คู่มือ Claude Code
ตั้งค่าโมเดล Claude ของ Flaq AI และสำรวจสกิล Claude Code
ทดลองใช้ Grok 4.6 API โดย xAI สำหรับ Image-to-Text ถามตอบจากภาพ OCR วิเคราะห์ และสตรีมคำตอบหลายโมดัลผ่าน API ของ Flaq AI
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-4.6-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
})
});
if (!response.ok) {
const errorBody = await response.json().catch(() => null);
throw new Error(errorBody?.error?.message ?? errorBody?.message ?? `HTTP ${response.status}`);
}
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(/\r?\n\r?\n/);
buffer = frames.pop() || '';
for (const frame of frames) {
const lines = frame.split(/\r?\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);
}
}
}
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-4.6-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)
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-4.6-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
}'
| พารามิเตอร์ | ราคา | ราคาเดิม | ส่วนลด |
|---|
Grok 4.6 Image-to-Text API ผสานโมเดลข้อความที่เน้นการใช้เหตุผลของ xAI เข้ากับความเข้าใจภาพบน Flaq AI โดยเปิดให้ แอปพลิเคชันส่งอินพุตภาพที่เฉพาะเจาะจงพร้อมคำสั่ง แล้วรับข้อความที่อธิบาย ดึงข้อมูล เปรียบเทียบ หรือวิเคราะห์สิ่งที่อยู่ในภาพ การผสานรวม Grok Vision API นี้ออกแบบมาสำหรับเวิร์กโฟลว์ที่ต้องเปลี่ยนหลักฐานทางภาพ ให้เป็นคำตอบที่นำไปดำเนินการได้ ข้อสังเกตทางเทคนิค หรือขั้นตอนถัดไปที่มีโครงสร้าง
การวิเคราะห์โดยอิงจากภาพ: ถามคำถามเกี่ยวกับภาพที่ให้มาและรับคำตอบแบบข้อความซึ่งอ้างอิงจากรายละเอียดที่มองเห็นได้ การจัดวาง วัตถุ และบริบท
การใช้เหตุผลจากภาพเป็นข้อความ: ผสานภาพเข้ากับคำสั่งภาษาธรรมชาติเพื่อใช้ในการอธิบาย เปรียบเทียบ แก้ไขปัญหา และดำเนินเวิร์กโฟลว์เชิงวิเคราะห์
อินพุตภาพที่เฉพาะเจาะจง: ส่งอินพุตภาพตามที่กำหนดไว้สำหรับเส้นทางพร้อมคำสั่งงานที่ชัดเจน เพื่อให้ เวิร์กโฟลว์การถามคำถามเกี่ยวกับภาพผสานรวมได้ง่าย
ความช่วยเหลือในการตรวจสอบทางเทคนิค: ใช้บริบทภาพสำหรับตรวจสอบอินเทอร์เฟซ ตีความภาพหน้าจอ อธิบายไดอะแกรม คัดแยกข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์ และงานเอาต์พุตข้อความอื่น ๆ ที่คล้ายกัน
คำขอสนทนาที่ควบคุมได้: จับคู่คำถามเกี่ยวกับภาพกับบริบทข้อความที่มีโครงสร้าง เพื่อให้แอปพลิเคชัน ระบุกรอบของงาน ข้อกำหนดก่อนหน้า และพรอมต์ติดตามผลได้
ผลลัพธ์ที่เน้นข้อความ: รับข้อความที่สร้างขึ้นและพร้อมสำหรับการตรวจสอบ แสดงผล กำหนดเส้นทาง หรือใช้ในเวิร์กโฟลว์ขั้นต่อไป แทนที่จะใช้เส้นทางนี้เป็นตำแหน่งข้อมูลสำหรับสร้างภาพ
อินพุต: ภาพที่รองรับพร้อมคำขอภาษาธรรมชาติซึ่งอธิบายคำถาม เป้าหมายในการดึงข้อมูล หรือ งานวิเคราะห์
เอาต์พุต: คำตอบแบบข้อความที่บรรยาย อธิบาย เปรียบเทียบ หรือวิเคราะห์เนื้อหาภาพที่ให้มา
การส่งภาพ: ใช้รูปแบบคำขอของ Flaq AI ที่กำหนดไว้สำหรับอินพุตภาพในเวิร์กโฟลว์แอปพลิเคชันของคุณ
ความสามารถ: การวิเคราะห์ภาพหน้าจอ การตอบคำถามด้วยภาพ คำอธิบายที่อิงจากภาพ การตรวจสอบเนื้อหา และ การดึงรายละเอียด
การตรวจสอบภาพหน้าจอและ UI: อธิบายอินเทอร์เฟซ ระบุสถานะที่มองเห็น สรุปข้อเสนอแนะ หรือเปลี่ยนภาพหน้าจอ ให้เป็นคำอธิบายปัญหาที่นักพัฒนานำไปใช้ได้ทันที
ความช่วยเหลือด้านผลิตภัณฑ์และแค็ตตาล็อก: ดึงรายละเอียดผลิตภัณฑ์ที่สังเกตเห็นได้ สร้างร่างคุณลักษณะ และสนับสนุนการตรวจสอบ เนื้อหาภาพที่ส่งเข้ามาโดยมนุษย์
การคัดแยกงานสนับสนุนทางเทคนิค: ช่วยทีมตีความภาพหน้าจอข้อผิดพลาด ภาพถ่ายอุปกรณ์ หรือภาพการตั้งค่า ก่อนส่งต่อ กรณีดังกล่าวให้ผู้ปฏิบัติงาน
การอธิบายเอกสารและไดอะแกรม: เปลี่ยนแผนภูมิ ไดอะแกรม สไลด์ และข้อมูลอ้างอิงทางภาพให้เป็นข้อสังเกตแบบข้อความ ที่ชัดเจนและคำถามติดตามผล
การดำเนินงานด้านเนื้อหา: รองรับคิวการกลั่นกรอง การร่างเนื้อหาเพื่อการเข้าถึง และเวิร์กโฟลว์คำอธิบายภาพซึ่ง มนุษย์ยังคงเป็นผู้ตรวจสอบขั้นสุดท้าย
หมายเหตุ ควรตรวจสอบผลลัพธ์จากการทำความเข้าใจภาพก่อนนำไปใช้ในการตัดสินใจที่มีผลกระทบสูง มีความสำคัญต่อความปลอดภัย หรือเกี่ยวข้องกับกฎหมาย การแพทย์ และการเงิน อย่าใช้ข้อความที่สร้างขึ้นแทนการตรวจสอบจากผู้เชี่ยวชาญ
Grok 4.6 Image-to-Text เทียบกับ Grok 4.5 Image-to-Text
Grok 4.5 เป็นตัวเลือกที่มีการใช้งานแล้วสำหรับเวิร์กโฟลว์
การถามตอบด้วยภาพ ส่วน Grok 4.6 เป็นโมเดลรุ่นใหม่สำหรับทีมที่ประเมินความสามารถด้านการใช้เหตุผลที่แข็งแกร่งขึ้นเกี่ยวกับ
คำขอที่อิงจากภาพ
Grok 4.6 Image-to-Text เทียบกับ Gemini 3.7 Flash Image-to-Text
Gemini 3.7 Flash มีตระกูลโมเดลมัลติโมดัลที่มีประสิทธิภาพ
ส่วน Grok 4.6 Image-to-Text มีเส้นทางเฉพาะบน Flaq สำหรับทีมที่ต้องการทดสอบการใช้เหตุผลด้วยภาพของ xAI ใน
เวิร์กโฟลว์อินพุตภาพและเอาต์พุตข้อความ
Grok 4.6 Image-to-Text เทียบกับ GPT 5.6 Terra Image-to-Text
โมเดลด้านภาพของ GPT 5.6 Terra ถูกใช้กันทั่วไปสำหรับงานมัลติโมดัลอเนกประสงค์
Grok 4.6 เป็นทางเลือกที่มีประโยชน์เมื่อเวิร์กโฟลว์ให้ความสำคัญกับตระกูลโมเดลที่เน้นการใช้เหตุผลและการเขียนโค้ดของ xAI ควบคู่กับ
การวิเคราะห์ภาพ
Grok 4.6 Image-to-Text เทียบกับ Claude Vision
โมเดลด้านภาพของ Claude เหมาะกับงานด้านการอธิบายและ
เอกสาร Grok 4.6 Image-to-Text มอบอีกหนึ่งตัวเลือก API ให้นักพัฒนาสำหรับคำถามที่อิงจากภาพ
การตรวจสอบ และเวิร์กโฟลว์การปฏิบัติงาน
Grok 4.6 Image-to-Text เทียบกับ Gemini 3.6 Flash Image-to-Text
Gemini 3.6 Flash สร้างสมดุลระหว่างความสามารถมัลติโมดัลที่ครอบคลุม
กับการทำงานที่มีประสิทธิภาพ ส่วน Grok 4.6 เป็นตัวเลือกที่น่าประเมินเมื่อคำขอทางภาพยังต้องอาศัย
การใช้เหตุผลทางเทคนิคอย่างละเอียดในรูปแบบข้อความ
ตั้งค่าโมเดล Claude ของ Flaq AI และสำรวจสกิล Claude Code

ตั้งค่าโมเดล GPT ของ Flaq AI และสำรวจสกิล Codex
ใช้โมเดล LLM ของ Flaq AI ใน Hermes Agent
ใช้ GLM 5.2, Kimi K3 และ DeepSeek v4 ใน ZCode
เรียกใช้ DeepSeek Harness กับโมเดล DeepSeek ของ Flaq AI
เชื่อมต่อเอเจนต์ AI กับเครื่องมือสร้างรูปภาพและวิดีโอของ Flaq
ใช้ GPT 6 Astra และ Claude Fable 5.1 ใน WorkBuddy