Was von einem Bild im Index landet, wann der Chat das Bild selbst unter der Quellenangabe zeigt, und welche Bilddateien eine Datenquelle liest
„Kann meine KI mit Bildern arbeiten?" sind in Wahrheit drei Fragen mit drei verschiedenen Antworten. Kläre zuerst, welche Du meinst — sonst suchst Du den Fehler an der falschen Stelle.
| Was Du willst | Geht das? | Der Weg |
|---|---|---|
| Der Assistent soll den Inhalt eines Bildes kennen und danach suchen können | Ja | Bild in einem Dokument ablegen — siehe unten |
| Der Assistent soll das Bild im Chat anzeigen | Ja, automatisch unter der Quellenangabe | Bilder im Chat |
| Der Nutzer soll die Originaldatei öffnen und selbst hineinsehen | Ja, bei Cloud-Datenquellen ohne frühere Einschränkung | Die Originaldatei öffnen |
Achtung
Eine Cloud-Datenquelle liest lose PNG-, JPG-, GIF- und WEBP-Dateien, aber keine TIFF-, BMP- oder SVG-Dateien. Diese werden beim Sync übersprungen und erscheinen weder in der Dateiliste noch als Fehler im Protokoll. Das sieht aus wie ein Konfigurationsfehler und ist keiner. Details: Lose Bilddateien. Ein Outpost verhält sich hier anders, siehe unten.
Bilder innerhalb von Dokumenten werden gelesen. Ein Vision-Modell sieht sich die Bilder an und schreibt, was darauf steht, als Text in den Suchindex.
| Wo das Bild liegt | Wird gelesen |
|---|---|
In einer .docx oder .pptx | Ja |
| In einer PDF — eingebettete Abbildungen, dazu Seiten mit als Vektorgrafik gezeichneten Zeichnungen oder Tabellen | Ja |
In einer .odt | Nein — nur der Text |
Was das Modell dabei tut:
Ein Outpost arbeitet ohne Vision-Modell. Er liest den Text in Bildern per klassischer Texterkennung — in Word- und PowerPoint-Dateien ebenso wie in eigenständigen Bilddateien (PNG, JPG, TIFF, BMP, WEBP, HEIC), auch in TIFF, BMP und HEIC, die eine Cloud-Datenquelle überspringt. Eine Beschreibung von Fotos, Diagrammen oder Zeichnungen entsteht dabei nicht, auf Zeichnungen und Scans schneidet die Texterkennung deutlich schlechter ab, und Bilder erscheinen nicht im Chat.
Zeilen, die nach Rauschen der Texterkennung aussehen, übernimmt der Outpost nicht in den Index; der Text des Dokuments selbst bleibt dabei vollständig erhalten. Liest die Texterkennung eine Seite eines Scans oder eine Bilddatei nicht verlässlich, etwa eine auf dem Kopf stehende Seite, meldet der Outpost die Datei als fehlgeschlagen. Eine zuvor indexierte Fassung der Datei bleibt dann durchsuchbar. Was er außer Bildern aus Word- und PowerPoint-Dateien liest: Was gelesen wird, und was nicht.
Zu jedem Bild, das das Vision-Modell gelesen hat, legt MeinGPT eine Kopie ab. Zitiert eine Antwort eine Textstelle, die ein solches Bild beschreibt, zeigt der Chat das Bild als Vorschaubild unter der Antwort — mit der Nummer der Quellenangabe, zu der es gehört. Ein Klick öffnet die Quellenvorschau an der zitierten Stelle, mit dem Bild groß darüber.
Fragst Du etwa „Wie sieht die Spannvorrichtung aus?" und steht in der Betriebsanleitung ein Foto mit der Unterschrift „Abb. 1: Spannvorrichtung SV-200", erscheint das Foto unter der Antwort.
Hinweis
Voraussetzungen. Bilder im Chat erscheinen bei jeder Cloud-Datenquelle, für alle, die die Quelle nutzen dürfen — außer bei Quellen, die früher auf Nur Textausschnitte oder Nur Text eingeschränkt wurden, siehe Quellenangaben in Antworten. Wer die Quelle nicht sehen darf, sieht auch ihre Bilder nicht. Bilder werden beim Einlesen abgelegt: Eine Datei, die vor dieser Funktion eingelesen und seither nicht geändert wurde, zeigt ihre Bilder erst, wenn sie neu eingelesen wird — ändere sie, oder bitte den Support, die Datenquelle neu einlesen zu lassen.
Die abgelegten Bilder zählen zum Speicherkontingent Deines Workspace. Ein Bild, das in mehreren Dateien derselben Datenquelle vorkommt, wird nur einmal gespeichert und nur einmal gezählt. Wird eine Datei gelöscht, zeigt der Chat ihre Bilder sofort nicht mehr; die Kopien selbst werden spätestens einen Tag nach dem nächsten Sync entfernt, mit der Datenquelle sofort.
Für einen überschaubaren, gepflegten Bestand, der nicht in Dokumenten steht — Explosionszeichnungen, Einbaulagen, Typenschilder als einzelne Dateien —, bleibt ein Skill der Weg: Bilddateien mit einer SKILL.md in ein .zip (höchstens 50 MB je Paket, 20 Pakete je Assistent), im Assistenten-Editor im Bereich Skills hochladen und im System-Prompt sagen, wann welches Bild gezeigt wird. Der Bereich setzt die Code-Sandbox voraus.
Eine Cloud-Datenquelle liest JPG-, PNG-, GIF- und WEBP-Dateien wie Dokumente, ohne dass Du etwas einschalten musst: Das Vision-Modell beschreibt jede Bilddatei, die Beschreibung ist durchsuchbar, die Datei erscheint normal in der Dateiliste und im Zähler, und der Chat zeigt das Bild unter der Quellenangabe. Es gelten dieselben Grenzen wie für eingebettete Bilder, höchstens 10 MB je Bild. TIFF, BMP und SVG werden übersprungen.
Eine neue Datenquelle liest Bilddateien vom ersten Sync an. Datenquellen, die es schon gab, bevor Bilddateien gelesen wurden, kommen nach und nach an die Reihe — ein paar pro Viertelstunde, damit nicht alle gleichzeitig ihre Bilder laden; bis dahin weist der Tab Dateien die Bilder als noch nicht gelesen aus. Ist eine Quelle an der Reihe, holt der nächste Sync ihre Bilddateien nach — bei OneDrive und Google Drive einmalig mit einem vollständigen Abgleich, der etwas länger dauert. Bei SharePoint erscheinen sie erst, wenn sie geändert werden; sonst bitte den Support, die Datenquelle neu einlesen zu lassen.
Soll ein Ordner voller Fotos oder Screenshots nicht durchsucht werden, verbinde ihn nicht mit der Datenquelle: Jede Bilddatei kostet beim Einlesen einen Modellaufruf und zählt zum Speicherkontingent.
Die Regel dahinter ist simpel: das Modell schreibt nur, was zu sehen ist. Danach richtet sich alles Weitere.
Ein Bild je Abschnitt, mit Überschrift und Bildunterschrift
Der Text um das Bild herum trägt die Datei — er ist es, worüber die Suche das Bild findet. „Abb. 4: Spannschiene, Modell XY, Einbaulage" macht ein Bild auffindbar, das ohne Unterschrift nur als „eine Metallschiene an schwarzem Gewebe" im Index steht. Eine Bildunterschrift in dieser Form zeigt der Chat auch zum Bild an.
Was das Bild identifiziert, muss im Bild oder direkt daneben stehen
Positionsnummern mit Legende, Typenschild, Maßtabelle, beschriftete Achsen. Ein Detailfoto ohne jede Beschriftung lässt sich beschreiben, aber nicht zuordnen — und das Modell soll die Zuordnung ausdrücklich nicht erraten.
Zeichnungen und Scans in ordentlicher Auflösung
Gelesen wird, was lesbar ist. Unleserliche Stellen werden als solche markiert statt geraten, und eine 96-dpi-Bildschirmkopie einer Maßtabelle verliert genau die Zahlen, wegen derer sie im Index sein soll.
Keine Sammelseiten
Zwölf Details auf einer Seite ergeben eine Beschreibung für zwölf Sachverhalte. Eine Seite je Detail liefert zwölf gezielt auffindbare Abschnitte — und zwölf Bilder, die der Chat einzeln zeigen kann.
Prüfen statt hoffen
In der Datenquelle im Tab Übersicht unter Ausprobieren eine echte Frage stellen und ansehen, aus welchem Dokument und welcher Textstelle die Treffer kommen. Das ist der einzige belastbare Nachweis, dass ein Bildinhalt wirklich im Index steht.
Jede Quellenangabe in einer Antwort lässt sich anklicken und zeigt die Fundstelle. Die Datei selbst öffnen oder herunterladen — etwa um eine Zeichnung am Original zu prüfen — geht bei jeder Cloud-Datenquelle für alle, die die Quelle nutzen dürfen — außer bei Quellen, die früher auf Nur Textausschnitte oder Nur Text eingeschränkt wurden, siehe Quellenangaben in Antworten. Bei einem Outpost nur, wenn der Ordner in der Outpost-App auf Text und Originaldateien steht; voreingestellt ist Nur Text. Mehr dazu: Freigabestufe.
Damit Du nicht danach suchst:
Was dagegen jederzeit geht: ein Bild im Chat anhängen. Praktisch alle aktuellen Flaggschiff-Modelle nehmen JPEG, PNG, GIF und WEBP als Anhang entgegen — siehe Modelle.