Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Parameteren detail: auto, low og high

Lektion 2 af 12 Opdateret 30. juli 2026 Begynder
På denne side
  1. Styr analysepræcisionen
  2. De tre detaljeniveauer
  3. Sammenligning af niveauerne
  4. Syntaks efter API
  5. Optimeringsstrategi
  6. Vigtige pointer

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 detail styrer dybden af billedanalysen
  • auto (standard) lader modellen beslutte – dette er det anbefalede valg
  • low er hurtig og økonomisk, velegnet til klassificeringsopgaver
  • high er langsom men præcis, velegnet til OCR og finmasket analyse
  • Tilpas detaljeniveauet til opgavetypen for at optimere omkostningerne