Prueba gratis la API de imagen a texto de Grok 4.5 con tecnología de X-AI para preguntas y respuestas visuales, OCR, análisis de imágenes y razonamiento multimodal a través de Flaq AI.
Modelos Grok 4.5 relacionados
Ejemplos de API
Ejemplo de envio
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);
}
}
}
Ejemplo de envio
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)
Ejemplo de envio
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
}'
Precios de Grok 4.5 Image to Text
| Parámetros | Precio | Precio original | Descuento |
|---|
Modelos relacionados
grok-4-text-to-texttext-to-textgrok-4-image-to-textimage-to-textgrok-4.5-text-to-texttext-to-textgrok-4.5-image-to-textimage-to-textgrok-imaginetext-to-imagegrok-imagine-editimage-to-imagegrok-imagine-text-to-videotext-to-videogrok-imagine-image-to-videoimage-to-videogrok-imagine-v1.5-image-to-videoimage-to-videoREADME
API Grok 4.5 Image-to-Text para comprensión visual
La API Grok 4.5 Image-to-Text ofrece una forma específica de utilizar el modelo multimodal Grok 4.5 de xAI para comprender imágenes mediante Flaq AI. Envía una imagen compatible con una instrucción de texto opcional y recibe una respuesta de texto basada en el contexto visual. La ruta actual de Flaq AI está diseñada para el análisis de una sola imagen, la respuesta a preguntas visuales y la conversación basada en imágenes, sin implicar compatibilidad con archivos adjuntos generales ni generación de imágenes.
Características principales de la API Grok 4.5 Image-to-Text
- Respuestas de texto basadas en imágenes: Proporciona una imagen como contexto y recibe una respuesta en lenguaje natural que describa o razone sobre el contenido visible.
- Instrucciones de texto opcionales: Añade una pregunta o tarea para dirigir el modelo hacia objetos, relaciones, detalles o texto visible concretos de la imagen.
- Flujo de entrada de una sola imagen: Utiliza una imagen por solicitud mediante el contrato de entrada que ofrece actualmente la configuración del modelo de Flaq AI.
- Contexto de mensajes de varios turnos: Incluye mensajes recientes de la conversación para preguntas de seguimiento y debates iterativos sobre el contexto visual enviado.
- Compatibilidad con respuestas en streaming: Representa progresivamente la salida de texto en interfaces de chat y análisis que consumen eventos de respuesta.
- Control de la longitud de salida: Limita la longitud de respuesta solicitada para adaptarla a pies de foto concisos, respuestas específicas o análisis más detallados.
Cómo usar la API Grok 4.5 Image-to-Text en Flaq AI
- Entrada: Una imagen compatible, con instrucciones de texto opcionales que expliquen qué debe examinar o responder el modelo.
- Salida: Una respuesta de texto basada en la imagen enviada y el contexto de mensajes asociado.
- Contexto: Se pueden proporcionar mensajes recientes para admitir preguntas de seguimiento dentro de la ventana de conversación configurada.
- Controles: Se puede establecer una longitud máxima de salida opcional para la respuesta generada.
- Capacidades: Descripción de imágenes, respuesta a preguntas visuales, asistencia con texto visible y análisis basado en imágenes mediante la interfaz de chat configurada.
Mejores casos de uso para integrar la API Grok 4.5 Image-to-Text
- Revisión de contenido visual: Genera una primera descripción o resumen de una imagen enviada para flujos de trabajo editoriales y de contenido.
- Respuesta a preguntas basadas en imágenes: Permite que los usuarios formulen preguntas específicas sobre objetos, escenas, relaciones o detalles visibles en una imagen.
- Asistencia con texto visible: Solicita la transcripción o interpretación de texto legible manteniendo la revisión humana en extracciones donde la precisión es crítica.
- Clasificación inicial de productos y recursos: Crea descripciones preliminares o clasifica recursos visuales según la información visible en la imagen.
- Redacción para accesibilidad: Produce borradores de texto alternativo o descripciones de imágenes que los editores puedan revisar y perfeccionar antes de publicar.
Nota Las interpretaciones de imágenes y la extracción de texto visible pueden ser incompletas o imprecisas, especialmente con texto pequeño, escenas ambiguas, imágenes de baja calidad o contenido especializado. Revisa los resultados importantes antes de utilizarlos. Esta ruta admite una imagen y no ofrece entrada de archivos generales ni generación de imágenes.
Grok 4.5 Image-to-Text frente a alternativas: análisis comparativo
-
Grok 4.5 Image-to-Text frente a Grok 4.5 Text-to-Text Image-to-Text acepta contexto visual y devuelve texto, mientras que Text-to-Text es la opción más directa para solicitudes que no contienen imágenes.
-
Grok 4.5 Image-to-Text frente a OCR especializado Los sistemas de OCR especializados están diseñados específicamente para la extracción determinista de texto y los flujos de procesamiento de documentos. Grok 4.5 puede analizar contenido visible y texto en contexto, pero no debe considerarse un sustituto garantizado del OCR cuando la precisión es crítica.
-
Grok 4.5 Image-to-Text frente a modelos de generación de pies de foto Los modelos de generación de pies de foto suelen centrarse en descripciones breves. Un flujo de chat multimodal también puede responder a una pregunta proporcionada por el usuario, aunque la calidad de la salida sigue dependiendo de la imagen y la instrucción.
-
Grok 4.5 Image-to-Text frente a otras API de LLM multimodales Las principales API multimodales difieren en límites de entrada, comportamiento del modelo, latencia y funciones de la plataforma. Evalúalas con imágenes representativas y criterios de aceptación específicos de la tarea antes de seleccionar un proveedor.
-
Grok 4.5 Image-to-Text frente a modelos de visión autoalojados Los modelos de visión autoalojados ofrecen control sobre la implementación, pero añaden trabajo de infraestructura y mantenimiento. Flaq AI ofrece una ruta de chat gestionada para una sola imagen destinada a equipos que prefieren acceso alojado a Grok 4.5.