ทดลองใช้ Grok 4.5 Image-to-Text API ที่ขับเคลื่อนโดย X-AI ได้ฟรี สำหรับการถามตอบเกี่ยวกับภาพ, OCR, การวิเคราะห์ภาพ และการให้เหตุผลแบบมัลติโมดัลผ่าน Flaq AI พร้อมเปลี่ยนภาพให้เป็นข้อมูลเชิงลึกที่นำไปใช้ได้
โมเดล Grok 4.5 ที่เกี่ยวข้อง
ตัวอย่าง API
ตัวอย่างการส่งคำขอ
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);
}
}
}
ตัวอย่างการส่งคำขอ
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)
ตัวอย่างการส่งคำขอ
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
}'
ราคา Grok 4.5 Image to Text
| พารามิเตอร์ | ราคา | ราคาเดิม | ส่วนลด |
|---|
README
Grok 4.5 Image-to-Text API สำหรับความเข้าใจภาพ
Grok 4.5 Image-to-Text API มอบวิธีใช้งานโมเดล Grok 4.5 แบบหลายรูปแบบของ xAI เพื่อทำความเข้าใจรูปภาพผ่าน Flaq AI โดยเฉพาะ ส่งรูปภาพที่รองรับพร้อมคำสั่งข้อความตามต้องการ แล้วรับคำตอบข้อความตามบริบทเชิงภาพ เส้นทาง Flaq AI ปัจจุบันออกแบบมาสำหรับการวิเคราะห์ภาพเดียว การตอบคำถามเกี่ยวกับภาพ และการสนทนาที่อิงรูปภาพ โดยไม่สื่อว่ารองรับการแนบไฟล์ทั่วไปหรือการสร้างรูปภาพ
คุณสมบัติสำคัญของ Grok 4.5 Image-to-Text API
- คำตอบข้อความที่อิงรูปภาพ: ระบุรูปภาพเป็นบริบทและรับคำตอบภาษาธรรมชาติที่บรรยายหรือให้เหตุผลเกี่ยวกับเนื้อหาที่มองเห็น
- คำสั่งข้อความตามต้องการ: เพิ่มคำถามหรืองานเพื่อกำหนดให้โมเดลมุ่งไปยังวัตถุ ความสัมพันธ์ รายละเอียด หรือข้อความที่มองเห็นในรูปภาพโดยเฉพาะ
- เวิร์กโฟลว์อินพุตภาพเดียว: ใช้หนึ่งรูปภาพต่อคำขอผ่านข้อตกลงอินพุตที่การกำหนดค่าโมเดล Flaq AI เปิดให้ใช้ในปัจจุบัน
- บริบทข้อความหลายรอบ: ใส่ข้อความสนทนาล่าสุดสำหรับคำถามติดตามผลและการสนทนาแบบต่อเนื่องเกี่ยวกับบริบทเชิงภาพที่ส่งมา
- รองรับการสตรีมคำตอบ: แสดงเอาต์พุตข้อความแบบค่อยเป็นค่อยไปในอินเทอร์เฟซแชตและการวิเคราะห์ที่รับอีเวนต์คำตอบ
- การควบคุมความยาวเอาต์พุต: จำกัดความยาวคำตอบที่ต้องการให้เหมาะกับคำบรรยายสั้น ๆ คำตอบที่เจาะจง หรือการวิเคราะห์ที่ละเอียดขึ้น
วิธีใช้ Grok 4.5 Image-to-Text API บน Flaq AI
- อินพุต: รูปภาพที่รองรับหนึ่งภาพ พร้อมคำสั่งข้อความตามต้องการที่อธิบายสิ่งที่โมเดลควรตรวจสอบหรือตอบ
- เอาต์พุต: คำตอบข้อความที่อิงกับรูปภาพที่ส่งมาและบริบทข้อความประกอบ
- บริบท: สามารถระบุข้อความล่าสุดเพื่อรองรับคำถามติดตามผลภายในหน้าต่างการสนทนาที่กำหนดค่าไว้
- การควบคุม: สามารถกำหนดความยาวเอาต์พุตสูงสุดสำหรับคำตอบที่สร้างขึ้นได้ตามต้องการ
- ความสามารถ: การบรรยายรูปภาพ การตอบคำถามเกี่ยวกับภาพ ความช่วยเหลือด้านข้อความที่มองเห็น และการวิเคราะห์ที่อิงรูปภาพผ่านอินเทอร์เฟซแชตที่กำหนดค่าไว้
กรณีใช้งานที่เหมาะสมที่สุดสำหรับการผสานรวม Grok 4.5 Image-to-Text API
- การตรวจสอบเนื้อหาภาพ: สร้างคำบรรยายหรือบทสรุปเบื้องต้นของรูปภาพที่ส่งมาสำหรับเวิร์กโฟลว์ด้านบรรณาธิการและเนื้อหา
- การตอบคำถามจากรูปภาพ: ให้ผู้ใช้ถามคำถามที่เจาะจงเกี่ยวกับวัตถุ ฉาก ความสัมพันธ์ หรือรายละเอียดที่มองเห็นในรูปภาพหนึ่งภาพ
- ความช่วยเหลือด้านข้อความที่มองเห็น: ขอให้ถอดความหรือตีความข้อความที่อ่านได้ โดยยังคงให้มนุษย์ตรวจสอบสำหรับการดึงข้อมูลที่ต้องการความแม่นยำสูง
- การคัดแยกผลิตภัณฑ์และแอสเซ็ต: สร้างคำบรรยายเบื้องต้นหรือจัดหมวดหมู่แอสเซ็ตภาพตามข้อมูลที่มองเห็นในรูปภาพ
- การร่างเพื่อการเข้าถึง: สร้างข้อความแสดงแทนหรือคำบรรยายรูปภาพฉบับร่างที่บรรณาธิการสามารถตรวจสอบและปรับแต่งก่อนเผยแพร่
หมายเหตุ การตีความรูปภาพและการดึงข้อความที่มองเห็นอาจไม่สมบูรณ์หรือไม่ถูกต้อง โดยเฉพาะเมื่อมีข้อความขนาดเล็ก ฉากที่กำกวม รูปภาพคุณภาพต่ำ หรือเนื้อหาเฉพาะทาง โปรดตรวจสอบผลลัพธ์สำคัญก่อนใช้งาน เส้นทางนี้รองรับหนึ่งรูปภาพและไม่เปิดให้ใช้อินพุตไฟล์ทั่วไปหรือการสร้างรูปภาพ
Grok 4.5 Image-to-Text เทียบกับทางเลือกอื่น: การวิเคราะห์เปรียบเทียบ
-
Grok 4.5 Image-to-Text เทียบกับ Grok 4.5 Text-to-Text Image-to-Text รับบริบทเชิงภาพและส่งคืนข้อความ ส่วน Text-to-Text เป็นตัวเลือกที่ตรงไปตรงมากว่าสำหรับคำขอที่ไม่มีรูปภาพ
-
Grok 4.5 Image-to-Text เทียบกับ OCR โดยเฉพาะ ระบบ OCR โดยเฉพาะสร้างขึ้นเพื่อการดึงข้อความแบบกำหนดผลลัพธ์ได้และไปป์ไลน์เอกสาร Grok 4.5 สามารถสนทนาเกี่ยวกับเนื้อหาและข้อความที่มองเห็นตามบริบทได้ แต่ไม่ควรถูกมองว่าเป็นสิ่งทดแทน OCR ที่รับประกันได้สำหรับงานที่ต้องการความแม่นยำสูง
-
Grok 4.5 Image-to-Text เทียบกับโมเดลสร้างคำบรรยายภาพ โมเดลสร้างคำบรรยายมักมุ่งเน้นคำอธิบายสั้น ๆ เวิร์กโฟลว์แชตแบบหลายรูปแบบยังสามารถตอบคำถามที่ผู้ใช้ระบุได้ แต่คุณภาพเอาต์พุตยังขึ้นอยู่กับรูปภาพและคำสั่ง
-
Grok 4.5 Image-to-Text เทียบกับ Multimodal LLM API อื่น ๆ Multimodal API ชั้นนำแตกต่างกันในด้านขีดจำกัดอินพุต พฤติกรรมโมเดล เวลาแฝง และคุณสมบัติแพลตฟอร์ม ควรประเมินด้วยรูปภาพตัวแทนและเกณฑ์การยอมรับเฉพาะงานก่อนเลือกผู้ให้บริการ
-
Grok 4.5 Image-to-Text เทียบกับโมเดลวิชันที่โฮสต์เอง โมเดลวิชันที่โฮสต์เองให้การควบคุมการปรับใช้ แต่เพิ่มภาระด้านโครงสร้างพื้นฐานและการบำรุงรักษา Flaq AI มอบเส้นทางแชตภาพเดียวแบบมีการจัดการสำหรับทีมที่ต้องการเข้าถึง Grok 4.5 ผ่านบริการโฮสต์