Jämförelse av flera bilder
På denna sida
Analysera flera bilder i en enda förfrågan
En av Grok Visions främsta styrkor är möjligheten att skicka ett obegränsat antal bilder i en enda förfrågan. Detta öppnar upp för unika möjligheter inom jämförelse, tidsmässig spårning och tväranalys som API:er för enstaka bilder inte kan erbjuda.
Struktur för förfrågan med flera bilder
Formatet är enkelt: lägg till så många input_image-objekt du behöver i input-arrayen, växlade med text för att styra analysen:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "Bild A:"},
{"type": "input_image", "image_url": url_image_a},
{"type": "input_text", "text": "Bild B:"},
{"type": "input_image", "image_url": url_image_b},
{"type": "input_text", "text": "Jämför dessa två bilder i detalj."}
]
)
Genom att märka varje bild med text (“Bild A”, “Bild B”) hjälper du modellen att strukturera sitt svar och tydligt referera till varje bild.
Användningsområde: Jämförelse före/efter
Perfekt för projektuppföljning, renovering, design eller kvalitetskontroll:
def comparer_avant_apres(url_avant, url_apres):
prompt = """Jämför dessa två bilder (före och efter) och identifiera:
1. De viktigaste förändringarna
2. Element som inte har förändrats
3. Synliga förbättringar
4. Eventuella problem som har uppstått
Presentera ditt svar som en strukturerad lista."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "FÖRE:"},
{"type": "input_image", "image_url": url_avant, "detail": "high"},
{"type": "input_text", "text": "EFTER:"},
{"type": "input_image", "image_url": url_apres, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Användningsområde: Tidsmässig spårning
Följ utvecklingen av en plats, produkt eller process över tid:
def analyser_evolution(images_chronologiques):
"""images_chronologiques: lista med {"url": ..., "date": ...}"""
input_data = []
for img in images_chronologiques:
input_data.append({
"type": "input_text",
"text": f"Foto från {img['date']}:"
})
input_data.append({
"type": "input_image",
"image_url": img["url"],
"detail": "auto"
})
input_data.append({
"type": "input_text",
"text": """Analysera den kronologiska utvecklingen som syns i
dessa bilder. Identifiera progressiva förändringar, trender
och eventuella anmärkningsvärda händelser mellan de olika datum."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response.output_text
Användningsområde: Kvalitetskontroll
Jämför en tillverkad produkt med dess referensmodell:
def controle_qualite(url_reference, url_produit):
prompt = """Jämför den fotograferade produkten med referensmodellen.
Identifiera:
1. Överensstämmelse (vad som matchar modellen)
2. Avvikelser (fel, defekter, skillnader)
3. Allvarlighetsgraden för varje avvikelse (mindre, större, kritisk)
Returnera en JSON med:
{
"compliant": true/false,
"score": 0-100,
"compliances": [...],
"non_compliances": [
{"description": "...", "severity": "minor|major|critical"}
]
}"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "REFERENS (förväntad modell):"},
{"type": "input_image", "image_url": url_reference, "detail": "high"},
{"type": "input_text", "text": "PRODUKT att kontrollera:"},
{"type": "input_image", "image_url": url_produit, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Användningsområde: Konkurrensanalys
Jämför gränssnitt, förpackningar eller produktresentationer från konkurrenter:
def analyser_concurrence(images_concurrents):
"""images_concurrents: [{"brand": "...", "url": "..."}]"""
input_data = []
for concurrent in images_concurrents:
input_data.append({
"type": "input_text",
"text": f"{concurrent['brand']}:"
})
input_data.append({
"type": "input_image",
"image_url": concurrent["url"],
"detail": "auto"
})
input_data.append({
"type": "input_text",
"text": """Jämför dessa konkurrenters produkter/gränssnitt.
Identifiera visuella styrkor och svagheter för var och en.
Ge en rekommendation för positionering."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response.output_text
Optimering av förfrågan med flera bilder
När du skickar många bilder ökar tokenförbrukningen snabbt. Här är några strategier för optimering:
Justera detaljnivån
Använd low för generella jämförelser och high endast när du analyserar fina detaljer:
# Global jämförelse: low räcker
detail = "low" # ~256 tokens per bild
# Defektanalys: high krävs
detail = "high" # ~1024-1792 tokens per bild
Begränsa antalet bilder per förfrågan
Även om det inte finns någon hård gräns, kan analyskvaliteten minska vid mer än 10–15 bilder. Modellen har ett ändligt sammanhang som måste fördelas över alla bilder:
# Om fler än 10 bilder, bearbeta i batchar
def analyser_par_lots(images, taille_lot=10):
resultats = []
for i in range(0, len(images), taille_lot):
lot = images[i:i + taille_lot]
resultat = analyser_lot(lot)
resultats.append(resultat)
return fusionner_resultats(resultats)
Ändra storlek på bilder
Om du jämför högupplösta foton för generell analys, ändra storlek på dem innan sändning för att reducera tokenanvändningen:
def preparer_pour_comparaison(chemin, taille_max=(800, 800)):
img = Image.open(chemin)
img.thumbnail(taille_max)
# ... koda till base64
Viktiga punkter
- Antalet bilder per förfrågan är obegränsat – detta är en nyckelfördel med xAI:s API
- Märk varje bild med text för att strukturera analysen
- Justera parametern
detailefter vilken typ av jämförelse du gör - Vid fler än 10–15 bilder, bearbeta i batchar för att behålla kvaliteten
- Användningsområden inkluderar: före/efter-jämförelser, tidsmässig spårning, kvalitetskontroll och konkurrensanalys