xAI/grok-4.5-image-to-text

grok-4.5-image-to-text

Testen Sie die von X-AI unterstützte Grok 4.5 Image-to-Text API kostenlos für visuelle Fragen und Antworten, OCR, Bildanalysen und multimodales Reasoning über Flaq AI.

Image Chat

API-Beispiele

JavaScriptPythoncURL

Anfragebeispiel

const response = await fetch('https://api.flaq.ai/api/v1/chat/completions', {
  method: 'POST',
  headers: {
    Authorization: 'Bearer YOUR_API_KEY',
    Accept: 'text/event-stream',
    'Content-Type': 'application/json'
  },
  body: JSON.stringify({
    model: 'grok-4.5-image-to-text',
    messages: [
      {
        role: 'user',
        content: [
          { type: 'text', text: 'Describe the image and extract any visible text.' },
          {
            type: 'image_url',
            image_url: {
              url: 'https://example.com/sample-image.jpg'
            }
          }
        ]
      }
    ],
    stream: true,
    max_tokens: 2048
  })
});

const reader = response.body.getReader();
const decoder = new TextDecoder();
let buffer = '';
let assistantText = '';

while (true) {
  const { done, value } = await reader.read();
  if (done) break;

  buffer += decoder.decode(value, { stream: true });
  const frames = buffer.split('\n\n');
  buffer = frames.pop() || '';

  for (const frame of frames) {
    const lines = frame.split('\n').filter(Boolean);
    let eventName = 'message';
    const dataLines = [];

    for (const line of lines) {
      if (line.startsWith('event:')) {
        eventName = line.slice(6).trim();
      } else if (line.startsWith('data:')) {
        dataLines.push(line.replace(/^data:\s*/, ''));
      }
    }

    const raw = dataLines.join('\n').trim();
    if (raw === '[DONE]') {
      console.log('\nFinal text:', assistantText);
      continue;
    }

    let payload;
    try {
      payload = JSON.parse(raw);
    } catch {
      continue;
    }

    if (eventName === 'error' || payload.error) {
      const msg = payload.error?.message ?? payload.message ?? 'Chat request failed';
      throw new Error(msg);
    }

    const delta = payload.choices?.[0]?.delta;
    if (delta?.content) {
      assistantText += delta.content;
      console.log(assistantText);
    }
  }
}

Anfragebeispiel

import json
import requests

response = requests.post(
    'https://api.flaq.ai/api/v1/chat/completions',
    headers={
        'Authorization': 'Bearer YOUR_API_KEY',
        'Accept': 'text/event-stream',
        'Content-Type': 'application/json',
    },
    json={
        'model': 'grok-4.5-image-to-text',
        'messages': [
            {
                'role': 'user',
                'content': [
                    {'type': 'text', 'text': 'Describe the image and extract any visible text.'},
                    {
                        'type': 'image_url',
                        'image_url': {
                            'url': 'https://example.com/sample-image.jpg'
                        }
                    },
                ],
            }
        ],
        'stream': True,
        'max_tokens': 2048,
    },
    stream=True,
)

response.raise_for_status()

event_name = 'message'
assistant_text = ''

for raw_line in response.iter_lines(decode_unicode=True):
    if not raw_line:
        event_name = 'message'
        continue

    if raw_line.startswith('event:'):
        event_name = raw_line.replace('event:', '', 1).strip()
        continue

    if raw_line.startswith('data:'):
        raw_data = raw_line.replace('data:', '', 1).strip()
        if raw_data == '[DONE]':
            print('\nFinal text:', assistant_text)
            continue

        payload = json.loads(raw_data)

        if event_name == 'error' or payload.get('error'):
            error = payload.get('error') or payload
            raise RuntimeError(error.get('message', 'Chat request failed'))

        choices = payload.get('choices') or []
        if choices:
            delta = choices[0].get('delta') or {}
            content = delta.get('content')
            if content:
                assistant_text += content
                print(content, end='', flush=True)

Anfragebeispiel

curl -N -X POST "https://api.flaq.ai/api/v1/chat/completions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Accept: text/event-stream" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "grok-4.5-image-to-text",
    "messages": [
      {
        "role": "user",
        "content": [
          { "type": "text", "text": "Describe the image and extract any visible text." },
          {
            "type": "image_url",
            "image_url": {
              "url": "https://example.com/sample-image.jpg"
            }
          }
        ]
      }
    ],
    "stream": true,
    "max_tokens": 2048
  }'

Neuen Chat starten

Senden Sie eine Nachricht, um zu beginnen.

Preise für Grok 4.5 Image to Text

Parameter	Preis	Ursprünglicher Preis	Rabatt

Token: input	$1.8000 pro 1 Mio. Eingabe-Token	$2.0000 pro 1 Mio. Eingabe-Token	90%
Token: output	$5.4000 pro 1 Mio. Ausgabe-Token	$6.0000 pro 1 Mio. Ausgabe-Token	90%

README

Grok 4.5 Image-to-Text API für visuelles Verständnis

Die Grok 4.5 Image-to-Text API bietet eine fokussierte Möglichkeit, das multimodale Modell Grok 4.5 von xAI über Flaq AI für das Bildverständnis zu nutzen. Senden Sie ein unterstütztes Bild mit einer optionalen Textanweisung und erhalten Sie eine Textantwort auf Grundlage des visuellen Kontexts. Die aktuelle Flaq-AI-Route ist für die Analyse einzelner Bilder, die Beantwortung visueller Fragen und bildgestützte Dialoge konzipiert, ohne eine Unterstützung für allgemeine Dateianhänge oder Bildgenerierung vorauszusetzen.

Hauptfunktionen der Grok 4.5 Image-to-Text API

Bildgestützte Textantworten: Stellen Sie ein Bild als Kontext bereit und erhalten Sie eine natürlichsprachliche Antwort, die sichtbare Inhalte beschreibt oder Schlussfolgerungen daraus zieht.
Optionale Textanweisungen: Fügen Sie eine Frage oder Aufgabe hinzu, um das Modell auf bestimmte Objekte, Beziehungen, Details oder sichtbare Texte im Bild auszurichten.
Arbeitsablauf mit einem einzelnen Bild: Verwenden Sie über den Eingabevertrag, den die Flaq-AI-Modellkonfiguration derzeit bereitstellt, ein Bild pro Anfrage.
Nachrichtenkontext über mehrere Gesprächsrunden: Beziehen Sie aktuelle Gesprächsnachrichten für Folgefragen und iterative Diskussionen rund um den eingereichten visuellen Kontext ein.
Unterstützung für Streaming-Antworten: Stellen Sie die Textausgabe in Chat- und Analyseoberflächen, die Antwortereignisse verarbeiten, schrittweise dar.
Steuerung der Ausgabelänge: Begrenzen Sie die gewünschte Antwortlänge für kurze Bildunterschriften, gezielte Antworten oder ausführlichere Analysen.

Verwendung der Grok 4.5 Image-to-Text API auf Flaq AI

Eingabe: Ein unterstütztes Bild mit optionalen Textanweisungen, die erläutern, was das Modell untersuchen oder beantworten soll.
Ausgabe: Eine Textantwort, die auf dem eingereichten Bild und dem zugehörigen Nachrichtenkontext basiert.
Kontext: Aktuelle Nachrichten können bereitgestellt werden, um Folgefragen innerhalb des konfigurierten Gesprächsfensters zu unterstützen.
Steuerung: Für die generierte Antwort kann optional eine maximale Ausgabelänge festgelegt werden.
Funktionen: Bildbeschreibung, Beantwortung visueller Fragen, Unterstützung bei sichtbarem Text und bildgestützte Analyse über die konfigurierte Chat-Schnittstelle.

Beste Anwendungsfälle für die Integration der Grok 4.5 Image-to-Text API

Prüfung visueller Inhalte: Erstellen Sie eine erste Beschreibung oder Zusammenfassung eines eingereichten Bildes für redaktionelle und inhaltsbezogene Arbeitsabläufe.
Bildbasierte Fragebeantwortung: Ermöglichen Sie Benutzern gezielte Fragen zu Objekten, Szenen, Beziehungen oder sichtbaren Details in einem Bild.
Unterstützung bei sichtbarem Text: Fordern Sie die Transkription oder Interpretation lesbarer Texte an und behalten Sie bei genauigkeitskritischen Extraktionen eine menschliche Prüfung bei.
Ersteinschätzung von Produkten und Assets: Erstellen Sie vorläufige Beschreibungen oder kategorisieren Sie visuelle Assets anhand der im Bild sichtbaren Informationen.
Entwürfe für Barrierefreiheit: Erstellen Sie Entwürfe für Alternativtexte oder Bildbeschreibungen, die Redakteure vor der Veröffentlichung prüfen und verfeinern können.

Hinweis Bildinterpretationen und die Extraktion sichtbarer Texte können unvollständig oder ungenau sein, insbesondere bei kleinem Text, mehrdeutigen Szenen, Bildern geringer Qualität oder spezialisierten Inhalten. Prüfen Sie wichtige Ergebnisse vor der Verwendung. Diese Route unterstützt ein Bild und stellt weder allgemeine Dateieingaben noch Bildgenerierung bereit.

Grok 4.5 Image-to-Text im Vergleich zu Alternativen: Vergleichsanalyse

Grok 4.5 Image-to-Text im Vergleich zu Grok 4.5 Text-to-Text Image-to-Text akzeptiert visuellen Kontext und gibt Text zurück, während Text-to-Text für Anfragen ohne Bild die direktere Wahl ist.
Grok 4.5 Image-to-Text vs. spezialisierte OCR Spezialisierte OCR-Systeme wurden gezielt für deterministische Textextraktion und Dokumentenpipelines entwickelt. Grok 4.5 kann sichtbare Inhalte und Texte im Kontext erörtern, sollte jedoch nicht als garantierter Ersatz für OCR bei genauigkeitskritischen Aufgaben betrachtet werden.
Grok 4.5 Image-to-Text vs. Modelle für Bildunterschriften Modelle für Bildunterschriften zielen häufig auf kurze Beschreibungen ab. Ein multimodaler Chat-Arbeitsablauf kann auch auf eine vom Benutzer gestellte Frage antworten, wobei die Ausgabequalität weiterhin vom Bild und der Anweisung abhängt.
Grok 4.5 Image-to-Text vs. andere multimodale LLM-APIs Führende multimodale APIs unterscheiden sich hinsichtlich Eingabegrenzen, Modellverhalten, Latenz und Plattformfunktionen. Bewerten Sie sie mit repräsentativen Bildern und aufgabenspezifischen Akzeptanzkriterien, bevor Sie einen Anbieter auswählen.
Grok 4.5 Image-to-Text vs. selbst gehostete Bildverarbeitungsmodelle Selbst gehostete Bildverarbeitungsmodelle ermöglichen Kontrolle über die Bereitstellung, verursachen jedoch zusätzlichen Infrastruktur- und Wartungsaufwand. Flaq AI bietet Teams, die einen gehosteten Zugriff auf Grok 4.5 bevorzugen, eine verwaltete Chat-Route für einzelne Bilder.