Razumevanje in analiza slik
Na tej strani
Grokov vid
Grok ni omejen le na besedilo. Modeli grok-4.5 in novejši vključujejo zmožnosti vida, ki jim omogočajo analizo slik, ki jih podaš kot vhodni podatek. Lahko pošlješ fotografijo, posnetek zaslona, grafikon ali katero koli drugo vizualno vsebino, Grok pa ti bo vrnil podroben opis, analizo ali kontekstualen odgovor. To premika meje tega, kar mu lahko predložiš: fotografirana nadzorna plošča, zmečkan račun ali osnutek aplikacije postanejo uporabni dokumenti, prav tako kot besedilo, prilepljeno v pogovor.
Kako poslati sliko
Na grok.com postopek obsega štiri korake:
- Klikni gumb za prilogo v polju za vnos
- Izberi sliko iz svoje naprave
- Po želji dodaj besedilno sporočilo za usmerjanje analize
- Pošlji svoje sporočilo
Na mobilnih napravah lahko sliko tudi neposredno posnameš s kamero telefona in jo pošlješ Groku v analizo. To je najhitrejši način, ko si pred znakom, jedilnikom ali zaslonom, ki ga ne moreš kopirati in prilepiti.
Za razvijalce se slike pošiljajo prek mešanega polja objektov v vhodnem podatku:
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"}
]
)
Slike lahko podaš kot javni URL ali kodirane v base64. Izbira je pomembna: javni URL zahteva sliko, ki je dosegljiva od zunaj, kar izključuje interne dokumente; base64 naredi zahtevo težjo, vendar je edina možnost za zaupne datoteke.
Kaj lahko dejansko vprašaš
Opis je najbolj neposredna uporaba. Grok podrobno opiše prisotne predmete, barve, kompozicijo, vzdušje ter ljudi in njihove izraze. Zahtevo moraš še vedno ustrezno oblikovati, sicer boš dobil le ravnovesni seznam:
Podrobno opiši to fotografijo.
Kateri je glavni motiv in katere sekundarne
elemente opaziš?
Pridobivanje besedila ali OCR je verjetno najbolj koristna vsakodnevna uporaba. Grok prebere in prepíše besedilo s fotografij dokumentov, posnetkov zaslona, znakov in plakatov, restavracijskih jedilnikov in vizitk: v vseh teh primerih bi ročno prepisovanje informacij trajalo več minut. Če hkrati zahtevaš tudi oblikovanje, prihraniš drug krog komunikacije:
Izloči vse vidno besedilo na tej sliki
in ga razporedi na berljiv način.
Analiza grafikonov in diagramov presega zgolj branje: Grok interpretira statistične grafe, flowcharte in tehnične diagrame ter ti pove, kaj prikazujejo. To je še posebej uporabno, ko poročilo v PDF zaklene svoj zaključek znotraj slike:
Analiziraj ta graf. Katere so glavne trende
in kakšne zaključke lahko potegnemo?
V isto zahtevo lahko pošlješ tudi več slik, da jih Grok primerja, s čimer se pregled oblike spremeni v pogovor:
Tukaj sta dve različici oblike. Katere so
glavne razlike med njima?
Končno oblikovalci in razvijalci ta vid uporabljajo na lastnih zaslonih in namesto opisa zahtevajo kritiko uporabnosti:
Analiziraj ta posnetek zaslona mobilne aplikacije.
Katere težave z uporabnostjo opaziš?
Nastavitev ravni podrobnosti
Prek API-ja parameter detail nadzoruje globino analize slike in sprejema tri vrednosti:
- auto: model izbere ustrezno raven (privzeto)
- low: hitra, poceni analiza, ki porabi manj žetonov
- high: podrobna, poglobljena analiza, ki porabi več žetonov
Ta nastavitev tehtata natančnost proti stroškom, od primera do primera. Za preprost OCR na računu je low dovolj in zniža stroške pri tisočih dokumentih; za fino umetniško analizo ali gost grafikon pa high prepreči napake pri branju.
Omejitve, ki jih moraš poznati
| Omejitev | Vrednost |
|---|---|
| Največja velikost | 20 MiB na sliko |
| Sprejeti formati | Samo JPG, JPEG in PNG |
| Število slik | Ni omejitve na zahtevo |
| Poraba žetonov | Med 256 in 1.792 žetoni, odvisno od velikosti in ravni podrobnosti |
Nekaj navad ti bo pomagalo iz teh zmožnosti izvleči največ. Svojo zahtevo oblikuj namesto, da bi prosil za splošen opis: „koliko artiklov je na tej sliki zaslona razprodanih” je bolje kot „opiši to sliko”. Spremeni velikost velikih datotek, ki upočasnijo obdelavo, ne da bi dodale kaj vrednega. Vedno priloži besedilno sporočilo k sliki, saj kontekst opazno izboljša ustreznost odgovora. In sledi logiki formatov: JPG za fotografije, PNG za posnetke zaslona in vsako vizualno vsebino, ki vsebuje besedilo, saj stiskanje JPG zamegli fine znake in povzroči napake pri OCR.
Ključne ugotovitve
- Modeli grok-4.5 in novejši lahko analizirajo slike, podane kot vhodni podatek
- Primeri uporabe vključujejo opis, OCR, analizo grafikonov in primerjavo
- Slike lahko podaš prek URL-ja ali v base64
- Nastavitev podrobnosti ti omogoča nadzor ravnovesja med natančnostjo in stroški
- Največja velikost je 20 MiB, samo v formatih JPG in PNG