Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Rajoittamaton määrä kuvia pyyntöä kohden

Oppitunti 11 / 12 Päivitetty 30. heinäkuuta 2026 Aloittelija
Tällä sivulla
  1. xAI-rajapinnan kilpailuetu
  2. Mitä “rajoittamaton” todella tarkoittaa
  3. Käytännön suositukset määrän mukaan
  4. Usean kuvan arkkitehtuurit tuotannossa
  5. Virheenkäsittely suurten kuvajoukkojen kanssa
  6. Keskeiset asiat

xAI-rajapinnan kilpailuetu

xAI-rajapinna erottuu kilpailijoistaan yhdessä keskeisessä teknisessä kohdassa: se ei aseta rajoitusta yhden pyynnön mukana lähetettävien kuvien määrälle. Kun muut rajapinnat rajoittavat määrän 4:ään, 10:een tai 20:een kuvaan, Grok hyväksyy niin monta kuvaa kuin haluat lähettää.

Tämä joustavuus avaa käyttötapauksia, jotka ovat muualla mahdottomia, mutta se vaatii myös käytännön seuraamusten syvällistä ymmärtämistä.

Mitä “rajoittamaton” todella tarkoittaa

Se, ettei kuvien määrälle ole rajoitusta, ei tarkoita, etteikö rajoitteita olisi olemassa. Useat tekijät rajoittavat luonnostaan sitä, kuinka monta kuvaa voit lähettää tehokkaasti:

Konteksti-ikkuna

Mallilla on kiinteä konteksti-ikkuna. Jokainen kuva kuluttaa välillä 256–1792 tokenia. Jos lähetät 50 kuvaa high-tilassa, käytät potentiaalisesti 89 600 tokenia pelkästään kuviin, jolloin tekstille ja vastaukselle jää hyvin vähän tilaa.

Analyysin laatu

Tietyn kuvamäärän ylittyessä analyysin laatu heikkenee. Mallin on jaettava huomionsa kaikkien kuvien kesken, mikä voi johtaa pinnallisiin kuvauksiin tai tietojen puuttumiseen.

Viive ja aikakatkaisu

Mitä enemmän kuvia lähetät, sitä kauemmin käsittely kestää. Kun päättelymalleille suositeltu aikakatkaisu on 3600 sekuntia, erittäin suuret pyynnöt voivat lähestyä tätä rajaa.

Käytännön suositukset määrän mukaan

Kuvien määrä Suositus Ehdotettu tarkkuus
1–3 Yksityiskohtainen analyysi mahdollinen high
4–10 Tehokas vertailu auto
11–20 Eräluokittelu low
20+ Jaa osapyynnöiksi low

Usean kuvan arkkitehtuurit tuotannossa

Malli: Sekventiaalinen käsittely aggregoinnilla

Analysoidaksesi suurta määrää kuvia, käsittele ne erissä ja yhdistä tulokset jälkeenpäin:

import json

def analyser_catalogue(images, taille_lot=8):
    """Analysoi kuvaluettelon erissä."""
    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"Kuva {i + j}:"
            })
            input_data.append({
                "type": "input_image",
                "image_url": img,
                "detail": "low"
            })

        input_data.append({
            "type": "input_text",
            "text": """Tunnista jokaisesta kuvasta JSON-muodossa:
{"number": N, "category": "...", "short_description": "..."}
Palauta JSON-taulukko."""
        })

        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

Malli: Suppilosuodatus

Aloita nopealla lajittelulla kaikkien kuvien yli ja syvenny vasta sen jälkeen vain niihin, jotka ovat relevantteja:

def entonnoir_analyse(images, critere):
    """Suodattaa ja analysoi sitten syvällisesti."""
    # Vaihe 1: Nopea suodatus
    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"""Näistä {len(images)} kuvasta, mitkä
täyttävät kriteerin: "{critere}"?
Palauta vain numerot (0-pohjainen indeksi) JSON-muodossa: [0, 3, 7]"""
    })

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

    indices = json.loads(response.output_text)

    # Vaihe 2: Suodatettujen kuvien syvällinen analyysi
    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": "Tämän kuvan yksityiskohtainen analyysi."}
            ],
            store=False
        )
        resultats.append({"index": idx, "analysis": response_detail.output_text})

    return resultats

Virheenkäsittely suurten kuvajoukkojen kanssa

Kun työskentelet suurten kuvamäärien kanssa, virheet ovat todennäköisempiä. Toteuta robusti virheenkäsittely:

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  # Eksponentiaalinen viivästys
                time.sleep(delai)
            else:
                raise e

Keskeiset asiat

  • xAI-rajapinta hyväksyy rajoittamattoman määrän kuvia, mutta konteksti-ikkuna on silti äärellinen
  • Yli 10 kuvan kohdalla käytä asetusta detail: "low" analyysin laadun säilyttämiseksi
  • Yli 20 kuvan kohdalla jaa pyyntö osapyynnöiksi luotettavuuden varmistamiseksi
  • “Suppilo”-malli (nopea suodatus followed by yksityiskohtainen analyysi) on tehokkain suurille määrille
  • Toteuta uudelleenyritykset eksponentiaalisella viivästyksellä suurten pyyntöjen yhteydessä