RPM och TPM per modell
På denna sida
Uppdatering 2 november 2026 — Imagine.
grok-imagine-image-qualitytogs bort den 2 november 2026: dess förfrågningar hanteras nu av Imagine Image 2.0 (grok-imagine-image-2.0, $0.04 per bild) i kvalitetlow. Byt ut identifieraren i dina exempel och ställ in önskad kvalitet;grok-imagine-image(version 1.0) påverkas inte. Imagine Image 2.0 accepterar upp till fem referensbilder och kvalitetslägetauto, som nu är standard.
De två begränsande måtten

Grok API mäter inte din användning med en enda räknare, utan med två som utlöses oberoende av varandra: RPM (förfrågningar per minut) och TPM (token per minut). Du kan bli blockerad av den ena medan du fortfarande ligger långt under den andras tak. Det som är avgörande för det följande är att dessa två räknare spåras per modell, så dina gränser för grok-4.5 påverkar inte dem för grok-4.3.
Denna distinktion är inte bara en detalj i dokumentationen. Den avgör hur du dimensionerar din infrastruktur, hur du fördelar lasten och exakt var din tjänst börjar returnera fel vid trafiktoppardagar.
RPM sätter taket för antalet anrop
RPM räknar anrop oavsett deras storlek: en förfrågan på tio token och en på hundratusen token väger exakt lika mycket. De officiella modellbladen uttrycker detta i förfrågningar per sekund: 150 för grok-4.7 och grok-4.5 (9 000 per minut), 37 för grok-4.3 (2 220 per minut). Detta räcker för en vanlig konversationsapplikation.
RPM blir flaskhalsen så snart dina förfrågningar är många och korta. En pipeline som klassificerar supportärenden ett efter ett, eller extraherar tre entiteter per mening i ett dokumentkorpus, kommer att tömma sin kvot för anrop långt innan den närmar sig sin tokenkvot. I detta fall är lösningen inte att begära högre RPM, utan att bunta ihop flera objekt i ett enda anrop.
TPM sätter taket för den bearbetade volymen
TPM summerar inmatnings- och utmatningstoken över en glidande minut. Enligt de officiella bladen är gränsen 50 miljoner token per minut för grok-4.7 och grok-4.5, och 10 miljoner för grok-4.3. Beteendet här är exakt det motsatta jämfört med föregående fall: få anrop, men mycket tunga.
Tänk dig en dokumentanalystjänst som skickar mappar med 50 000 token vardera. För grok-4.3 skulle taket för förfrågningar tillåta 2 220 inskickningar per minut, men TPM stoppar vid 200 dokument: 200 × 50 000 = 10 miljoner. Du mättar alltså vid ungefär en elftedel av din teoretiska kapacitet vad gäller antalet anrop, och ingen inställning för parallellisering låter dig bryta igenom denna vägg.
Gränser specifika för varje modell
Taken varierar beroende på vilken typ av modell du anropar, och du måste känna till denna skala innan du lovar genomströmning till en kund.
| Kategori | Modeller | Gräns (officiellt blad) |
|---|---|---|
| Text | grok-4.7, grok-4.5 | 150 förfrågningar/s, 50M TPM |
| Text | grok-4.3 | 37 förfrågningar/s, 10M TPM |
| Bild | grok-imagine-image, grok-imagine-image-2.0 | 6 förfrågningar/s |
| Video | grok-imagine-video, -1.5, -1.5-lite | 10 förfrågningar/s |
Dessa värden hämtas från de officiella modellbladen per den 2 november 2026; ditt teams faktiska gränser visas i xAI-konsolen.
Eftersom räknarna är oberoende blockerar mättning av en modell inte de andra. Om grok-4.5 returnerar 429-fel, fortsätter grok-4.3 att acceptera dina förfrågningar som om inget hänt. Detta är en ofta förbisedd hävstång för genomströmning: istället för att vänta på en kvotökning, routa enkla uppgifter – klassificering, extrahering, kort sammanfattning – till en mindre belastad modell, reservera grok-4.5 för verkligt komplex resonemang och låt flux som orkestrerar flera underagenter skötas av grok-4.20-multi-agent-0309. Din plattforms totala genomströmning blir då summan av flera kvoter istället för bara en.
Övervaka konsumtion utan dedikerade headrar
Grok API returnerar inga headrar i sina svar som indikerar hur mycket RPM eller TPM du har kvar. Med andra ord finns ingen varning när du närmar dig taket: det enda sättet att veta var du står är att föra bokföringen själv på klientsidan.
Denna spårning bygger på tre element: en räknare för förfrågningar per minut per modell, en tokenräknare som matas av objektet usage som varje svar innehåller, och en alerttröskel som utlöses vid cirka 80 % av gränserna. Denna sista punkt är den viktigaste: en alert vid 80 % ger dig tid att justera – fördela last, jämna ut inskickningar, trigga en uppgradering av nivå – medan en alert vid 100 % bara bekräftar en pågående incident.
Viktiga punkter
- Gränser mäts i RPM (förfrågningar/minut) och TPM (token/minut)
- Textmodeller erbjuder som standard 1 800 RPM och 10M TPM
- Varje modell har sina egna oberoende gränser
- Att fördela lasten över modeller möjliggör multiplicering av den effektiva genomströmningen
- Implementera spårning på klientsidan för att förutse gränser