Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Parametrs detail: auto, low un high

Nodarbība 2 no 12 Atjaunota 2026. gada 30. jūlijs Iesācējs
Šajā lapā
  1. Analīzes precizitātes vadība
  2. Trīs detalizācijas līmeņi
  3. Līmeņu salīdzinājums
  4. Sintakse atkarībā no API
  5. Optimizācijas stratēģija
  6. Galvenās atziņas

Analīzes precizitātes vadība

Kad nosūti attēlu uz Grok, tu vari kontrolēt analīzes detalizācijas līmeni, izmantojot parametru detail. Šis parametrs tieši ietekmē atbildes kvalitāti, apstrādes laiku un tokena patēriņu.

Šī parametra izpratne ir būtiska, lai optimizētu izmaksas un pielāgotu precizitāti katram lietojumam.

Trīs detalizācijas līmeņi

xAI API piedāvā trīs vērtības parametram detail:

Auto (noklusējuma vērtība)

Ja tu nenorādi parametru detail, modelis izmanto auto. Tas automātiski novērtē nepieciešamo detalizācijas līmeni, balstoties uz attēlu un tavu pieprasījumu.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg"
}

Šī ir ieteicamā uzvedība vairumam lietojumu. Modelis pielāgo savu analīzes stratēģiju, ņemot vērā attēla uztverto sarežģītību un uzdoto jautājumu.

Low (ātrs un ekonomisks)

Režīms low veic ātru attēla analīzi, izmantojot mazāk tokena. Tas ir ideāls risinājums, ja tev nepieciešama vispārēja izpratne, neiedziļinoties smalkās detaļās.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg",
  "detail": "low"
}

Lietojumi režīmam low:

  • Attēla satura klasificēšana (ainava, portrets, dokuments utt.)
  • Fotoattēla galvenā objekta identificēšana
  • Ātra attēlu kopas šķirošana
  • Pārbaude, vai attēls atbilst vienkāršam kritērijam

High (lēns un detalizēts)

Režīms high piespiež veikt pilnīgu attēla analīzi. Modelis pārbauda katru zonu ar maksimālo izšķirtspēju, kas patērē vairāk tokena, bet rada daudz precīzākus aprakstus.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg",
  "detail": "high"
}

Lietojumi režīmam high:

  • Smalka teksta nolasīšana attēlā (OCR)
  • Diagrammu analīze ar detalizētām leģendām
  • Defektu noteikšana produktu fotogrāfijās
  • Sarežģītu saskarņu ekrānuzņēmumu izpēte

Līmeņu salīdzinājums

Parametrs Ātrums Tokeni Precizitāte
auto Mainīgs Mainīgs Adaptīvs
low Ātrs Mazāk tokena Vispārīgs
high Lēns Vairāk tokena Detalizēts

Sintakse atkarībā no API

Parametrs detail tiek novietots dažādi atkarībā no izmantotās API.

Responses API (ieteicams)

response = client.responses.create(
    model="grok-4.5",
    input=[
        {
            "type": "input_image",
            "image_url": "https://exemple.com/photo.jpg",
            "detail": "high"
        },
        {
            "type": "input_text",
            "text": "Read all visible text in this image."
        }
    ]
)

Chat Completions API (novecojis)

response = client.chat.completions.create(
    model="grok-4.5",
    messages=[{
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {
                    "url": "https://exemple.com/photo.jpg",
                    "detail": "high"
                }
            },
            {
                "type": "text",
                "text": "Read all visible text in this image."
            }
        ]
    }]
)

Ņem vērā, ka Chat Completions gadījumā detail ir ligzdots image_url objektā, savukārt Responses API tas atrodas vienādā līmenī ar image_url.

Optimizācijas stratēģija

Produkcijas vidē labākā prakse ir pielāgot detalizācijas līmeni atkarībā no uzdevuma veida:

def analyser_image(image_url, tache):
    # Vienkārši uzdevumi → low, lai ietaupītu izmaksas
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Sarežģīti uzdevumi → high precizitātes nodrošināšanai
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # Noklusējums → ļauj modelim izlemt
    else:
        detail = "auto"

    return client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": detail},
            {"type": "input_text", "text": f"Task: {tache}"}
        ]
    )

Šī pieeja ļauj ievērojami samazināt tokena izmaksas vienkāršiem uzdevumiem, vienlaikus saglabājot maksimālu precizitāti tur, kur tas nepieciešams.

Galvenās atziņas

  • Parametrs detail kontrolē attēla analīzes dziļumu
  • auto (noklusējums) ļauj modelim izlemt – tas ir ieteicamais variants
  • low ir ātrs un ekonomisks, piemērots klasificēšanas uzdevumiem
  • high ir lēns, bet precīzs, piemērots OCR un smalkai analīzei
  • Pielāgo detalizācijas līmeni uzdevuma veidam, lai optimizētu izmaksas