Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Detail-Parameter: auto, low und high

Lektion 2 von 12 Aktualisiert am 30. Juli 2026 Anfänger
Auf dieser Seite
  1. Analysepräzision steuern
  2. Die drei Detailstufen
  3. Vergleich der Stufen
  4. Syntax je nach API
  5. Optimierungsstrategie
  6. Kernaussagen

Analysepräzision steuern

Wenn Sie ein Bild an Grok senden, können Sie das Detailniveau der Analyse über den detail-Parameter steuern. Dieser Parameter wirkt sich direkt auf die Antwortqualität, die Verarbeitungszeit und den Tokenverbrauch aus.

Das Verständnis dieses Parameters ist entscheidend, um Kosten zu optimieren und die Präzision an jeden Einsatzzweck anzupassen.

Die drei Detailstufen

Die xAI-API bietet für den detail-Parameter drei Werte an:

Auto (Standardwert)

Wenn Sie den detail-Parameter nicht angeben, verwendet das Modell auto. Es bewertet automatisch das erforderliche Detailniveau basierend auf dem Bild und Ihrem Prompt.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg"
}

Dieses Verhalten wird für die meisten Einsatzzwecke empfohlen. Das Modell passt seine Analysestrategie an die wahrgenommene Komplexität des Bildes und die gestellte Frage an.

Low (schnell und wirtschaftlich)

Der low-Modus führt eine schnelle Bildanalyse mit weniger Tokens durch. Dies ist die ideale Wahl, wenn Sie ein allgemeines Verständnis benötigen, ohne in Feinheiten einzusteigen.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg",
  "detail": "low"
}

Einsatzzwecke für low:

  • Klassifizierung von Bildinhalten (Landschaft, Porträt, Dokument usw.)
  • Identifizierung des Hauptmotivs eines Fotos
  • Schnelle Sortierung einer Bildserie
  • Prüfung, ob ein Bild einem einfachen Kriterium entspricht

High (langsam und detailliert)

Der high-Modus erzwingt eine erschöpfende Bildanalyse. Das Modell untersucht jeden Bereich bei maximaler Auflösung, was mehr Tokens verbraucht, aber deutlich präzisere Beschreibungen liefert.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg",
  "detail": "high"
}

Einsatzzwecke für high:

  • Lesen von feinem Text in einem Bild (OCR)
  • Analyse von Diagrammen mit detaillierten Legenden
  • Erkennung von Fehlern in Produktfotos
  • Untersuchung von Screenshots komplexer Schnittstellen

Vergleich der Stufen

Parameter Geschwindigkeit Tokens Präzision
auto Variabel Variabel Anpassbar
low Schnell Weniger Tokens Allgemein
high Langsam Mehr Tokens Detailliert

Syntax je nach API

Der detail-Parameter wird je nach verwendetem API unterschiedlich platziert.

Responses API (empfohlen)

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": "Lesen Sie alle sichtbaren Texte in diesem Bild."
        }
    ]
)

Chat Completions API (Legacy)

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": "Lesen Sie alle sichtbaren Texte in diesem Bild."
            }
        ]
    }]
)

Beachten Sie, dass in der Chat Completions-API detail innerhalb des image_url-Objekts verschachtelt ist, wohingegen er in der Responses-API auf derselben Ebene wie image_url steht.

Optimierungsstrategie

In der Produktion ist eine bewährte Praxis, das Detailniveau je nach Aufgabentyp anzupassen:

def analyser_image(image_url, tache):
    # Einfache Aufgaben → low zur Kostenersparnis
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Komplexe Aufgaben → high für Präzision
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # Standard → Modell entscheidet
    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"Aufgabe: {tache}"}
        ]
    )

Dieser Ansatz ermöglicht es Ihnen, die Tokenkosten bei einfachen Aufgaben erheblich zu senken, während Sie dort, wo es notwendig ist, die maximale Präzision beibehalten.

Kernaussagen

  • Der detail-Parameter steuert die Tiefe der Bildanalyse.
  • auto (Standard) lässt das Modell entscheiden – dies ist die empfohlene Wahl.
  • low ist schnell und wirtschaftlich, geeignet für Klassifizierungsaufgaben.
  • high ist langsam, aber präzise, geeignet für OCR und feingranale Analysen.
  • Passen Sie das Detailniveau an den Aufgabentyp an, um Kosten zu optimieren.