xAI/grok-4.5-image-to-text

grok-4.5-image-to-text

Dùng thử miễn phí API chuyển hình ảnh thành văn bản Grok 4.5 do X-AI cung cấp cho hỏi đáp trực quan, OCR, phân tích hình ảnh và suy luận đa phương thức thông qua Flaq AI.

Image Chat

Mô hình Grok 4.5 liên quan

grok-4.5-text-to-texttext-to-text

grok-4.5-image-to-textimage-to-text

Tài liệu

Ví dụ API

JavaScriptPythoncURL

Ví dụ gửi yêu cầu

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);
    }
  }
}

Ví dụ gửi yêu cầu

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)

Ví dụ gửi yêu cầu

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
  }'

Bắt đầu cuộc chat mới

Gửi tin nhắn để bắt đầu.

Giá Grok 4.5 Image to Text

Tham số	Giá	Giá gốc	Giảm giá

Token: input	$1.8000 mỗi 1 triệu token đầu vào	$2.0000 mỗi 1 triệu token đầu vào	90%
Token: output	$5.4000 mỗi 1 triệu token đầu ra	$6.0000 mỗi 1 triệu token đầu ra	90%

README

API Grok 4.5 Image-to-Text cho khả năng hiểu hình ảnh

API Grok 4.5 Image-to-Text cung cấp một phương thức chuyên biệt để sử dụng mô hình Grok 4.5 đa phương thức của xAI nhằm hiểu hình ảnh thông qua Flaq AI. Gửi một hình ảnh được hỗ trợ kèm theo hướng dẫn văn bản tùy chọn và nhận phản hồi dạng văn bản dựa trên ngữ cảnh trực quan. Tuyến Flaq AI hiện tại được thiết kế để phân tích một hình ảnh, trả lời câu hỏi về hình ảnh và hội thoại dựa trên hình ảnh mà không ngụ ý hỗ trợ tệp đính kèm thông thường hoặc tạo hình ảnh.

Các tính năng chính của API Grok 4.5 Image-to-Text

Phản hồi văn bản dựa trên hình ảnh: Cung cấp hình ảnh làm ngữ cảnh và nhận phản hồi bằng ngôn ngữ tự nhiên mô tả hoặc lập luận về nội dung nhìn thấy được.
Hướng dẫn văn bản tùy chọn: Thêm câu hỏi hoặc tác vụ để hướng mô hình đến các đối tượng, mối quan hệ, chi tiết hoặc văn bản cụ thể nhìn thấy trong hình ảnh.
Quy trình đầu vào một hình ảnh: Sử dụng một hình ảnh cho mỗi yêu cầu thông qua quy ước đầu vào hiện được cấu hình mô hình Flaq AI cung cấp.
Ngữ cảnh tin nhắn nhiều lượt: Bao gồm các tin nhắn hội thoại gần đây cho câu hỏi tiếp theo và thảo luận lặp lại xoay quanh ngữ cảnh trực quan đã gửi.
Hỗ trợ phản hồi truyền trực tuyến: Hiển thị dần đầu ra văn bản trong giao diện trò chuyện và phân tích có tiếp nhận các sự kiện phản hồi.
Kiểm soát độ dài đầu ra: Giới hạn độ dài phản hồi yêu cầu để phù hợp với chú thích ngắn gọn, câu trả lời tập trung hoặc phân tích chi tiết hơn.

Cách sử dụng API Grok 4.5 Image-to-Text trên Flaq AI

Đầu vào: Một hình ảnh được hỗ trợ, kèm hướng dẫn văn bản tùy chọn giải thích nội dung mô hình cần xem xét hoặc trả lời.
Đầu ra: Phản hồi dạng văn bản dựa trên hình ảnh đã gửi và ngữ cảnh tin nhắn đi kèm.
Ngữ cảnh: Có thể cung cấp các tin nhắn gần đây để hỗ trợ câu hỏi tiếp theo trong cửa sổ hội thoại được cấu hình.
Điều khiển: Có thể đặt độ dài đầu ra tối đa tùy chọn cho phản hồi được tạo.
Khả năng: Mô tả hình ảnh, trả lời câu hỏi trực quan, hỗ trợ văn bản nhìn thấy được và phân tích dựa trên hình ảnh thông qua giao diện trò chuyện được cấu hình.

Các trường hợp sử dụng tốt nhất khi tích hợp API Grok 4.5 Image-to-Text

Xem xét nội dung trực quan: Tạo mô tả hoặc bản tóm tắt ban đầu cho hình ảnh được gửi trong các quy trình biên tập và nội dung.
Trả lời câu hỏi dựa trên hình ảnh: Cho phép người dùng đặt câu hỏi cụ thể về vật thể, cảnh, mối quan hệ hoặc chi tiết nhìn thấy trong một hình ảnh.
Hỗ trợ văn bản nhìn thấy được: Yêu cầu phiên âm hoặc diễn giải văn bản có thể đọc được, đồng thời vẫn duy trì đánh giá của con người đối với việc trích xuất yêu cầu độ chính xác cao.
Phân loại sơ bộ sản phẩm và tài nguyên: Tạo mô tả ban đầu hoặc phân loại tài nguyên trực quan dựa trên thông tin nhìn thấy trong hình ảnh.
Soạn thảo nội dung trợ năng: Tạo bản nháp văn bản thay thế hoặc mô tả hình ảnh để biên tập viên xem xét và tinh chỉnh trước khi xuất bản.

Lưu ý Việc diễn giải hình ảnh và trích xuất văn bản nhìn thấy được có thể không đầy đủ hoặc không chính xác, đặc biệt với văn bản nhỏ, cảnh mơ hồ, hình ảnh chất lượng thấp hoặc nội dung chuyên biệt. Hãy xem xét các kết quả quan trọng trước khi sử dụng. Tuyến này hỗ trợ một hình ảnh và không cung cấp đầu vào tệp thông thường hoặc tạo hình ảnh.

Grok 4.5 Image-to-Text so với các lựa chọn khác: Phân tích so sánh

Grok 4.5 Image-to-Text so với Grok 4.5 Text-to-Text Image-to-Text tiếp nhận ngữ cảnh trực quan và trả về văn bản, trong khi Text-to-Text là lựa chọn trực tiếp hơn cho các yêu cầu không chứa hình ảnh.
Grok 4.5 Image-to-Text so với OCR chuyên dụng Các hệ thống OCR chuyên dụng được xây dựng có mục đích cho việc trích xuất văn bản xác định và quy trình xử lý tài liệu. Grok 4.5 có thể thảo luận về nội dung và văn bản nhìn thấy trong ngữ cảnh, nhưng không nên được xem là sự thay thế được đảm bảo cho OCR trong các tác vụ yêu cầu độ chính xác cao.
Grok 4.5 Image-to-Text so với các mô hình tạo chú thích hình ảnh Các mô hình tạo chú thích thường nhắm đến mô tả ngắn. Quy trình trò chuyện đa phương thức cũng có thể phản hồi câu hỏi do người dùng cung cấp, dù chất lượng đầu ra vẫn phụ thuộc vào hình ảnh và hướng dẫn.
Grok 4.5 Image-to-Text so với các API LLM đa phương thức khác Các API đa phương thức hàng đầu khác nhau về giới hạn đầu vào, hành vi mô hình, độ trễ và tính năng nền tảng. Hãy đánh giá chúng bằng những hình ảnh đại diện và tiêu chí chấp nhận theo từng tác vụ trước khi chọn nhà cung cấp.
Grok 4.5 Image-to-Text so với các mô hình thị giác tự lưu trữ Mô hình thị giác tự lưu trữ cho phép kiểm soát triển khai nhưng làm tăng công việc về cơ sở hạ tầng và bảo trì. Flaq AI cung cấp tuyến trò chuyện một hình ảnh được quản lý cho các nhóm muốn truy cập Grok 4.5 dưới dạng dịch vụ lưu trữ.