Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Moderering, SDK-inkompatibiliteter og omkostningskontrol

Lektion 14 af 14 Opdateret 3. november 2026 Begynder
På denne side
  1. Forstå begrænsningerne i billede-API’et
  2. Indholdsmoderering
  3. Inkompatibilitet med OpenAI SDK til redigering
  4. Omkostningskontrol
  5. Endpoint til modelopdagelse
  6. Vigtige pointer
  7. Test din viden

Opdateret 2. november 2026 — Imagine. grok-imagine-image-quality blev fjernet den 2. november 2026 (dens anmodninger betjenes nu af Imagine 2.0 i low kvalitet): eksemplerne bruger nu grok-imagine-image (Imagine 1.0) og grok-imagine-image-2.0 (Imagine 2.0, low, medium eller auto kvalitet). Med OpenAI SDK sendes aspect_ratio, resolution og quality via extra_body, mens redigering sker gennem xAI SDK eller en HTTP-anmodning.

Forstå begrænsningerne i billede-API’et

For at bygge pålidelige applikationer med Grok-billedgenererings-API’et skal du kende dets begrænsninger: automatisk moderering, inkompatibilitet med visse OpenAI SDK-metoder og mekanismer til omkostningskontrol.

Indholdsmoderering

API’et modererer automatisk prompts og genererede billeder. Visse indholdstyper afvises:

  • Eksplicit voldeligt indhold eller gore
  • Eksplicit seksuelt indhold
  • Hadefuldt eller diskriminerende indhold
  • Indhold, der uhensigtsmæssigt involverer mindreårige

Når moderering udløses, returnerer API’et en fejl i stedet for et billede.

Håndtér afvisninger fra modereringen

import requests
import os

headers = {
    "Authorization": f"Bearer {os.getenv('XAI_API_KEY')}",
    "Content-Type": "application/json"
}

def generate_safe(prompt, **kwargs):
    """Generer et billede mens du håndterer afvisninger fra modereringen."""
    try:
        response = requests.post(
            "https://api.x.ai/v1/images/generations",
            headers=headers,
            json={"model": "grok-imagine-image", "prompt": prompt, **kwargs}
        )
        response.raise_for_status()
        return response.json()["data"][0]["url"]
    except requests.exceptions.HTTPError as e:
        if response.status_code == 400:
            print(f"Prompt afvist af moderering: {prompt[:50]}...")
            return None
        raise

Bedste praksis for moderering

I praksis skal du håndtere moderering proaktivt frem for reaktivt. Hvis et legitimt prompt blokeres, så test variationer for at identificere udløserordet – „epic battle” vil gå igennem, hvor et grovere ord ikke vil, og kortlægning af disse følsomheder undgår tilbagevendende blokeringer. Når prompts kommer fra dine brugere, skal du tilføje et server-side forfilter før API-kaldet: det opfanger åbenlyst policy-stridige anmodninger uden at bruge en request, og holder dig i kontrol over den besked, der vises. For dette sidste punkt gør forskellen på oplevelsen: en modereringsblokering må aldrig nå brugeren som en rå teknisk fejl, men som en klar besked – „denne anmodning overholder ikke vores brugsbetingelser” – der forklarer uden at afsløre API-detaljer.

Inkompatibilitet med OpenAI SDK til redigering

Dette er et kritisk punkt: OpenAI SDK-metoden images.edit() fungerer ikke med xAI-API’et. OpenAI SDK sender data som multipart/form-data, mens xAI-API’et forventer application/json.

# FUNGERER IKKE
from openai import OpenAI
client = OpenAI(api_key=os.getenv("XAI_API_KEY"), base_url="https://api.x.ai/v1")
client.images.edit(
    model="grok-imagine-image",
    image=open("photo.png", "rb"),
    prompt="Edit this image"
)
# → Content-type fejl!

# FUNGERER: direkte REST-kald
import requests
response = requests.post(
    "https://api.x.ai/v1/images/edits",
    headers={
        "Authorization": f"Bearer {os.getenv('XAI_API_KEY')}",
        "Content-Type": "application/json"
    },
    json={
        "model": "grok-imagine-image",
        "prompt": "Edit this image",
        "image": {"url": "https://exemple.com/photo.jpg"}
    }
)

Oversigt over kompatibilitet

Operation OpenAI SDK REST (requests)
images.generate() Kompatibel Kompatibel
images.edit() Inkompatibel Kompatibel

Omkostningskontrol

Overvåg forbrug

Opsæt en tæller for udgifter i din kode:

class ImageBudgetTracker:
    PRICES = {
        "grok-imagine-image": 0.02,
        "grok-imagine-image-2.0": 0.04,  # low quality; medium til grid-rate
    }

    def __init__(self, budget_limit=10.0):
        self.total_spent = 0.0
        self.budget_limit = budget_limit
        self.image_count = 0

    def can_generate(self, model, n=1):
        cost = self.PRICES[model] * n
        return (self.total_spent + cost) <= self.budget_limit

    def record(self, model, n=1):
        cost = self.PRICES[model] * n
        self.total_spent += cost
        self.image_count += n

    def report(self):
        remaining = self.budget_limit - self.total_spent
        print(f"Images generated: {self.image_count}")
        print(f"Spent: ${self.total_spent:.2f}")
        print(f"Remaining budget: ${remaining:.2f}")

# Brug
tracker = ImageBudgetTracker(budget_limit=5.0)

if tracker.can_generate("grok-imagine-image", n=5):
    response = client.images.generate(
        model="grok-imagine-image",
        prompt="My image",
        n=5
    )
    tracker.record("grok-imagine-image", n=5)

tracker.report()

Optimer omkostninger

Den gyldne regel er at adskille udforskning og produktion. Under søgning efter prompts skal du arbejde med Imagine 1.0 ($0,02) med n=3-5 for at sammenligne variationer til en lavere pris; når promptet er stabilt, skal du skifte til Imagine 2.0 med n=1 til det endelige render. Denne sekventering reserverer den højeste sats kun til udvalgte billeder.

To mekanismer fuldender opsætningen på applikationssiden. Først et resultat-cache: hvis det samme prompt returneres – katalogvisualiseringer, standardbilleder regenereret af flere brugere – så server det allerede genererede billede i stedet for at betale for en ny anmodning. Dernæst kvoter, hvis dine brugere selv udløser genereringer: en grænse per dag eller time beskytter dit budget mod urimelig brug og misbrug. Hold endelig øje med rate limits (300 RPM standard, 30 RPM pro): en batch-pipeline, der ignorerer dem, ophober 429-fejl og unødvendige genforsøg.

Estimering af månedligt budget

For en app med 100 brugere, der genererer 10 billeder om dagen:

  • Imagine 1.0: 100 x 10 x 30 x $0,02 = $600/måned
  • Imagine 2.0 i low: 100 x 10 x 30 x $0,04 = $1.200/måned
  • Blandet (80/20): 24.000 x $0,02 + 6.000 x $0,04 = $720/måned

Endpoint til modelopdagelse

For programmatisk at tjekke tilgængelige billedmodeller og deres priser:

response = requests.get(
    "https://api.x.ai/v1/image-generation-models",
    headers={"Authorization": f"Bearer {os.getenv('XAI_API_KEY')}"}
)

for model in response.json()["data"]:
    print(f"{model['id']} : ${model['image_price']}/image, "
          f"max prompt : {model['max_prompt_length']} chars")

Satser pr. 5. august 2026 — priser ændres regelmæssigt: før enhver budgetberegning skal du tjekke den aktuelle prisliste på den officielle side for xAI-modeller og satser.

Vigtige pointer

  • Moderering er automatisk: håndtér afvisninger i din kode
  • OpenAI SDK images.edit() er inkompatibel med xAI: brug requests
  • OpenAI SDK images.generate() fungerer normalt
  • Implementer en budgettracker for at kontrollere udgifter
  • Tjek modeller og priser via /v1/image-generation-models-endpointet

Test din viden

Billedgenerering og redigering: det operationelle overblik.

1. Hvad adskiller Imagine 1.0 og Imagine 2.0?

Svar: Afvejningen mellem kvalitet og omkostninger: Imagine 1.0 ($0,02) til volumen og iterationer, Imagine 2.0 ($0,04 i low, med en quality-indstilling) til endelige renders – du prototyper med den første, finaliserer med den anden.

2. Hvad gør et godt billed-prompt?

Svar: Emne, stil, komposition og eksplicitte detaljer – beskriv scenen som en brief til art direction, og iterér derefter med målrettede justeringer i stedet for at omskrive.

3. Hvad muliggør /v1/images/edits-endpointet?

Svar: Redigering af eksisterende billeder: prompt-målrettet redigering, redigering af flere billeder med referencer og redigering over flere omgange – du retoucherer præcist i stedet for at regenerere.

4. Hvordan producerer man effektivt i stor skala?

Svar: Parameteren n til batches, async-klienten til gennemstrømning – og da output-URL’er er midlertidige, skal du downloade og arkivere med det samme.

5. Hvilke sikkerhedsforanstaltninger før produktion?

Svar: Moderering af prompts og outputs, kendskab til SDK-inkompatibiliteter og omkostningskontrol (model, opløsning, volumener) – skabelse i stor skala kræver styring.

Prototyp, rediger, industrialiser, styr: den komplette billedpipeline – med omkostninger under kontrol i hvert trin.