Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Neierobežots attēlu skaits vienā pieprasījumā

Nodarbība 11 no 12 Atjaunota 2026. gada 30. jūlijs Iesācējs
Šajā lapā
  1. xAI API konkurētspējīgā priekšrocība
  2. Ko patiesībā nozīmē „neierobežots”
  3. Praktiski ieteikumi atkarībā no apjoma
  4. Daudzu attēlu arhitektūras ražošanas vidē
  5. Kļūdu apstrāde ar lieliem attēlu kopumiem
  6. Galvenās atziņas

xAI API konkurētspējīgā priekšrocība

xAI API izceļas starp konkurentiem ar vienu galveno tehnisko aspektu: tas neuzliek nekādus limitus attēlu skaitam, ko vari nosūtīt vienā pieprasījumā. Kamēr citas API tevi ierobežo līdz 4, 10 vai 20 attēliem, Grok pieņem tik daudz, cik vēlies.

Šī elastība atver lietojumus, kas citur nav iespējami, taču tā prasa arī dziļu izpratni par praktiskajām sekām.

Ko patiesībā nozīmē „neierobežots”

Tas, ka nav limita attēlu skaitam, nenozīmē, ka nav nekādu ierobežojumu. Vairāki faktori dabiski ierobežo to, cik daudz attēlu vari efektīvi nosūtīt:

Konteksta logs

Modelim ir fiksēts konteksta logs. Katrs attēls patērē no 256 līdz 1792 tokeniem. Ja nosūtīsi 50 attēlus režīmā high, tu potenciāli izmantosi 89 600 tokenus tikai attēliem, atstājot ļoti maz vietas tekstam un atbildei.

Analīzes kvalitāte

Pārsniedzot noteiktu attēlu skaitu, analīzes kvalitāte krītas. Modelim jāsadala uzmanība starp visiem attēliem, kas var novest pie virspusējiem aprakstiem vai izlaidumiem.

Latence un noilgums

Jo vairāk attēlu nosūti, jo ilgāk notiek apstrāde. Ieteicamais noilgums spriežošanas modeļiem ir 3600 sekundes, un ļoti lieli pieprasījumi var tuvināties šim limitam.

Praktiski ieteikumi atkarībā no apjoma

Attēlu skaits Ieteikums Ieteicamā detalizācija
1–3 Iespējama detalizēta analīze high
4–10 Efektīva salīdzināšana auto
11–20 Partiju klasifikācija low
20+ Sadalīt apakšpieprasījumos low

Daudzu attēlu arhitektūras ražošanas vidē

Paradums: Secīga apstrāde ar apkopošanu

Lai analizētu lielu attēlu skaitu, apstrādā tos partijās un pēc tam apkopo rezultātus:

import json

def analyser_catalogue(images, taille_lot=8):
    """Analizē attēlu katalogu partijās."""
    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"Attēls {i + j}:"
            })
            input_data.append({
                "type": "input_image",
                "image_url": img,
                "detail": "low"
            })

        input_data.append({
            "type": "input_text",
            "text": """Katrai attēlam identificē JSON formātā:
{"number": N, "category": "...", "short_description": "..."}
Atgriez JSON masīvu."""
        })

        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

Paradums: Piltuves filtrēšana

Sāc ar ātru šķirošanu visiem attēliem, un pēc tam veic dziļu analīzi tikai tiem, kas ir relevanti:

def entonnoir_analyse(images, critere):
    """Filtrē, pēc tam veic dziļu analīzi."""
    # 1. solis: Ātra filtrēšana
    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"""Kurš no šiem {len(images)} attēliem
atbilst kritērijam: "{critere}"?
Atgriez tikai numurus (indekss no 0) JSON formātā: [0, 3, 7]"""
    })

    response = client.responses.create(
        model="grok-4.5", input=input_data, store=False
    )

    indices = json.loads(response.output_text)

    # 2. solis: Filtrēto attēlu dziļa analīze
    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": "Šī attēla detalizēta analīze."}
            ],
            store=False
        )
        resultats.append({"index": idx, "analysis": response_detail.output_text})

    return resultats

Kļūdu apstrāde ar lieliem attēlu kopumiem

Strādājot ar lielu attēlu skaitu, kļūdas ir ticamākas. Implementē robustu apstrādi:

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  # Eksponenciāla atkāpšanās
                time.sleep(delai)
            else:
                raise e

Galvenās atziņas

  • xAI API pieņem neierobežotu attēlu skaitu, taču konteksta logs paliek ierobežots
  • Pārsniedzot 10 attēlus, izmanto detail: "low", lai saglabātu analīzes kvalitāti
  • Pārsniedzot 20 attēlus, sadali pieprasījumus apakšpieprasījumos, lai nodrošinātu uzticamību
  • „Piltuves” paradums (ātra filtrēšana, pēc tam detalizēta analīze) ir visefektīvākais lieliem apjomiem
  • Lieliem pieprasījumiem implementē atkārtotus mēģinājumus ar eksponenciālu atkāpšanos