Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Neomejeno število slik na zahtevo

Lekcija 11 od 12 Posodobljeno 30. julij 2026 Začetnik
Na tej strani
  1. Konkurenčna prednost API-ja xAI
  2. Kaj „neomejeno” dejansko pomeni
  3. Praktična priporočila glede na količino
  4. Arhitekture z več slikami v proizvodnem okolju
  5. Obravnava napak pri velikih naborih slik
  6. Ključne ugotovitve

Konkurenčna prednost API-ja xAI

API xAI izstopa med konkurenti zaradi ene ključne tehnične lastnosti: ne nalaga nobene omejitve glede števila slik, ki jih lahko pošlješ v enem samem zahtevku. Medtem ko te drugi API-ji omejujejo na 4, 10 ali 20 slik, Grok sprejme poljubno količino.

Ta prilagodljivost omogoča primere uporabe, ki so drugje nemogoči, vendar zahteva tudi trdno razumevanje praktičnih posledic.

Kaj „neomejeno” dejansko pomeni

Dejstvo, da ni omejitve števila slik, ne pomeni, da ni omejitev. Več dejavnikov naravno omejuje, koliko slik lahko učinkovito pošlješ:

Okno konteksta

Model ima določeno velikost okna konteksta. Vsaka slika porabi med 256 in 1792 žetonov. Če pošlješ 50 slik v načinu high, potencialno porabiš 89.600 žetonov zgolj za slike, kar pusti malo prostora za besedilo in odgovor.

Kakovost analize

Prek določenega števila slik kakovost analize upade. Model mora svojo pozornost razporediti med vse slike, kar lahko vodi v površne opise ali izpuste.

Zakasnitev in časovna omejitev

Več slik kot pošlješ, dlje traja obdelava. Pri priporočeni časovni omejitvi 3600 sekund za modele za sklepanje se lahko zelo veliki zahtevki približajo tej meji.

Praktična priporočila glede na količino

Število slik Priporočilo Predlagana podrobnost
1–3 Podrobna analiza je mogoča high
4–10 Učinkovita primerjava auto
11–20 Serijska klasifikacija low
20+ Razdeli na podzahtevke low

Arhitekture z več slikami v proizvodnem okolju

Vzorec: Zaporedna obdelava z agregacijo

Za analizo velikega števila slik jih obdelaj v serijah in nato združi rezultate:

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

Vzorec: Lijakasto filtriranje

Začni s hitrim razvrščanjem vseh slik, nato pa poglobljeno analiziraj le tiste, ki so relevantne:

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

Obravnava napak pri velikih naborih slik

Pri delu z velikim številom slik so napake verjetnejše. Vzpostavi robustno obravnavo:

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

Ključne ugotovitve

  • API xAI sprejme neomejeno število slik, vendar ostaja okno konteksta končno
  • Pri več kot 10 slikah uporabi detail: "low", da ohraniš kakovost analize
  • Pri več kot 20 slikah zahtevek razdeli na podzahtevke zaradi zanesljivosti
  • Vzorec „lijaka” (hitro filtriranje, nato podrobna analiza) je najučinkovitejši za velike količine
  • Pri velikih zahtevkih vzpostavi ponovne poskuse z eksponentnim zamikom