Képmentes kérések korlátlan száma
Ezen az oldalon
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