Förstå och analysera bilder
På denna sida
Groks syn
Grok är inte begränsat till text. Modellerna grok-4.5 och senare inkluderar visuella funktioner som låter dem analysera bilder du anger som indata. Du kan skicka in ett foto, en skärmdump, ett diagram eller vilket annat visuellt material som helst, så ger Grok dig en detaljerad beskrivning, en analys eller ett kontextuellt svar. Det flyttar gränsen för vad du kan lämna över: en fotograferad instrumentpanel, en skrynklig faktura eller en app-mockup blir användbara dokument, precis som text som klistras in i konversationen.
Hur du skickar in en bild
På grok.com tar det fyra steg:
- Klicka på fästknappen i inmatningsfältet
- Välj bilden från din enhet
- Lägg valfritt till ett textmeddelande för att styra analysen
- Skicka ditt meddelande
På mobilen kan du också ta ett foto direkt med telefonens kamera och skicka det till Grok för analys. Det är det snabbaste sättet när du står framför en skylt, en meny eller en skärm som du inte kan kopiera och klistra in.
För utvecklare skickar du bilder genom en blandad array av objekt i inmatningsfältet:
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"}
]
)
Du kan tillhandahålla bilder som en offentlig URL eller base64-kodad. Valet spelar roll: en offentlig URL kräver en bild som är någbar utifrån, vilket utesluter interna dokument; base64 gör begäran tyngre men är det enda alternativet för en konfidentiell fil.
Vad du faktiskt kan fråga
Beskrivning är den mest omedelbara användningen. Grok redogör för de objekt som finns, färgerna, kompositionen, stämningen samt personerna och deras uttryck. Du måste fortfarande formulera din begäran, annars får du en platt inventering:
Beskriv detta fotografi i detalj.
Vad är huvudmotivet och vilka sekundära
element lägger du märke till?
Textextrahering, eller OCR, är förmodligen den mest värdefulla användningen i vardagen. Grok läser och transkriberar text från foton av dokument, skärmdumpar, skyltar och affischer, restaurangmenyer och visitkort: alla fall där det tar flera minuter att skriva om informationen för hand. Att samtidigt begära formatering sparar en andra omgång:
Extrahera all synlig text i denna bild
och lägg upp den på ett läsbart sätt.
Att analysera diagram och scheman går bortom att bara läsa: Grok tolkar statistiska diagram, flödesscheman och tekniska ritningar och kan berätta vad de visar. Det är särskilt användbart när en PDF-rapport låser sin slutsats inuti en figur:
Analysera detta diagram. Vilka är de huvudsakliga trenderna
och vilka slutsatser kan vi dra?
Du kan också skicka in flera bilder i samma begäran så att Grok kan jämföra dem, vilket förvandlar en designgranskning till en konversation:
Här är två versioner av en design. Vilka är de
huvudsakliga skillnaderna mellan dem?
Slutligen använder designers och utvecklare denna syn på sina egna skärmar och ber om en användbarhetskritik snarare än en beskrivning:
Analysera denna skärmdump av en mobilapp.
Vilka användbarhetsproblem ser du?
Ställ in detaljnivån
Via API:t styr parametern detail hur djupt bilden analyseras och accepterar tre värden:
- auto: modellen väljer lämplig nivå (standard)
- low: snabb, billig analys som använder färre tokens
- high: detaljerad, djupgående analys som använder fler tokens
Denna inställning väger precision mot kostnad, från fall till fall. För enkel OCR på en faktura räcker low och sänker kostnaden över tusentals dokument; för fin konstnärlig analys eller ett tätt diagram undviker high feltolkningar.
Begränsningar att känna till
| Begränsning | Värde |
|---|---|
| Maximal storlek | 20 MiB per bild |
| Accepterade format | Endast JPG, JPEG och PNG |
| Antal bilder | Ingen gräns per begäran |
| Tokenanvändning | Mellan 256 och 1 792 tokens beroende på storlek och detaljnivå |
Några vanor får ut det mesta av dessa funktioner. Formulera din begäran istället för att be om en generell beskrivning: “hur många artiklar är slut i lager på denna skärmdump” slår “beskriv denna bild”. Ändra storlek på stora filer, vilket saktar ner bearbetningen utan att lägga till något värde. Inkludera alltid ett textmeddelande med bilden, eftersom kontext märkbart förbättrar svarets relevans. Och följ logiken för formaten: JPG för fotografier, PNG för skärmdumpar och allt visuellt innehållande text, eftersom JPG-komprimering suddar ut fina tecken och får OCR att misslyckas.
Viktiga punkter
- Modellerna grok-4.5 och senare kan analysera bilder som skickas in som indata
- Användningsområden inkluderar beskrivning, OCR, diagramanalys och jämförelse
- Du kan tillhandahålla bilder via URL eller i base64
- Inställningen för detaljnivå låter dig styra avvägningen mellan precision och kostnad
- Maximal storlek är 20 MiB, endast i formaten JPG och PNG