Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Parametri detail: auto, low ja high

Oppitunti 2 / 12 Päivitetty 30. heinäkuuta 2026 Aloittelija
Tällä sivulla
  1. Analyysin tarkkuuden hallinta
  2. Kolme detail-tasoa
  3. Tasojen vertailu
  4. Syntaksi API:n mukaan
  5. Optimointistrategia
  6. Keskeiset asiat

Analyysin tarkkuuden hallinta

Kun lähetät kuvan Grokille, voit hallita analyysin yksityiskohtaisuustasoa detail-parametrilla. Tämä parametri vaikuttaa suoraan vastauksen laatuun, käsittelyaikaan ja tokenien kulutukseen.

Tämän parametrin ymmärtäminen on ratkaisevan tärkeää kustannusten optimoimiseksi ja tarkkuuden sovittamiseksi jokaiseen käyttötarkoitukseen.

Kolme detail-tasoa

xAI API tarjoaa detail-parametrille kolme arvoa:

Auto (oletusarvo)

Jos et määritä detail-parametria, malli käyttää arvoa auto. Se arvioi automaattisesti tarvittavan yksityiskohtaisuustason kuvan ja kehotteesi perusteella.

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

Tämä on suositeltu toimintatapa useimpiin käyttötarkoituksiin. Malli mukauttaa analyysistrategiansa kuvan havaitun monimutkaisuuden ja esitetyn kysymyksen mukaan.

Low (nopea ja taloudellinen)

low-tila suorittaa nopean kuvanalyysin käyttäen vähemmän tokeneita. Tämä on ihanteellinen valinta, kun tarvitset yleiskuvan ilman syvällistä yksityiskohtiin menemistä.

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

low-tilan käyttötarkoituksia:

  • Kuvan sisällön luokittelu (maisema, muotokuva, asiakirja jne.)
  • Valokuvan pääkohteen tunnistaminen
  • Kuvien erän nopea lajittelu
  • Tarkistus, vastaako kuva yksinkertaista kriteeriä

High (hidas ja yksityiskohtainen)

high-tila pakottaa mallin suorittamaan tyhjentävän kuvanalyysin. Malli tutkii jokaista aluetta maksimitarkkuudella, mikä kuluttaa enemmän tokeneita mutta tuottaa huomattavasti tarkempia kuvauksia.

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

high-tilan käyttötarkoituksia:

  • Hienojakoisen tekstin lukeminen kuvasta (OCR)
  • Kaavioiden analysointi yksityiskohtaisine selitteineen
  • Virheiden havaitseminen tuotekuvissa
  • Monimutkaisten käyttöliittymien kuvakaappausten tutkiminen

Tasojen vertailu

Parametri Nopeus Tokenit Tarkkuus
auto Vaihteleva Vaihteleva Mukautuva
low Nopea Vähemmän tokeneita Yleinen
high Hidas Enemmän tokeneita Yksityiskohtainen

Syntaksi API:n mukaan

detail-parametri sijoitetaan eri tavoin riippuen käytetystä APIsta.

Responses API (suositeltu)

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": "Read all visible text in this image."
        }
    ]
)

Chat Completions API (vanhentunut)

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": "Read all visible text in this image."
            }
        ]
    }]
)

Huomaa, että Chat Completionsissa detail on sisäkkäin image_url-objektin kanssa, kun taas Responses APIssa se on samalla tasolla image_url:n kanssa.

Optimointistrategia

Tuotantoympäristössä paras käytäntö on mukauttaa detail-taso tehtävätyypin mukaan:

def analyser_image(image_url, tache):
    # Yksinkertaiset tehtävät → low kustannussäästöjen vuoksi
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Monimutkaiset tehtävät → high tarkkuuden vuoksi
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # Oletus → anna mallin päättää
    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"Task: {tache}"}
        ]
    )

Tämä lähestymistapa mahdollistaa tokenikustannusten merkittävän vähentämisen yksinkertaisissa tehtävissä samalla, kun maksimitarkkuus säilyy siellä, missä sitä tarvitaan.

Keskeiset asiat

  • detail-parametri ohjaa kuvanalyysin syvyyttä
  • auto (oletus) antaa mallin päättää – tämä on suositeltu valinta
  • low on nopea ja taloudellinen, sopii luokittelutehtäviin
  • high on hidas mutta tarkka, sopii OCR:ään ja hienojakoiseen analyysiin
  • Mukauta detail-taso tehtävätyypin mukaan kustannusten optimoimiseksi