Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Parameter detail: auto, low en high

Les 2 van 12 Bijgewerkt op 30 juli 2026 Beginner
Op deze pagina
  1. Analyseprecisie sturen
  2. De drie detailniveaus
  3. De niveaus vergelijken
  4. Syntaxis per API
  5. Optimalisatiestrategie
  6. Belangrijkste punten

Analyseprecisie sturen

Wanneer u een afbeelding naar Grok stuurt, kunt u het detailniveau van de analyse sturen met de parameter detail. Deze parameter heeft directe invloed op de kwaliteit van het antwoord, de verwerkingstijd en het tokenverbruik.

Inzicht in deze parameter is essentieel om kosten te optimaliseren en de precisie af te stemmen op elke use case.

De drie detailniveaus

De xAI-API biedt drie waarden voor de parameter detail:

Auto (standaardwaarde)

Als u de parameter detail niet opgeeft, gebruikt het model auto. Het bepaalt automatisch het benodigde detailniveau op basis van de afbeelding en uw prompt.

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

Dit is het aanbevolen gedrag voor de meeste use cases. Het model past zijn analysestrategie aan op basis van de waargenomen complexiteit van de afbeelding en de gestelde vraag.

Low (snel en zuinig)

De modus low voert een snelle afbeeldingsanalyse uit met minder tokens. Dit is de ideale keuze wanneer u een algemeen begrip nodig heeft zonder in te gaan op fijne details.

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

Use cases voor low:

  • Inhoud van een afbeelding classificeren (landschap, portret, document, enz.)
  • Het hoofdonderwerp van een foto identificeren
  • Snel een batch afbeeldingen sorteren
  • Controleren of een afbeelding voldoet aan een eenvoudig criterium

High (langzaam en gedetailleerd)

De modus high forceert een exhaustieve afbeeldingsanalyse. Het model onderzoekt elke zone op maximale resolutie, wat meer tokens verbruikt maar veel nauwkeurigere beschrijvingen oplevert.

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

Use cases voor high:

  • Fijne tekst in een afbeelding lezen (OCR)
  • Grafieken met gedetailleerde legenda’s analyseren
  • Defecten in productfoto’s detecteren
  • Screenshots van complexe interfaces onderzoeken

De niveaus vergelijken

Parameter Snelheid Tokens Precisie
auto Variabel Variabel Adaptief
low Snel Minder tokens Algemeen
high Langzaam Meer tokens Gedetailleerd

Syntaxis per API

De parameter detail wordt op verschillende plaatsen geplaatst, afhankelijk van de gebruikte API.

Responses API (aanbevolen)

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 (verouderd)

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."
            }
        ]
    }]
)

Merk op dat bij Chat Completions detail genest is binnen het object image_url, terwijl deze bij de Responses API op hetzelfde niveau staat als image_url.

Optimalisatiestrategie

In productie is het een best practice om het detailniveau aan te passen op basis van het type taak:

def analyser_image(image_url, tache):
    # Eenvoudige taken → low om kosten te besparen
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Complexe taken → high voor precisie
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # Standaard → laat het model beslissen
    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}"}
        ]
    )

Met deze aanpak kunt u de tokenkosten voor eenvoudige taken aanzienlijk verlagen, terwijl u daar waar nodig maximale precisie behoudt.

Belangrijkste punten

  • De parameter detail stuurt de diepgang van de afbeeldingsanalyse
  • auto (standaard) laat het model beslissen; dit is de aanbevolen keuze
  • low is snel en zuinig, geschikt voor classificatietaken
  • high is langzaam maar nauwkeurig, geschikt voor OCR en fijnmazige analyse
  • Stem het detailniveau af op het type taak om kosten te optimaliseren