Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Απεριόριστες εικόνες ανά αίτημα

Μάθημα 11 / 12 Ενημερώθηκε 30 Ιουλίου 2026 Αρχάριος
Σε αυτήν τη σελίδα
  1. Ένα ανταγωνιστικό πλεονέκτημα του xAI API
  2. Τι σημαίνει πραγματικά το «Απεριόριστο»
  3. Πρακτικές συστάσεις ανά όγκο
  4. Αρχιτεκτονικές πολλαπλών εικόνων σε παραγωγή
  5. Διαχείριση σφαλμάτων με μεγάλα σύνολα εικόνων
  6. Βασικά σημεία

Ένα ανταγωνιστικό πλεονέκτημα του xAI API

Το xAI API ξεχωρίζει από τους ανταγωνιστές του σε ένα βασικό τεχνικό σημείο: δεν επιβάλλει κανένα όριο στον αριθμό των εικόνων που αποστέλλονται σε ένα μόνο αίτημα. Ενώ άλλα API σας περιορίζουν σε 4, 10 ή 20 εικόνες, το Grok δέχεται όσες επιθυμείτε.

Αυτή η ευελιξία ανοίγει το δρόμο για περιπτώσεις χρήσης που είναι αδύνατες αλλού, αλλά απαιτεί επίσης solid κατανόηση των πρακτικών επιπτώσεων.

Τι σημαίνει πραγματικά το «Απεριόριστο»

Το γεγονός ότι δεν υπάρχει όριο στον αριθμό των εικόνων δεν σημαίνει ότι δεν υπάρχουν περιορισμοί. Διάφοροι παράγοντες περιορίζουν φυσικά το πλήθος των εικόνων που μπορείτε να στείλετε αποτελεσματικά:

Παράθυρο συμφραζομένων (Context Window)

Το μοντέλο διαθέτει ένα σταθερό παράθυρο συμφραζομένων. Κάθε εικόνα καταναλώνει μεταξύ 256 και 1792 tokens. Αν στείλετε 50 εικόνες σε λειτουργία high, ενδέχεται να χρησιμοποιήσετε 89.600 tokens μόνο για τις εικόνες, αφήνοντας ελάχιστο χώρο για κείμενο και την απάντηση.

Ποιότητα ανάλυσης

Πέρα από έναν ορισμένο αριθμό εικόνων, η ποιότητα της ανάλυσης μειώνεται. Το μοντέλο πρέπει να κατανείμει την προσοχή του σε όλες τις εικόνες, γεγονός που μπορεί να οδηγήσει σε επιφανειακές περιγραφές ή παραλείψεις.

Λανθάνουσα χρόνος και χρονικό όριο (Timeout)

Όσο περισσότερες εικόνες στέλνετε, τόσο μεγαλύτερος είναι ο χρόνος επεξεργασίας. Με συνιστώμενο χρονικό όριο 3600 δευτερολέπτων για μοντέλα συλλογισμού, τα πολύ μεγάλα αιτήματα μπορεί να πλησιάσουν αυτό το όριο.

Πρακτικές συστάσεις ανά όγκο

Αριθμός εικόνων Σύσταση Προτεινόμενη λεπτομέρεια
1-3 Δυνατή η λεπτομερής ανάλυση high
4-10 Αποτελεσματική σύγκριση auto
11-20 Ομαδοποιημένη ταξινόμηση low
20+ Διαχωρισμός σε υπο-αιτήματα low

Αρχιτεκτονικές πολλαπλών εικόνων σε παραγωγή

Μοτίβο: Ακολουθιακή επεξεργασία με συσσωμάτωση

Για να αναλύσετε μεγάλο αριθμό εικόνων, επεξεργαστείτε τες σε παρτίδες και στη συνέχεια συσσωματώστε τα αποτελέσματα:

import json

def analyser_catalogue(images, taille_lot=8):
    """Αναλύει έναν κατάλογο εικόνων σε παρτίδες."""
    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"Image {i + j}:"
            })
            input_data.append({
                "type": "input_image",
                "image_url": img,
                "detail": "low"
            })

        input_data.append({
            "type": "input_text",
            "text": """For each image, identify in JSON:
{"number": N, "category": "...", "short_description": "..."}
Return a JSON array."""
        })

        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

Μοτίβο: Φιλτράρισμα με χοάνη (Funnel Filtering)

Ξεκινήστε με μια γρήγορη ταξινόμηση σε όλες τις εικόνες και στη συνέχεια εμβαθύνετε μόνο σε εκείνες που είναι σχετικές:

def entonnoir_analyse(images, critere):
    """Φιλτράρει και στη συνέχεια αναλύει σε βάθος."""
    # Βήμα 1: Γρήγορο φιλτράρισμα
    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"""Among these {len(images)} images, which ones
match the criteria: "{critere}"?
Return only the numbers (0-based index) in JSON: [0, 3, 7]"""
    })

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

    indices = json.loads(response.output_text)

    # Βήμα 2: Ανάλυση σε βάθος των φιλτραρισμένων εικόνων
    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": "Detailed analysis of this image."}
            ],
            store=False
        )
        resultats.append({"index": idx, "analysis": response_detail.output_text})

    return resultats

Διαχείριση σφαλμάτων με μεγάλα σύνολα εικόνων

Όταν εργάζεστε με μεγάλο αριθμό εικόνων, τα σφάλματα είναι πιο πιθανά. Υλοποιήστε μια ισχυρή διαχείριση:

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  # Exponential backoff
                time.sleep(delai)
            else:
                raise e

Βασικά σημεία

  • Το xAI API δέχεται απεριόριστο αριθμό εικόνων, αλλά το παράθυρο συμφραζομένων παραμένει πεπερασμένο
  • Πέρα από τις 10 εικόνες, χρησιμοποιήστε detail: "low" για να διατηρήσετε την ποιότητα της ανάλυσης
  • Πέρα από τις 20 εικόνες, διαχωρίστε τα αιτήματα σε υπο-αιτήματα για αξιοπιστία
  • Το μοτίβο «χοάνη» (γρήγορο φιλτράρισμα και στη συνέχεια λεπτομερής ανάλυση) είναι το πιο αποτελεσματικό για μεγάλους όγκους
  • Υλοποιήστε επαναλήψεις με εκθετική καθυστέρηση (exponential backoff) για μεγάλα αιτήματα