Detail-Parameter: auto, low und high
Auf dieser Seite
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.lowist schnell und wirtschaftlich, geeignet für Klassifizierungsaufgaben.highist langsam, aber präzise, geeignet für OCR und feingranale Analysen.- Passen Sie das Detailniveau an den Aufgabentyp an, um Kosten zu optimieren.