Onbeperkt aantal afbeeldingen per verzoek
Op deze pagina
Een concurrentievoordeel van de xAI API
De xAI API onderscheidt zich van concurrenten op één cruciaal technisch punt: er geldt geen limiet op het aantal afbeeldingen dat u in één verzoek kunt verzenden. Waar andere API’s u beperken tot 4, 10 of 20 afbeeldingen, accepteert Grok er zoveel als u wilt.
Deze flexibiliteit maakt use-cases mogelijk die elders onuitvoerbaar zijn, maar vereist ook een goed begrip van de praktische implicaties.
Wat “onbeperkt” echt betekent
Geen limiet op het aantal afbeeldingen betekent niet dat er geen beperkingen zijn. Verschillende factoren beperken van nature hoeveel afbeeldingen u effectief kunt verzenden:
Contextvenster
Het model heeft een vast contextvenster. Elke afbeelding verbruikt tussen de 256 en 1792 tokens. Als u 50 afbeeldingen in high-modus verzendt, gebruikt u potentieel 89.600 tokens alleen al voor de afbeeldingen, waardoor er weinig ruimte overblijft voor tekst en het antwoord.
Kwaliteit van de analyse
Boven een bepaald aantal afbeeldingen neemt de kwaliteit van de analyse af. Het model moet zijn aandacht over alle afbeeldingen verdelen, wat kan leiden tot oppervlakkige beschrijvingen of weglatingen.
Latentie en time-out
Hoe meer afbeeldingen u verzendt, hoe langer de verwerking duurt. Met een aanbevolen time-out van 3600 seconden voor redeneermodellen, kunnen zeer grote verzoeken deze limiet benaderen.
Praktische aanbevelingen per volume
| Aantal afbeeldingen | Aanbeveling | Voorgestelde detailgraad |
|---|---|---|
| 1-3 | Gedetailleerde analyse mogelijk | high |
| 4-10 | Efficiënte vergelijking | auto |
| 11-20 | Batchclassificatie | low |
| 20+ | Opsplitsen in sub-verzoeken | low |
Multi-afbeeldingsarchitecturen in productie
Patroon: Sequentiële verwerking met aggregatie
Om een groot aantal afbeeldingen te analyseren, verwerkt u ze in batches en aggregateert u vervolgens de resultaten:
import json
def analyser_catalogue(images, taille_lot=8):
"""Analyseert een afbeeldingscatalogus in batches."""
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"Afbeelding {i + j}:"
})
input_data.append({
"type": "input_image",
"image_url": img,
"detail": "low"
})
input_data.append({
"type": "input_text",
"text": """Identificeer voor elke afbeelding in JSON:
{"number": N, "category": "...", "short_description": "..."}
Retourneer een 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
Patroon: Trechterfiltering
Begin met een snelle sortering van alle afbeeldingen en duik vervolgens alleen diep in de relevante afbeeldingen:
def entonnoir_analyse(images, critere):
"""Filtert eerst en analyseert vervolgens in diepte."""
# Stap 1: Snelle filtering
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"""Welke van deze {len(images)} afbeeldingen
voldoen aan de criteria: "{critere}"?
Retourneer alleen de nummers (0-gebaseerde 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)
# Stap 2: Diepgaande analyse van gefilterde afbeeldingen
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": "Gedetailleerde analyse van deze afbeelding."}
],
store=False
)
resultats.append({"index": idx, "analysis": response_detail.output_text})
return resultats
Foutafhandeling bij grote afbeeldingssets
Bij het werken met een groot aantal afbeeldingen is de kans op fouten groter. Implementeer robuuste afhandeling:
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 # Exponentiële backoff
time.sleep(delai)
else:
raise e
Belangrijkste punten
- De xAI API accepteert een onbeperkt aantal afbeeldingen, maar het contextvenster blijft eindig
- Gebruik bij meer dan 10 afbeeldingen
detail: "low"om de analysekwaliteit te behouden - Splits bij meer dan 20 afbeeldingen op in sub-verzoeken voor betrouwbaarheid
- Het “trechter”-patroon (snelle filtering gevolgd door gedetailleerde analyse) is het meest effectief voor grote volumes
- Implementeer retries met exponentiële backoff voor grote verzoeken