Număr nelimitat de imagini per solicitare
Pe această pagină
Un avantaj competitiv al API-ului xAI
API-ul xAI se distinge de concurență printr-un punct tehnic esențial: nu impune nicio limită privind numărul de imagini trimise într-o singură solicitare. În timp ce alte API-uri vă limitează la 4, 10 sau 20 de imagini, Grok acceptă câte doriți.
Această flexibilitate deblochează cazuri de utilizare imposibile în altă parte, dar necesită, de asemenea, o înțelegere solidă a implicațiilor practice.
Ce înseamnă cu adevărat „nelimitat“
Absența unei limite privind numărul de imagini nu înseamnă absența constrângerilor. Mai mulți factori limitează natural câte imagini puteți trimite eficient:
Fereastra de context
Modelul are o fereastră de context fixă. Fiecare imagine consumă între 256 și 1792 de tokeni. Dacă trimiteți 50 de imagini în modul high, utilizați potențial 89.600 de tokeni doar pentru imagini, lăsând puțin spațiu pentru text și pentru răspuns.
Calitatea analizei
Dincolo de un anumit număr de imagini, calitatea analizei scade. Modelul trebuie să își distribuie atenția asupra tuturor imaginilor, ceea ce poate duce la descrieri superficiale sau omisiuni.
Latență și timeout
Cu cât trimiteți mai multe imagini, cu atât procesarea durează mai mult. Cu un timeout recomandat de 3600 de secunde pentru modelele de raționament, solicitările foarte mari se pot apropia de această limită.
Recomandări practice în funcție de volum
| Număr de imagini | Recomandare | Detaliu sugerat |
|---|---|---|
| 1-3 | Analiză detaliată posibilă | high |
| 4-10 | Comparație eficientă | auto |
| 11-20 | Clasificare în loturi | low |
| 20+ | Divizare în sub-solicitări | low |
Arhitecturi multi-imagine în producție
Model: Procesare secvențială cu agregare
Pentru a analiza un număr mare de imagini, procesați-le în loturi, apoi agregați rezultatele:
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
Model: Filtrare de tip pâlnie
Începeți cu o sortare rapidă a tuturor imaginilor, apoi aprofundați analiza doar pentru cele relevante:
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
Gestionarea erorilor cu seturi mari de imagini
Atunci când lucrați cu un număr mare de imagini, erorile sunt mai probabile. Implementați o gestionare robustă:
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
Puncte cheie
- API-ul xAI acceptă un număr nelimitat de imagini, dar fereastra de context rămâne finită
- Dincolo de 10 imagini, utilizați
detail: "low"pentru a păstra calitatea analizei - Dincolo de 20 de imagini, divizați solicitarea în sub-solicitări pentru fiabilitate
- Modelul „pâlnie“ (filtrare rapidă urmată de analiză detaliată) este cel mai eficient pentru volume mari
- Implementați reîncercări cu backoff exponențial pentru solicitările mari