Rajoittamaton määrä kuvia pyyntöä kohden
Tällä sivulla
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