Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Obegränsat antal bilder per förfrågan

Lektion 11 av 12 Uppdaterad 30 juli 2026 Nybörjare
På denna sida
  1. En konkurrensfördel med xAI API
  2. Vad “obegränsat” egentligen betyder
  3. Praktiska rekommendationer efter volym
  4. Arkitekturer för flera bilder i produktion
  5. Felhantering med stora bilduppsättningar
  6. Viktiga punkter

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