Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Parametr detail: auto, low a high

Lekce 2 z 12 Aktualizováno 30. července 2026 Začátečník
Na této stránce
  1. Ovládání přesnosti analýzy
  2. Tři úrovně detailu
  3. Porovnání úrovní
  4. Syntaxe podle API
  5. Strategie optimalizace
  6. Klíčové poznatky

Ovládání přesnosti analýzy

Když odešleš obrázek modelu Grok, můžeš pomocí parametru detail řídit úroveň podrobnosti analýzy. Tento parametr přímo ovlivňuje kvalitu odpovědi, dobu zpracování a spotřebu tokenů.

Porozumění tomuto parametru je klíčové pro optimalizaci nákladů a přizpůsobení přesnosti každému případu použití.

Tři úrovně detailu

API xAI nabízí pro parametr detail tři hodnoty:

Auto (výchozí hodnota)

Pokud parametr detail nezadáš, model použije hodnotu auto. Automaticky vyhodnotí potřebnou úroveň detailu na základě obrázku a tvého promptu.

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

Toto je doporučené chování pro většinu případů použití. Model přizpůsobí svou strategii analýzy podle vnímané složitosti obrázku a položené otázky.

Low (rychlé a úsporné)

Režim low provádí rychlou analýzu obrázku s využitím menšího počtu tokenů. Je to ideální volba, když potřebuješ obecné pochopení obsahu bez zabíhání do jemných detailů.

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

Příklady použití pro low:

  • Klasifikace obsahu obrázku (krajina, portrét, dokument atd.)
  • Identifikace hlavního objektu na fotografii
  • Rychlé třídění dávky obrázků
  • Kontrola, zda obrázek splňuje jednoduché kritérium

High (pomalé a detailní)

Režim high vynucuje vyčerpávající analýzu obrázku. Model zkoumá každou zónu v maximálním rozlišení, což spotřebuje více tokenů, ale přináší mnohem přesnější popisy.

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

Příklady použití pro high:

  • Čtení jemného textu v obrázku (OCR)
  • Analýza grafů s podrobnými legendami
  • Detekce vad na fotografiích produktů
  • Zkoumání snímků obrazovky složitých rozhraní

Porovnání úrovní

Parametr Rychlost Tokeny Přesnost
auto Proměnná Proměnná Adaptivní
low Rychlá Méně tokenů Obecná
high Pomalá Více tokenů Detailní

Syntaxe podle API

Umístění parametru detail se liší v závislosti na použitém API.

Responses API (doporučeno)

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 (starší verze)

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."
            }
        ]
    }]
)

Všimni si, že u Chat Completions je parametr detail vnořený uvnitř objektu image_url, zatímco u Responses API se nachází na stejné úrovni jako image_url.

Strategie optimalizace

V produkčním prostředí je osvědčeným postupem přizpůsobit úroveň detailu typu úkolu:

def analyser_image(image_url, tache):
    # Jednoduché úkoly → low pro úsporu nákladů
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Složité úkoly → high pro přesnost
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # Výchozí → nech rozhodnout model
    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}"}
        ]
    )

Tento přístup ti umožní výrazně snížit náklady na tokeny u jednoduchých úkolů a zároveň zachovat maximální přesnost tam, kde je to nutné.

Klíčové poznatky

  • Parametr detail řídí hloubku analýzy obrázku
  • auto (výchozí) nechává rozhodnutí na modelu – toto je doporučená volba
  • low je rychlé a úsporné, vhodné pro úkoly klasifikace
  • high je pomalé, ale přesné, vhodné pro OCR a jemnou analýzu
  • Přizpůsob úroveň detailu typu úkolu pro optimalizaci nákladů