Neomejeno število slik na zahtevo
Na tej strani
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