Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Képmentes kérések korlátlan száma

11. lecke 12 közül Frissítve 2026. július 30. Kezdő
Ezen az oldalon
  1. A xAI API versenyelőnye
  2. Mit is jelent valójában a „korlátlan“
  3. Gyakorlati ajánlások mennyiség szerint
  4. Többképes architektúrák éles környezetben
  5. Hibakezelés nagy képkészleteknél
  6. Főbb megállapítások

A xAI API versenyelőnye

A xAI API egy kulcsfontosságú technikai szempontból emelkedik ki a versenytársak közül: nincs korlát egyetlen kérésben elküldhető képek számára. Míg más API-k 4, 10 vagy 20 képben limitálnak, a Grok annyit fogad el, amennyit csak akarsz.

Ez a rugalmasság olyan felhasználási eseteket tesz lehetővé, amelyek máshol kivitelezhetetlenek, de egyben alapos megértést is igényel a gyakorlati vonatkozások terén.

Mit is jelent valójában a „korlátlan“

A képszámra vonatkozó korlát hiánya nem azt jelenti, hogy nincsenek kötöttségek. Több tényező is természetesen korlátozza, hány képet küldhetsz hatékonyan:

Kontextusablak

A modellnek fix méretű kontextusablaka van. Minden kép 256 és 1792 token között fogyaszt. Ha 50 képet küldesz high módban, akkor potenciálisan 89 600 tokent használsz fel csak a képekre, így alig marad hely a szövegnek és a válasznak.

Az elemzés minősége

Egy bizonyos képszám felett az elemzés minősége romlik. A modellnek szét kell osztania a figyelmét az összes kép között, ami felületes leírásokhoz vagy kihagyásokhoz vezethet.

Késleltetés és időtúllépés

Minél több képet küldesz, annál tovább tart a feldolgozás. A következtető modellekhez javasolt 3600 másodperces időtúllépési határral a nagyon nagy kérések megközelíthetik ezt a limitet.

Gyakorlati ajánlások mennyiség szerint

Képek száma Ajánlás Javasolt részletesség
1-3 Részletes elemzés lehetséges high
4-10 Hatékony összehasonlítás auto
11-20 Kötegelt osztályozás low
20+ Felosztás al-kérésekre low

Többképes architektúrák éles környezetben

Minta: Szekvenciális feldolgozás aggregálással

Nagy számú kép elemzéséhez dolgozd fel őket kötegekben, majd aggregáld az eredményeket:

import json

def analyser_catalogue(images, taille_lot=8):
    """Analizálja a képkatalógust kötegekben."""
    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

Minta: Tölcsér-szűrés

Kezdj egy gyors rendezéssel az összes képen, majd csak a relevánsakat elemezd mélyrehatóan:

def entonnoir_analyse(images, critere):
    """Szűr, majd mélyrehatóan elemez."""
    # 1. lépés: Gyors szűrés
    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)

    # 2. lépés: A szűrt képek mélyreható elemzése
    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

Hibakezelés nagy képkészleteknél

Nagy számú képpel dolgozva nagyobb a hibák valószínűsége. Implementálj robusztus kezelést:

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  # Exponenciális visszalépés
                time.sleep(delai)
            else:
                raise e

Főbb megállapítások

  • A xAI API korlátlan számú képet fogad el, de a kontextusablak továbbra is véges
  • 10 kép felett használd a detail: "low" beállítást az elemzés minőségének megőrzése érdekében
  • 20 kép felett oszd fel a kérést al-kérésekre a megbízhatóság érdekében
  • A „tölcsér“ minta (gyors szűrés, majd részletes elemzés) a leghatékonyabb nagy mennyiségeknél
  • Implementálj újrapróbálkozást exponenciális visszalépéssel nagy kérések esetén