Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Neribotas paveikslėlių skaičius viename užklausime

Paskaita 11 iš 12 Atnaujinta 2026 m. liepos 30 d. Pradedantisiems
Šiame puslapyje
  1. Konkurencinis xAI API pranašumas
  2. Ką iš tikrųjų reiškia „neribotas“
  3. Praktinės rekomendacijos pagal apimtį
  4. Kelių paveikslėlių architektūros gamyboje
  5. Klaidų valdymas dirbant su didelėmis paveikslėlių aibėmis
  6. Svarbiausi punktai

Konkurencinis xAI API pranašumas

xAI API išsiskiria iš konkurentų vienu pagrindiniu techniniu aspektu: jis nekelia jokių apribojimų vienu metu siunčiamų paveikslėlių skaičiui. Kol kiti API riboja tave iki 4, 10 ar 20 paveikslėlių, „Grok“ priima tiek, kiek nori.

Šis lankstumas atveria naudojimo atvejus, neįmanomus kitur, tačiau taip pat reikalauja gero praktinių pasekmių supratimo.

Ką iš tikrųjų reiškia „neribotas“

Tai, kad nėra paveikslėlių skaičiaus ribos, nereiškia, jog nėra jokių apribojimų. Keletas veiksnių natūraliai riboja efektyviai siunčiamų paveikslėlių kiekį:

Konteksto langas

Modelis turi fiksuotą konteksto langą. Kiekvienas paveikslėlis suvartoja nuo 256 iki 1792 tokenų. Jei „high“ režimu išsiųsi 50 paveikslėlių, vien jiems gali tekti 89 600 tokenų, todėl tekstui ir atsakymui liks labai mažai vietos.

Analizės kokybė

Viršijus tam tikrą paveikslėlių skaičių, analizės kokybė prastėja. Modelis turi paskirstyti dėmesį visiems paveikslėliams, todėl aprašymai gali tapti paviršutiniški arba kai kurios detalės gali būti praleistos.

Vėlavimas ir laiko limitas

Kuo daugiau paveikslėlių siunti, tuo ilgiau trunka apdorojimas. Esant rekomenduojamam 3600 sekundžių laiko limitui samprotavimo modeliams, labai didelės užklausos gali artėti prie šios ribos.

Praktinės rekomendacijos pagal apimtį

Paveikslėlių skaičius Rekomendacija Siūlomas detalumas
1–3 Galima išsami analizė high
4–10 Efektyvus palyginimas auto
11–20 Grupinis klasifikavimas low
20+ Skaidyti į papildomas užklausas low

Kelių paveikslėlių architektūros gamyboje

Šablonas: Nuoseklus apdorojimas su agregavimu

Norint analizuoti didelį kiekį paveikslėlių, apdorok juos grupėmis, o tada sugrupuok rezultatus:

import json

def analyser_catalogue(images, taille_lot=8):
    """Analizuoja paveikslėlių katalogą grupėmis."""
    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

Šablonas: Piltuvo filtravimas

Pradėk nuo greito visų paveikslėlių rūšiavimo, o tada gilinkis tik į tuos, kurie yra aktualūs:

def entonnoir_analyse(images, critere):
    """Filtruoja, o tada atlieka išsamią analizę."""
    # 1 žingsnis: Greitas filtravimas
    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 žingsnis: Išsami atrinktų paveikslėlių analizė
    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

Klaidų valdymas dirbant su didelėmis paveikslėlių aibėmis

Dirbant su dideliu paveikslėlių kiekiu, tikimybė sulaukti klaidų didėja. Įdiek patikimą klaidų valdymą:

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  # Eksponentinis atsitraukimas
                time.sleep(delai)
            else:
                raise e

Svarbiausi punktai

  • xAI API priima neribotą paveikslėlių skaičių, tačiau konteksto langas lieka baigtinis
  • Viršijus 10 paveikslėlių, naudok detail: "low", kad išlaikytum analizės kokybę
  • Viršijus 20 paveikslėlių, patikimumui sumenkink užklausas į dalines
  • „Piltuvo“ šablonas (greitas filtravimas, tada išsami analizė) yra efektyviausias dirbant su didelėmis apimtimis
  • Didelėms užklausoms įdiek kartojimus su eksponentiniu atsitraukimu