Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Parametern detail: auto, low och high

Lektion 2 av 12 Uppdaterad 30 juli 2026 Nybörjare
På denna sida
  1. Styr analysens precision
  2. De tre detaljnivåerna
  3. Jämför nivåerna
  4. Syntax per API
  5. Optimeringsstrategi
  6. Viktiga punkter

Styr analysens precision

När du skickar en bild till Grok kan du styra analysens detaljnivå med parametern detail. Denna parameter påverkar direkt svarskvalitet, bearbetningstid och tokenförbrukning.

Att förstå denna parameter är avgörande för att optimera kostnader och anpassa precisionen till varje användningsfall.

De tre detaljnivåerna

xAI:s API erbjuder tre värden för parametern detail:

Auto (standardvärde)

Om du inte anger parametern detail använder modellen auto. Den utvärderar automatiskt den nödvändiga detaljnivån baserat på bilden och din prompt.

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

Detta är det rekommenderade beteendet för de flesta användningsfall. Modellen anpassar sin analysstrategi utifrån den upplevda komplexiteten i bilden och frågan som ställs.

Low (snabbt och ekonomiskt)

Läget low utför en snabb bildanalys med färre tokens. Detta är det idealiska valet när du behöver en generell förståelse utan att gå in på fina detaljer.

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

Användningsfall för low:

  • Klassificera bildinnehåll (landskap, porträtt, dokument, etc.)
  • Identifiera huvudmotivet i ett foto
  • Snabbt sortera en batch av bilder
  • Kontrollera om en bild matchar ett enkelt kriterium

High (långsamt och detaljerat)

Läget high tvingar fram en uttömmande bildanalys. Modellen undersöker varje zon med maximal upplösning, vilket förbrukar fler tokens men ger mycket mer precisa beskrivningar.

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

Användningsfall för high:

  • Läsa fin text i en bild (OCR)
  • Analysera diagram med detaljerade förklaringar
  • Upptäcka defekter i produktfoton
  • Granska skärmdumpar av komplexa gränssnitt

Jämför nivåerna

Parameter Hastighet Tokens Precision
auto Variabel Variabel Adaptiv
low Snabb Färre tokens Generell
high Långsam Fler tokens Detaljerad

Syntax per API

Parametern detail placeras olika beroende på vilket API du använder.

Responses API (rekommenderas)

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 (föråldrat)

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."
            }
        ]
    }]
)

Observera att i Chat Completions är detail nästlad inuti objektet image_url, medan den i Responses API ligger på samma nivå som image_url.

Optimeringsstrategi

I produktion är en bästa praxis att anpassa detaljnivån baserat på uppgiftstyp:

def analyser_image(image_url, tache):
    # Enkla uppgifter → low för att spara kostnader
    if tache in ["classifier", "trier", "identifier_sujet"]:
        detail = "low"
    # Komplexa uppgifter → high för precision
    elif tache in ["ocr", "graphique", "defaut_produit"]:
        detail = "high"
    # Standard → låt modellen avgöra
    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}"}
        ]
    )

Denna approach låter dig minska tokenkostnaderna avsevärt för enkla uppgifter samtidigt som du behåller maximal precision där det behövs.

Viktiga punkter

  • Parametern detail styr djupet i bildanalysen
  • auto (standard) låter modellen avgöra – detta är det rekommenderade valet
  • low är snabbt och ekonomiskt, lämpligt för klassificeringsuppgifter
  • high är långsamt men precist, lämpligt för OCR och finmaskig analys
  • Anpassa detaljnivån efter uppgiftstyp för att optimera kostnaderna