Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Prompter multimodala

Lektion 9 av 14 Uppdaterad 30 juli 2026 Nybörjare
På denna sida
  1. Text och bilder i samma prompt
  2. Skicka en bild till Grok
  3. Parametern detail: styr noggrannheten
  4. Bildkällor
  5. Praktiska användningsfall
  6. Viktiga tekniska begränsningar
  7. Skriva en bra multimodal prompt
  8. Praktisk övning
  9. Viktiga punkter

Text och bilder i samma prompt

Grok 4.5 och senare modeller kan analysera bilder utöver text. Denna multimodala förmåga öppnar upp för en mängd möjligheter: bildbeskrivning, OCR, diagramanalys, visuell jämförelse och mer.

Genom att bemästra multimodala prompter kan du använda Grok som en visuell assistent utöver att vara en textassistent.

Skicka en bild till Grok

Med Responses API (huvudendpoint) integreras bilder i fältet input som typade objekt:

{
  "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."}
  ]
}

Med Chat Completions API (äldre endpoint) är strukturen något annorlunda:

{
  "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."}
    ]
  }]
}

Parametern detail: styr noggrannheten

Nivån på detaljgraden påverkar djupet i analysen och antalet tokens som konsumeras:

detail: low

Bilden bearbetas snabbt vid en reducerad upplösning. Använd detta läge för att:

  • Klassificera bilder (foto, illustration, diagram)
  • Beskriva generellt innehåll
  • Identifiera huvudobjekt
  • Sortera bilder efter kategori

Konsumtion: färre tokens, snabbare svar.

detail: high

Bilden analyseras i hög upplösning. Använd detta läge för att:

  • Läsa text i en bild (OCR)
  • Analysera detaljer i ett diagram eller diagram
  • Jämföra precisa visuella element
  • Upptäcka defekter eller anomalier

Konsumtion: fler tokens (mellan 256 och 1 792 beroende på storlek), långsammare svar.

detail: auto

Modellen väljer själv lämplig nivå. Detta är standardbeteendet.

Bildkällor

Direkt URL

Den enklaste metoden: ange en HTTPS-länk till bilden.

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

Base64 (data URI)

För bilder som inte är värdar online, koda dem i base64:

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

Denna metod är användbar för skärmdumpar, programmatiskt genererade bilder eller bilder från en bearbetningspipeline.

Praktiska användningsfall

OCR och textextrahering

{
  "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."}
  ]
}

Diagramanalys

{
  "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."}
  ]
}

Bildjämförelse

{
  "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."}
  ]
}

Analys av användargränssnitt

{
  "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."}
  ]
}

Viktiga tekniska begränsningar

  • Maximal storlek: 20 MB per bild
  • Format: Endast JPG, JPEG och PNG (ingen GIF, SVG eller WebP)
  • Ingen gräns för antalet bilder per begäran
  • xAI-tips: använd store: false i Responses API när du arbetar med bilder för att undvika fel relaterade till historiklagring

Skriva en bra multimodal prompt

Samma principer för tydlighet gäller, med specifika anpassningar för bilder:

  • Avisera bilden: berätta för modellen vad den kommer att se innan bilden visas
  • Var precis med uppgiften: “Beskriv denna bild” är vagt; “Extrahera data från stapeldiagrammet och returnera det i CSV” är precist
  • Styr uppmärksamheten: om bara en del av bilden intresserar dig, ange det (“Fokusera på det övre högra hörnet”)
  • Ange utdataformat: precis som med textprompter, ange om du förväntar dig JSON, en lista eller en tabell

Praktisk övning

Ta en skärmdump av en instrumentpanel, ett diagram eller ett dokument och skicka den till Grok med en specifik förfrågan. Testa med detail: low och sedan detail: high och jämför kvaliteten och hastigheten på svaren.

Viktiga punkter

  • grok-4.5+ modeller analyserar bilder utöver text
  • Parametern detail (low, auto, high) styr analysdjup och tokenkostnad
  • Bilder kan tillhandahållas via URL eller base64
  • Avisera bilden, var precis med uppgiften och ange utdataformat
  • Använd store: false för att undvika lagringsproblem med bilder
  • Accepterade format är begränsade till JPG, JPEG och PNG, med en maximal storlek på 20 MB