Премини към основното съдържание
Български— Изберете език
Меню

Параметър detail: auto, low и high

Урок 2 от 12 Обновен 30 юли 2026 г. Начинаещ
На тази страница
  1. Контрол на точността на анализа
  2. Трите нива на детайлност
  3. Сравнение на нивата
  4. Синтаксис по API
  5. Стратегия за оптимизация
  6. Ключови изводи

Контрол на точността на анализа

Когато изпращате изображение към Grok, можете да контролирате нивото на детайлност на анализа чрез параметъра detail. Този параметър директно влияе върху качеството на отговора, времето за обработка и потреблението на токени.

Разбирането на този параметър е от съществено значение за оптимизиране на разходите и съответствието на точността с всеки конкретен случай на употреба.

Трите нива на детайлност

xAI API предлага три стойности за параметъра detail:

Auto (стойност по подразбиране)

Когато не посочите параметъра detail, моделът използва auto. Той автоматично оценява необходимото ниво на детайлност въз основа на изображението и Вашата подкана (prompt).

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg"
}

Това е препоръчителното поведение за повечето случаи на употреба. Моделът адаптира своята стратегия за анализ според възприетата сложност на изображението и зададения въпрос.

Low (бързо и икономично)

Режимът low извършва бърз анализ на изображението, използвайки по-малко токени. Това е идеалният избор, когато имате нужда от общо разбиране, без да навлизате в фини детайли.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg",
  "detail": "low"
}

Случаи на употреба за low:

  • Класифициране на съдържанието на изображението (пейзаж, портрет, документ и др.)
  • Идентифициране на основния обект на снимка
  • Бързо сортиране на партида от изображения
  • Проверка дали дадено изображение отговаря на прост критерий

High (бавно и подробно)

Режимът high принуждава изчерпателен анализ на изображението. Моделът изследва всяка зона при максимална разделителна способност, което консумира повече токени, но произвежда много по-точни описания.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg",
  "detail": "high"
}

Случаи на употреба за high:

  • Четене на фин текст в изображение (OCR)
  • Анализ на графики с подробни легенди
  • Откриване на дефекти във продуктови снимки
  • Преглед на екранни снимки на сложни интерфейси

Сравнение на нивата

Параметър Скорост Токени Точност
auto Променлива Променливо Адаптивна
low Бърза По-малко токени Обща
high Бавна Повече токени Подробна

Синтаксис по API

Параметърът detail се поставя на различни места в зависимост от използваното API.

Responses API (препоръчително)

response = client.responses.create(
    model="grok-4.5",
    input=[
        {
            "type": "input_image",
            "image_url": "https://exemple.com/photo.jpg",
            "detail": "high"
        },
        {
            "type": "input_text",
            "text": "Read all visible text in this image."
        }
    ]
)

Chat Completions API (остаряло)

response = client.chat.completions.create(
    model="grok-4.5",
    messages=[{
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {
                    "url": "https://exemple.com/photo.jpg",
                    "detail": "high"
                }
            },
            {
                "type": "text",
                "text": "Read all visible text in this image."
            }
        ]
    }]
)

Имайте предвид, че при Chat Completions detail е вложено вътре в обекта image_url, докато при Responses API то е на същото ниво като image_url.

Стратегия за оптимизация

В производствена среда най-добрата практика е да адаптирате нивото на детайлност според вида на задачата:

def analyser_image(image_url, tache):
    # Прости задачи → low за спестяване на разходи
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Сложни задачи → high за точност
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # По подразбиране → оставете модела да реши
    else:
        detail = "auto"

    return client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": detail},
            {"type": "input_text", "text": f"Task: {tache}"}
        ]
    )

Този подход Ви позволява значително да намалите разходите за токени при прости задачи, като същевременно поддържате максимална точност там, където е необходимо.

Ключови изводи

  • Параметърът detail контролира дълбочината на анализа на изображението
  • auto (по подразбиране) позволява на модела да реши – това е препоръчителният избор
  • low е бърз и икономичен, подходящ за задачи по класификация
  • high е бавен, но точен, подходящ за OCR и детайлен анализ
  • Адаптирайте нивото на детайлност към вида на задачата, за да оптимизирате разходите