Salt la conținutul principal
Română— Alege o limbă
Meniu

Număr nelimitat de imagini per solicitare

Lecția 11 din 12 Actualizată 30 iulie 2026 Începător
Pe această pagină
  1. Un avantaj competitiv al API-ului xAI
  2. Ce înseamnă cu adevărat „nelimitat“
  3. Recomandări practice în funcție de volum
  4. Arhitecturi multi-imagine în producție
  5. Gestionarea erorilor cu seturi mari de imagini
  6. Puncte cheie

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