Ubegrænset antal billeder pr. anmodning
På denne side
En konkurrencemæssig fordel ved xAI API’et
xAI API’et skiller sig ud fra konkurrenterne på ét centralt teknisk punkt: Det sætter ingen grænse for antallet af billeder, du kan sende i en enkelt anmodning. Hvor andre API’er begrænser dig til 4, 10 eller 20 billeder, accepterer Grok så mange, du ønsker.
Denne fleksibilitet låser op for brugstilfælde, der er umulige andre steder, men det kræver også en solid forståelse af de praktiske konsekvenser.
Hvad “ubegrænset” virkelig betyder
Ingen grænse for antallet af billeder betyder ikke ingen begrænsninger. Flere faktorer sætter naturlige grænser for, hvor mange billeder du effektivt kan sende:
Kontekstvindue
Modellen har et fast kontekstvindue. Hvert billede bruger mellem 256 og 1792 tokens. Hvis du sender 50 billeder i high-tilstand, bruger du potentielt 89.600 tokens alene på billeder, hvilket efterlader lidt plads til tekst og svaret.
Analyse-kvalitet
Ud over et vist antal billeder falder analysekvaliteten. Modellen skal sprede sin opmærksomhed på tværs af alle billeder, hvilket kan føre til overfladiske beskrivelser eller udeladelser.
Latens og timeout
Jo flere billeder du sender, jo længere tid tager behandlingen. Med en anbefalet timeout på 3600 sekunder for ræsonnementsmodeller kan meget store anmodninger nærme sig denne grænse.
Praktiske anbefalinger efter volumen
| Antal billeder | Anbefaling | Foreslået detaljeringsgrad |
|---|---|---|
| 1-3 | Detaljeret analyse mulig | high |
| 4-10 | Effektiv sammenligning | auto |
| 11-20 | Batch-klassificering | low |
| 20+ | Opdel i del-anmodninger | low |
Multi-billede arkitekturer i produktion
Mønster: Sekventiel behandling med aggregering
For at analysere et stort antal billeder behandler du dem i batches og aggregerer derefter resultaterne:
import json
def analyser_catalogue(images, taille_lot=8):
"""Analyserer et billedkatalog i batches."""
tous_resultats = []
for i in range(0, len(images), taille_lot):
lot = images[i:i + taille_lot]
input_data = []
for j, img in enumerate(lot, 1):
input_data.append({
"type": "input_text",
"text": f"Billede {i + j}:"
})
input_data.append({
"type": "input_image",
"image_url": img,
"detail": "low"
})
input_data.append({
"type": "input_text",
"text": """Identificer for hvert billede i JSON:
{"number": N, "category": "...", "short_description": "..."}
Returner et JSON-array."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
try:
resultats_lot = json.loads(response.output_text)
tous_resultats.extend(resultats_lot)
except json.JSONDecodeError:
tous_resultats.append({"batch": i, "raw": response.output_text})
return tous_resultats
Mønster: Tragt-filtrering
Start med en hurtig sortering på tværs af alle billeder, og dyk derefter kun ned i dem, der er relevante:
def entonnoir_analyse(images, critere):
"""Filtrerer og analyserer derefter i dybden."""
# Trin 1: Hurtig filtrering
input_data = []
for i, img in enumerate(images):
input_data.append({"type": "input_image", "image_url": img, "detail": "low"})
input_data.append({
"type": "input_text",
"text": f"""Hvilke af disse {len(images)} billeder
matcher kriteriet: "{critere}"?
Returner kun numrene (0-baseret indeks) i JSON: [0, 3, 7]"""
})
response = client.responses.create(
model="grok-4.5", input=input_data, store=False
)
indices = json.loads(response.output_text)
# Trin 2: Dybdegående analyse af filtrerede billeder
resultats = []
for idx in indices:
response_detail = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": images[idx], "detail": "high"},
{"type": "input_text", "text": "Detaljeret analyse af dette billede."}
],
store=False
)
resultats.append({"index": idx, "analysis": response_detail.output_text})
return resultats
Håndtering af fejl med store billedsæt
Når du arbejder med et stort antal billeder, er fejl mere sandsynlige. Implementer robust håndtering:
import time
def requete_avec_retry(input_data, max_retries=3):
for tentative in range(max_retries):
try:
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response
except Exception as e:
if tentative < max_retries - 1:
delai = 2 ** tentative # Eksponentiel backoff
time.sleep(delai)
else:
raise e
Vigtige pointer
- xAI API’et accepterer et ubegrænset antal billeder, men kontekstvinduet forbliver endeligt
- Ved mere end 10 billeder skal du bruge
detail: "low"for at bevare analysekvaliteten - Ved mere end 20 billeder skal du opdele i del-anmodninger for pålidelighed
- “Tragt”-mønsteret (hurtig filtrering efterfulgt af detaljeret analyse) er mest effektivt ved store volumener
- Implementer genforsøg med eksponentiel backoff ved store anmodninger