Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Večmodalni pozivi

Lekcija 9 od 14 Posodobljeno 30. julij 2026 Začetnik
Na tej strani
  1. Besedilo in slike v istem pozivu
  2. Pošiljanje slike modelu Grok
  3. Parameter detail: nadzor natančnosti
  4. Viri slik
  5. Praktični primeri uporabe
  6. Ključne tehnične omejitve
  7. Pisanje dobrega večmodalnega poziva
  8. Praktična vaja
  9. Ključne ugotovitve

Besedilo in slike v istem pozivu

Modeli Grok 4.5 in novejši lahko analizirajo slike poleg besedila. Ta večmodalna zmožnost odpira širok spekter možnosti: opisovanje slik, OCR, analizo grafikov, vizualno primerjavo in še več.

Obvladovanje večmodalnih pozivov ti omogoča, da Grok uporabljaš kot vizualnega asistenta poleg besedilnega asistenta.

Pošiljanje slike modelu Grok

Pri API-ju Responses (glavna končna točka) so slike vključene v polje input kot tipizirani objekti:

{
  "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 API-ju Chat Completions (starejša končna točka) je struktura nekoliko drugačna:

{
  "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: nadzor natančnosti

Raven podrobnosti vpliva na globino analize in število porabljenih žetonov:

detail: low

Slika se obdela hitro pri zmanjšani ločljivosti. Ta način uporabi za:

  • Razvrščanje slik (fotografija, ilustracija, diagram)
  • Opis splošne vsebine
  • Identifikacijo glavnih objektov
  • Razvrščanje slik po kategorijah

Poraba: manj žetonov, hitrejši odziv.

detail: high

Slika se analizira v visoki ločljivosti. Ta način uporabi za:

  • Branje besedila na sliki (OCR)
  • Analizo podrobnosti v grafu ali diagramu
  • Primerjavo natančnih vizualnih elementov
  • Zaznavanje napak ali anomalij

Poraba: več žetonov (med 256 in 1.792, odvisno od velikosti), počasnejši odziv.

detail: auto

Model sam izbere ustrezno raven. To je privzeto vedenje.

Viri slik

Neposredni URL

Najpreprostejša metoda: navedi povezavo HTTPS do slike.

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

Base64 (data URI)

Za slike, ki niso gostovane na spletu, jih kodiraj v base64:

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

Ta metoda je uporabna za posnetke zaslona, programsko ustvarjene slike ali slike iz obdelovalnega procesa.

Praktični primeri uporabe

OCR in ekstrakcija besedila

{
  "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."}
  ]
}

Analiza grafikov

{
  "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."}
  ]
}

Primerjava slik

{
  "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."}
  ]
}

Analiza uporabniškega vmesnika

{
  "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."}
  ]
}

Ključne tehnične omejitve

  • Največja velikost: 20 MB na sliko
  • Formati: samo JPG, JPEG in PNG (brez GIF, SVG ali WebP)
  • Brez omejitev glede števila slik na zahtevo
  • Nasvet xAI: pri delu s slikami v API-ju Responses uporabi store: false, da se izogneš napakam, povezanim s shranjevanjem zgodovine

Pisanje dobrega večmodalnega poziva

Uporabljajo se enaka načela jasnosti kot pri besedilu, s posebnostmi za slike:

  • Napovej sliko: modelu povej, kaj bo videl, preden mu pošlješ sliko
  • Bodi natančen pri nalogi: „Opiši to sliko” je nejasno; „Izloči podatke iz stolpčnega grafikona in jih vrni v CSV” je natančno
  • Usmeri pozornost: če te zanima le del slike, to označi („Osredotoči se na zgornji desni kot”)
  • Določi izhodni format: tako kot pri besedilnih pozivih navedi, ali pričakuješ JSON, seznam ali tabelo

Praktična vaja

Naredi posnetek zaslona nadzorne plošče, grafikona ali dokumenta in ga pošlji modelu Grok s specifično zahtevo. Preizkusi z detail: low in nato z detail: high ter primerjaj kakovost in hitrost odzivov.

Ključne ugotovitve

  • Modeli grok-4.5+ analizirajo slike poleg besedila
  • Parameter detail (low, auto, high) nadzira globino analize in strošek žetonov
  • Slike lahko priskrbiš prek URL-ja ali base64
  • Napovej sliko, bodi natančen pri nalogi in določi izhodni format
  • Uporabi store: false, da se izogneš težavam s shranjevanjem slik
  • Sprejeti formati so omejeni na JPG, JPEG in PNG, z največjo velikostjo 20 MB