Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Parameter detail: auto, low in high

Lekcija 2 od 12 Posodobljeno 30. julij 2026 Začetnik
Na tej strani
  1. Nadzor natančnosti analize
  2. Tri ravni podrobnosti
  3. Primerjava ravni
  4. Sintaksa po API-ju
  5. Strategija optimizacije
  6. Ključne ugotovitve

Nadzor natančnosti analize

Ko pošlješ sliko modelu Grok, lahko raven podrobnosti analize nadziraš s parametrom detail. Ta parameter neposredno vpliva na kakovost odgovora, čas obdelave in porabo žetonov.

Razumevanje tega parametra je ključno za optimizacijo stroškov in prilagajanje natančnosti vsakemu primeru uporabe.

Tri ravni podrobnosti

API xAI ponuja tri vrednosti za parameter detail:

Auto (privzeta vrednost)

Če parametra detail ne določiš, model uporabi vrednost auto. Samodejno oceni potrebno raven podrobnosti na podlagi slike in tvojega poziva.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg"
}

To je priporočeno obnašanje za večino primerov uporabe. Model prilagodi svojo strategijo analize glede na zaznano kompleksnost slike in zastavljeno vprašanje.

Low (hitro in varčno)

Način low izvede hitro analizo slike z uporabo manj žetonov. To je idealna izbira, ko potrebuješ splošno razumevanje brez poglabljanja v fine podrobnosti.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg",
  "detail": "low"
}

Primeri uporabe za low:

  • Razvrščanje vsebine slike (pokrajina, portret, dokument itd.)
  • Identifikacija glavnega subjekta na fotografiji
  • Hitro razvrščanje serije slik
  • Preverjanje, ali slika ustreza preprostemu merilu

High (počasno in podrobno)

Način high prisili izčrpno analizo slike. Model pregleda vsako cono pri največji ločljivosti, kar porabi več žetonov, a proizvede veliko natančnejše opise.

{
  "type": "input_image",
  "image_url": "https://exemple.com/photo.jpg",
  "detail": "high"
}

Primeri uporabe za high:

  • Branje drobnega besedila na sliki (OCR)
  • Analiza grafikov s podrobnimi legendami
  • Zaznavanje napak na fotografijah izdelkov
  • Pregled posnetkov zaslona kompleksnih vmesnikov

Primerjava ravni

Parameter Hitrost Žetoni Natančnost
auto Promenljiva Promenljiva Prilagodljiva
low Hitro Manj žetonov Splošno
high Počasno Več žetonov Podrobno

Sintaksa po API-ju

Parameter detail je postavljen različno, odvisno od uporabljenega API-ja.

Responses API (priporočeno)

response = client.responses.create(
    model="grok-4.5",
    input=[
        {
            "type": "input_image",
            "image_url": "https://exemple.com/photo.jpg",
            "detail": "high"
        },
        {
            "type": "input_text",
            "text": "Read all visible text in this image."
        }
    ]
)

Chat Completions API (starejši)

response = client.chat.completions.create(
    model="grok-4.5",
    messages=[{
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {
                    "url": "https://exemple.com/photo.jpg",
                    "detail": "high"
                }
            },
            {
                "type": "text",
                "text": "Read all visible text in this image."
            }
        ]
    }]
)

Upoštevaj, da je pri Chat Completions parameter detail gnezden znotraj objekta image_url, medtem ko je pri Responses API-ju na isti ravni kot image_url.

Strategija optimizacije

V produkcijskem okolju je najboljša praksa prilagajanje ravni podrobnosti glede na vrsto naloge:

def analyser_image(image_url, tache):
    # Preproste naloge → low za varčevanje s stroški
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Kompleksne naloge → high za natančnost
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # Privzeto → prepusti odločitev modelu
    else:
        detail = "auto"

    return client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": detail},
            {"type": "input_text", "text": f"Task: {tache}"}
        ]
    )

Ta pristop ti omogoča znatno zmanjšanje stroškov žetonov pri preprostih nalogah, hkrati pa ohranja največjo natančnost tam, kjer je to potrebno.

Ključne ugotovitve

  • Parameter detail nadzira globino analize slike
  • auto (privzeto) prepusti odločitev modelu – to je priporočena izbira
  • low je hiter in varčen, primeren za naloge razvrščanja
  • high je počasen, a natančen, primeren za OCR in podrobno analizo
  • Prilagodi raven podrobnosti vrsti naloge za optimizacijo stroškov