Przejdź do głównej treści
Polski— Wybierz język
Menu

Parametr detail: auto, low i high

Lekcja 2 z 12 Zaktualizowano 30 lipca 2026 Początkujący
Na tej stronie
  1. Kontrola precyzji analizy
  2. Trzy poziomy szczegółowości
  3. Porównanie poziomów
  4. Składnia w zależności od API
  5. Strategia optymalizacji
  6. Kluczowe wnioski

Kontrola precyzji analizy

Gdy przesyłasz obraz do Groka, możesz kontrolować poziom szczegółowości analizy za pomocą parametru detail. Parametr ten bezpośrednio wpływa na jakość odpowiedzi, czas przetwarzania i zużycie tokenów.

Zrozumienie tego parametru jest kluczowe dla optymalizacji kosztów i dopasowania precyzji do każdego przypadku użycia.

Trzy poziomy szczegółowości

API xAI oferuje trzy wartości dla parametru detail:

Auto (wartość domyślna)

Gdy nie określisz parametru detail, model używa wartości auto. Automatycznie ocenia niezbędny poziom szczegółowości na podstawie obrazu i Twojego promptu.

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

Jest to zalecane zachowanie dla większości przypadków użycia. Model dostosowuje swoją strategię analizy w zależności od postrzeganej złożoności obrazu i zadanego pytania.

Low (szybko i ekonomicznie)

Tryb low wykonuje szybką analizę obrazu, zużywając mniej tokenów. To idealny wybór, gdy potrzebujesz ogólnego zrozumienia treści bez wchodzenia w drobne szczegóły.

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

Przypadki użycia dla low:

  • Klasyfikacja zawartości obrazu (krajobraz, portret, dokument itp.)
  • Identyfikacja głównego obiektu na zdjęciu
  • Szybkie sortowanie partii obrazów
  • Sprawdzenie, czy obraz spełnia proste kryterium

High (wolno i szczegółowo)

Tryb high wymusza wyczerpującą analizę obrazu. Model bada każdy obszar w maksymalnej rozdzielczości, co zużywa więcej tokenów, ale generuje znacznie precyzyjniejsze opisy.

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

Przypadki użycia dla high:

  • Odczyt drobnego tekstu na obrazie (OCR)
  • Analiza wykresów ze szczegółowymi legendami
  • Wykrywanie defektów na zdjęciach produktów
  • Badanie zrzutów ekranu złożonych interfejsów

Porównanie poziomów

Parametr Szybkość Tokeny Precyzja
auto Zmienna Zmienna Adaptacyjna
low Szybka Mniej tokenów Ogólna
high Wolna Więcej tokenów Szczegółowa

Składnia w zależności od API

Parametr detail umieszcza się w różnych miejscach w zależności od używanego API.

Responses API (zalecane)

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 (przestarzałe)

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."
            }
        ]
    }]
)

Zauważ, że w Chat Completions parametr detail znajduje się wewnątrz obiektu image_url, podczas gdy w Responses API jest on na tym samym poziomie co image_url.

Strategia optymalizacji

W środowisku produkcyjnym najlepszą praktyką jest dostosowanie poziomu szczegółowości do rodzaju zadania:

def analyser_image(image_url, tache):
    # Proste zadania → low, aby oszczędzać koszty
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Złożone zadania → high dla precyzji
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # Domyślnie → pozwól modelowi zadecydować
    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}"}
        ]
    )

Podejście to pozwala znacznie zredukować koszty tokenów przy prostych zadaniach, jednocześnie utrzymując maksymalną precyzję tam, gdzie jest to konieczne.

Kluczowe wnioski

  • Parametr detail kontroluje głębokość analizy obrazu
  • auto (domyślnie) pozwala modelowi podjąć decyzję – jest to zalecany wybór
  • low jest szybki i ekonomiczny, odpowiedni do zadań klasyfikacyjnych
  • high jest wolny, ale precyzyjny, odpowiedni do OCR i analizy drobnych szczegółów
  • Dostosuj poziom szczegółowości do rodzaju zadania, aby zoptymalizować koszty