v grafe alebo diagrame
  • Porovnávanie presných vizuálnych prvkov
  • Detekciu chýb alebo anomálií

Spotreba: viac tokenov (medzi 256 a 1 792 v závislosti od veľkosti), pomalšia odpoveď.

detail: auto

Model si sám zvolí vhodnú úroveň. Toto je predvolené správanie.

Zdroje obrázkov

Priama URL adresa

Najjednoduchšia metóda: poskytni odkaz HTTPS na obrázok.

{"type": "input_image", "image_url": "https://exemple.com/photo.jpg"}

Base64 (data URI)

Pre obrázky, ktoré nie sú hostené online, ich zakóduj do formátu base64:

{"type": "input_image", "image_url": "data:image/png;base64,iVBORw0KGgo..."}

Táto metóda je užitočná pre snímky obrazovky, programovo generované obrázky alebo obrázky zo spracovateľského pipeline.

Praktické prípady použitia

OCR a extrakcia textu

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/facture.jpg"},
    {"type": "input_text", "text": "Extract from this invoice: the invoice number, date, amount excluding tax, VAT, and amount including tax. Return the result in JSON."}
  ]
}

Analýza grafov

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/graphique-ventes.png"},
    {"type": "input_text", "text": "This chart shows our monthly sales over 12 months. Identify trends, peaks, and troughs. Suggest possible explanations for the variations."}
  ]
}

Porovnávanie obrázkov

{
  "input": [
    {"type": "input_text", "text": "Compare these two versions of our logo:"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v1.png"},
    {"type": "input_image", "image_url": "https://exemple.com/logo-v2.png"},
    {"type": "input_text", "text": "Identify the differences and recommend the best version for web use."}
  ]
}

Analýza používateľského rozhrania

{
  "input": [
    {"type": "input_image", "image_url": "https://exemple.com/mockup.png"},
    {"type": "input_text", "text": "Evaluate this mobile interface mockup based on the following criteria: readability, visual hierarchy, accessibility, consistency. Rate each criterion out of 10."}
  ]
}

Kľúčové technické obmedzenia

  • Maximálna veľkosť: 20 MB na jeden obrázok
  • Formáty: Iba JPG, JPEG a PNG (žiadne GIF, SVG ani WebP)
  • Žiadny limit na počet obrázkov na jednu požiadavku
  • Tip od xAI: pri práci s obrázkami používaj v Responses API parameter store: false, aby sa predišlo chybám súvisiacim s ukladaním histórie

Ako napísať dobrú viacmodálnu výzvu

Platia rovnaké zásady jasnosti ako pri texte, s určitými špecifikami pre obrázky:

  • Oznám obrázok: povedz modelu, čo uvidí, ešte pred samotným obrázkom
  • Buď presný v úlohe: „Opíš tento obrázok“ je vágne; „Extrahuj údaje z stĺpcového grafu a vráť ich v CSV“ je presné
  • Usmerňuj pozornosť: ak ťa zaujíma len časť obrázka, uveď to („Sústreď sa na pravý horný roh“)
  • Špecifikuj výstupný formát: rovnako ako pri textových výzvach urči, či očakávaš JSON, zoznam alebo tabuľku

Praktické cvičenie

Urob snímku obrazovky dashboardu, grafu alebo dokumentu a pošli ju modelu Grok s konkrétnou požiadavkou. Otestuj nastavenia detail: low aj detail: high a porovnaj kvalitu a rýchlosť odpovedí.

Kľúčové poznatky

  • Modely grok-4.5+ analyzujú obrázky rovnako ako text
  • Parameter detail (low, auto, high) riadi hĺbku analýzy a náklady na tokeny
  • Obrázky možno poskytnúť cez URL alebo base64
  • Oznám obrázok, buď presný v úlohe a špecifikuj výstupný formát
  • Použi store: false na predídenie problémov s ukladaním obrázkov
  • Akceptované formáty sú obmedzené na JPG, JPEG a PNG s maximálnou veľkosťou 20 MB