Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Unbegrenzte Bilder pro Anfrage

Lektion 11 von 12 Aktualisiert am 30. Juli 2026 Anfänger
Auf dieser Seite
  1. Ein Wettbewerbsvorteil der xAI API
  2. Was „Unbegrenzt” wirklich bedeutet
  3. Praktische Empfehlungen nach Volumen
  4. Multi-Bild-Architekturen in der Produktion
  5. Fehlerbehandlung bei großen Bildmengen
  6. Kernaussagen

Ein Wettbewerbsvorteil der xAI API

Die xAI API hebt sich von Wettbewerbern durch einen entscheidenden technischen Punkt ab: Sie stellt keine Obergrenze für die Anzahl der Bilder fest, die in einer einzelnen Anfrage gesendet werden können. Während andere APIs Sie auf 4, 10 oder 20 Bilder beschränken, akzeptiert Grok so viele Bilder wie gewünscht.

Diese Flexibilität ermöglicht Anwendungsfälle, die an anderer Stelle unmöglich sind, erfordert jedoch ein fundiertes Verständnis der praktischen Implikationen.

Was „Unbegrenzt” wirklich bedeutet

Keine Obergrenze für die Bildanzahl bedeutet nicht, dass keine Einschränkungen bestehen. Verschiedene Faktoren begrenzen natürlich, wie viele Bilder Sie effektiv senden können:

Kontextfenster

Das Modell verfügt über ein festes Kontextfenster. Jedes Bild verbraucht zwischen 256 und 1792 Tokens. Wenn Sie 50 Bilder im Modus high senden, verbrauchen Sie potenziell 89.600 Tokens allein für die Bilder und lassen wenig Raum für Text und die Antwort.

Analysequalität

Ab einer bestimmten Anzahl von Bildern sinkt die Analysequalität. Das Modell muss seine Aufmerksamkeit auf alle Bilder verteilen, was zu oberflächlichen Beschreibungen oder Auslassungen führen kann.

Latenz und Timeout

Je mehr Bilder Sie senden, desto länger dauert die Verarbeitung. Mit einer empfohlenen Timeout-Dauer von 3600 Sekunden für Reasoning-Modelle können sehr große Anfragen diesem Limit nahekommen.

Praktische Empfehlungen nach Volumen

Anzahl der Bilder Empfehlung Empfohlene Detailstufe
1-3 Detaillierte Analyse möglich high
4-10 Effizienter Vergleich auto
11-20 Batch-Klassifizierung low
20+ In Teilanfragen aufteilen low

Multi-Bild-Architekturen in der Produktion

Muster: Sequenzielle Verarbeitung mit Aggregation

Um eine große Anzahl von Bildern zu analysieren, verarbeiten Sie diese in Batches und aggregieren Sie anschließend die Ergebnisse:

import json

def analyser_catalogue(images, taille_lot=8):
    """Analysiert ein Bildkatalog in 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"Bild {i + j}:"
            })
            input_data.append({
                "type": "input_image",
                "image_url": img,
                "detail": "low"
            })

        input_data.append({
            "type": "input_text",
            "text": """Identifizieren Sie für jedes Bild in JSON:
{"number": N, "category": "...", "short_description": "..."}
Geben Sie ein JSON-Array zurück."""
        })

        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

Muster: Trichter-Filterung

Beginnen Sie mit einer schnellen Sortierung aller Bilder und vertiefen Sie die Analyse nur für die relevanten:

def entonnoir_analyse(images, critere):
    """Filtert und analysiert dann im Detail."""
    # Schritt 1: Schnelle Filterung
    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"""Welche dieser {len(images)} Bilder
entsprechen dem Kriterium: "{critere}"?
Geben Sie nur die Nummern (0-basiert Index) in JSON zurück: [0, 3, 7]"""
    })

    response = client.responses.create(
        model="grok-4.5", input=input_data, store=False
    )

    indices = json.loads(response.output_text)

    # Schritt 2: Vertiefte Analyse der gefilterten Bilder
    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": "Detaillierte Analyse dieses Bildes."}
            ],
            store=False
        )
        resultats.append({"index": idx, "analysis": response_detail.output_text})

    return resultats

Fehlerbehandlung bei großen Bildmengen

Bei der Arbeit mit einer großen Anzahl von Bildern sind Fehler wahrscheinlicher. Implementieren Sie eine robuste Fehlerbehandlung:

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  # Exponentielles Backoff
                time.sleep(delai)
            else:
                raise e

Kernaussagen

  • Die xAI API akzeptiert eine unbegrenzte Anzahl von Bildern, aber das Kontextfenster bleibt endlich.
  • Ab 10 Bildern verwenden Sie detail: "low", um die Analysequalität zu erhalten.
  • Ab 20 Bildern teilen Sie die Anfrage in Teilanfragen auf, um die Zuverlässigkeit zu gewährleisten.
  • Das „Trichter”-Muster (schnelle Filterung gefolgt von detaillierter Analyse) ist bei großen Volumina am effektivsten.
  • Implementieren Sie Wiederholungsversuche (Retries) mit exponentiellem Backoff für große Anfragen.