Imagens Ilimitadas por Pedido
Nesta página
Uma Vantagem Competitiva da API xAI
A API xAI destaca-se da concorrência num ponto técnico fundamental: não impõe qualquer limite ao número de imagens enviadas num único pedido. Enquanto outras APIs o limitam a 4, 10 ou 20 imagens, o Grok aceita quantas quiser.
Esta flexibilidade desbloqueia casos de uso impossíveis noutros locais, mas exige também uma compreensão sólida das implicações práticas.
O Que “Ilimitado” Significa Realmente
Não haver limite na contagem de imagens não significa ausência de restrições. Vários fatores limitam naturalmente quantas imagens pode enviar de forma eficaz:
Janela de Contexto
O modelo possui uma janela de contexto fixa. Cada imagem consome entre 256 e 1792 tokens. Se enviar 50 imagens no modo high, potencialmente utiliza 89.600 tokens apenas para as imagens, restando pouco espaço para texto e para a resposta.
Qualidade da Análise
Acima de determinado número de imagens, a qualidade da análise diminui. O modelo deve distribuir a sua atenção por todas as imagens, o que pode levar a descrições superficiais ou omissões.
Latência e Tempo Limite (Timeout)
Quanto mais imagens enviar, mais demorado será o processamento. Com um tempo limite recomendado de 3600 segundos para modelos de raciocínio, pedidos muito grandes podem aproximar-se deste limite.
Recomendações Práticas por Volume
| Número de Imagens | Recomendação | Detalhe Sugerido |
|---|---|---|
| 1-3 | Análise detalhada possível | high |
| 4-10 | Comparação eficiente | auto |
| 11-20 | Classificação em lote | low |
| 20+ | Dividir em subpedidos | low |
Arquiteturas de Múltiplas Imagens em Produção
Padrão: Processamento Sequencial com Agregação
Para analisar um grande número de imagens, processe-as em lotes e agregue depois os resultados:
import json
def analyser_catalogue(images, taille_lot=8):
"""Analyzes an image catalogue 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"Image {i + j}:"
})
input_data.append({
"type": "input_image",
"image_url": img,
"detail": "low"
})
input_data.append({
"type": "input_text",
"text": """For each image, identify in JSON:
{"number": N, "category": "...", "short_description": "..."}
Return a 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
Padrão: Filtragem em Funil
Comece por uma triagem rápida em todas as imagens e depois aprofunde apenas as que são relevantes:
def entonnoir_analyse(images, critere):
"""Filters then analyzes in depth."""
# Step 1: Quick 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"""Among these {len(images)} images, which ones
match the criteria: "{critere}"?
Return only the numbers (0-based 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)
# Step 2: In-depth analysis of filtered images
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": "Detailed analysis of this image."}
],
store=False
)
resultats.append({"index": idx, "analysis": response_detail.output_text})
return resultats
Gestão de Erros com Grandes Conjuntos de Imagens
Ao trabalhar com um grande número de imagens, os erros são mais prováveis. Implemente uma gestão robusta:
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 # Exponential backoff
time.sleep(delai)
else:
raise e
Pontos-chave
- A API xAI aceita um número ilimitado de imagens, mas a janela de contexto permanece finita
- Acima de 10 imagens, utilize
detail: "low"para preservar a qualidade da análise - Acima de 20 imagens, divida em subpedidos para garantir fiabilidade
- O padrão de «funil» (filtragem rápida seguida de análise detalhada) é o mais eficaz para grandes volumes
- Implemente novas tentativas com recuo exponencial para pedidos de grande dimensão