Obegränsat antal bilder per förfrågan
På denna sida
En konkurrensfördel med xAI API
xAI API utmärker sig från konkurrenterna på en avgörande teknisk punkt: det finns ingen gräns för hur många bilder du kan skicka i en enda förfrågan. Där andra API:er begränsar dig till 4, 10 eller 20 bilder, accepterar Grok hur många du vill.
Denna flexibilitet öppnar upp för användningsområden som är omöjliga på andra ställen, men det kräver också en solid förståelse för de praktiska konsekvenserna.
Vad “obegränsat” egentligen betyder
Att det inte finns någon gräns för antalet bilder innebär inte att det saknas begränsningar. Flera faktorer sätter naturliga gränser för hur många bilder du effektivt kan skicka:
Kontextfönster
Modellen har ett fast kontextfönster. Varje bild förbrukar mellan 256 och 1792 token. Om du skickar 50 bilder i high-läge kan du potentiellt använda 89 600 token enbart för bilderna, vilket lämnar lite utrymme kvar för text och svaret.
Analyskvalitet
Över ett visst antal bilder sjunker analyskvaliteten. Modellen måste sprida sin uppmärksamhet över alla bilder, vilket kan leda till ytliga beskrivningar eller utelämningar.
Latens och tidsgräns
Ju fler bilder du skickar, desto längre tar bearbetningen. Med en rekommenderad tidsgräns på 3600 sekunder för resonemangsmodeller kan mycket stora förfrågningar närma sig denna gräns.
Praktiska rekommendationer efter volym
| Antal bilder | Rekommendation | Föreslagen detaljnivå |
|---|---|---|
| 1–3 | Detaljerad analys möjlig | high |
| 4–10 | Effektiv jämförelse | auto |
| 11–20 | Batch-klassificering | low |
| 20+ | Dela upp i delförfrågningar | low |
Arkitekturer för flera bilder i produktion
Mönster: Sekventiell bearbetning med aggregering
För att analysera ett stort antal bilder bör du bearbeta dem i batchar och sedan sammanställa resultaten:
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
Mönster: Trattfiltrering
Börja med en snabb sortering av alla bilder och fördjupa dig sedan endast i de som är relevanta:
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
Felhantering med stora bilduppsättningar
När du arbetar med ett stort antal bilder är sannolikheten för fel större. Implementera robust felhantering:
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
Viktiga punkter
- xAI API accepterar ett obegränsat antal bilder, men kontextfönstret är ändligt
- Vid fler än 10 bilder, använd
detail: "low"för att bevara analyskvaliteten - Vid fler än 20 bilder, dela upp förfrågan i delförfrågningar för ökad tillförlitlighet
- “Trattmönstret” (snabb filtrering följt av detaljerad analys) är mest effektivt för stora volymer
- Implementera försök med exponentiell backoff för stora förfrågningar