Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Neograničen broj slika po zahtjevu

Lekcija 11 od 12 Ažurirano 30. srpnja 2026. Početnik
Na ovoj stranici
  1. Konkurentska prednost xAI API-ja
  2. Što „neograničeno“ zapravo znači
  3. Praktične preporuke prema volumenu
  4. Arhitekture s više slika u proizvodnji
  5. Rukovanje greškama s velikim skupovima slika
  6. Ključne točke

Konkurentska prednost xAI API-ja

xAI API ističe se među konkurentima jednom ključnom tehničkom točkom: nameće nema ograničenja na broj slika koje možeš poslati u jednom zahtjevu. Dok te drugi API-ji ograničavaju na 4, 10 ili 20 slika, Grok prihvaća onoliko koliko želiš.

Ova fleksibilnost otključava slučajeve uporabe koji su drugdje nemogući, ali također zahtijeva čvrsto razumijevanje praktičnih implikacija.

Što „neograničeno“ zapravo znači

Nema ograničenja na broj slika ne znači da nema nikakvih ograničenja. Nekoliko čimbenika prirodno ograničava koliko slika možeš učinkovito poslati:

Kontekstni prozor

Model ima fiksni kontekstni prozor. Svaka slika troši između 256 i 1792 tokena. Ako pošalješ 50 slika u načinu high, potencijalno trošiš 89.600 tokena samo na slike, ostavljajući malo prostora za tekst i odgovor.

Kvaliteta analize

Iznad određenog broja slika, kvaliteta analize opada. Model mora rasporediti svoju pažnju na sve slike, što može dovesti do površnih opisa ili propusta.

Kašnjenje i istek vremena

Što više slika pošalješ, to obrada traje duže. S preporučenim vremenskim ograničenjem (timeout) od 3600 sekundi za modele rezoniranja, vrlo veliki zahtjevi mogu se približiti tom limitu.

Praktične preporuke prema volumenu

Broj slika Preporuka Predložena razina detalja
1-3 Moguća detaljna analiza high
4-10 Učinkovita usporedba auto
11-20 Grupna klasifikacija low
20+ Podijeli na podzahtjeve low

Arhitekture s više slika u proizvodnji

Uzorak: Sekvencijalna obrada s agregacijom

Za analizu velikog broja slika, obradi ih u serijama (batch), a zatim agregiraj rezultate:

import json

def analyser_catalogue(images, taille_lot=8):
    """Analyzes an image catalogue in batches."""
    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

Uzorak: Lijevak filtriranja

Započni s brzim sortiranjem svih slika, a zatim dubinski analiziraj samo one koje su relevantne:

def entonnoir_analyse(images, critere):
    """Filters then analyzes in depth."""
    # Step 1: Quick filtering
    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)

    # Step 2: In-depth analysis of filtered images
    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

Rukovanje greškama s velikim skupovima slika

Kada radiš s velikim brojem slika, vjerojatnost grešaka je veća. Implementiraj robustno rukovanje:

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

Ključne točke

  • xAI API prihvaća neograničen broj slika, ali kontekstni prozor ostaje konačan
  • Iznad 10 slika, koristi detail: "low" kako bi sačuvao kvalitetu analize
  • Iznad 20 slika, podijeli zahtjev na podzahtjeve radi pouzdanosti
  • Uzorak „lijevka“ (brzo filtriranje pa detaljna analiza) najučinkovitiji je za velike volumene
  • Implementiraj ponovne pokušaje s eksponencijalnim kašnjenjem (exponential backoff) za velike zahtjeve