Parameteren detail: auto, low og high
På denne side
Styr analysepræcisionen
Når du sender et billede til Grok, kan du styre detaljeringsgraden i analysen ved hjælp af parameteren detail. Denne parameter påvirker direkte svarkvaliteten, behandlingstiden og token-forbruget.
Det er afgørende at forstå denne parameter for at optimere omkostningerne og tilpasse præcisionen til hver enkelt use case.
De tre detaljeniveauer
xAI API’en tilbyder tre værdier for parameteren detail:
Auto (standardværdi)
Hvis du ikke angiver parameteren detail, bruger modellen auto. Den evaluerer automatisk det nødvendige detaljeniveau baseret på billedet og din prompt.
{
"type": "input_image",
"image_url": "https://exemple.com/photo.jpg"
}
Dette er den anbefalede adfærd for de fleste use cases. Modellen tilpasser sin analysestrategi ud fra den oplevede kompleksitet i billedet og det stillede spørgsmål.
Low (hurtig og økonomisk)
Tilstanden low udfører en hurtig billedanalyse ved hjælp af færre tokens. Dette er det ideelle valg, når du har brug for en generel forståelse uden at gå i dybden med fine detaljer.
{
"type": "input_image",
"image_url": "https://exemple.com/photo.jpg",
"detail": "low"
}
Use cases for low:
- Klassificering af billedindhold (landskab, portræt, dokument osv.)
- Identifikation af hovedmotivet på et foto
- Hurtig sortering af en batch billeder
- Kontrol af, om et billede matcher et simpelt kriterium
High (langsom og detaljeret)
Tilstanden high tvinger modellen til en udtømmende billedanalyse. Modellen undersøger hver zone med maksimal opløsning, hvilket bruger flere tokens, men giver langt mere præcise beskrivelser.
{
"type": "input_image",
"image_url": "https://exemple.com/photo.jpg",
"detail": "high"
}
Use cases for high:
- Læsning af fin tekst i et billede (OCR)
- Analyse af diagrammer med detaljerede legender
- Detektion af defekter på produktfotos
- Undersøgelse af screenshots af komplekse grænseflader
Sammenligning af niveauerne
| Parameter | Hastighed | Tokens | Præcision |
|---|---|---|---|
| auto | Variabel | Variabel | Adaptiv |
| low | Hurtig | Færre tokens | Generel |
| high | Langsom | Flere tokens | Detaljeret |
Syntaks efter API
Parameteren detail placeres forskelligt afhængigt af den anvendte API.
Responses API (anbefalet)
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 (forældet)
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."
}
]
}]
)
Bemærk, at detail i Chat Completions er indlejret inde i objektet image_url, hvorimod den i Responses API er på samme niveau som image_url.
Optimeringsstrategi
I produktion er det en best practice at tilpasse detaljeniveauet baseret på opgavetypen:
def analyser_image(image_url, tache):
# Simple tasks → low to save costs
if tache in ["classifier", "trier", "identifier_sujet"]:
detail = "low"
# Complex tasks → high for precision
elif tache in ["ocr", "graphique", "defaut_produit"]:
detail = "high"
# Default → let the model decide
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}"}
]
)
Denne tilgang giver dig mulighed for at reducere token-omkostningerne markant på simple opgaver, samtidig med at du opretholder maksimal præcision, hvor det er nødvendigt.
Vigtige pointer
- Parameteren
detailstyrer dybden af billedanalysen auto(standard) lader modellen beslutte – dette er det anbefalede valglower hurtig og økonomisk, velegnet til klassificeringsopgaverhigher langsom men præcis, velegnet til OCR og finmasket analyse- Tilpas detaljeniveauet til opgavetypen for at optimere omkostningerne