尧图网页设计 
【免费下载链接】pxpipecut Claude Code token usage by rendering text context as images项目地址https://gitcode.com/gh_mirrors/px/pxpipe点击查看免费下载Grok 4.5 是 pxpipe通过渲染图片承载文本上下文来削减 Claude Code token 消耗的项目评估的又一条 OpenAI Responses 路径模型。本文以 eval/grok-density/QUALITY_RESULTS.md 为骨架完整呈现 2026-07-23 定版的生产 profile 质量矩阵novel arithmetic 100/100、gist 97/98、state 17/18、0 幻觉守卫并对照旧 5×8 套件与后续 native 字体扫描从 src/core/gpt-model-profiles.ts 的源码级 profile 定义到可复现的评测命令讲清Grok 为什么保持 opt-in这一结论是如何用数据推出来的。读完你不仅能复跑这套质量测试还能理解 pxpipe 里按模型计价的图片 token 成本模型与密度-可读性权衡的底层实现。一、为什么要为 Grok 单独跑一套质量评测pxpipe 的核心手段是把对话历史、工具结果等文本上下文渲染成图片以远低于文本 token 的图片 token 成本送入模型cut token usage by rendering text context as images。但这套压缩的前提是目标模型的视觉系统必须能从渲染图片中准确还原信息。此前该体系已覆盖 Fable 5、Opus 4.8 与 GPT 系模型Grok 4.5 则从 OpenAI 兼容的 Responses 端点Codex 同款路径进入其页面几何与视觉计费方式都不同因此需要独立的评测 harness 与独立的成本核算。质量评测要回答的关键问题在 eval/grok-density/README.md 中写得很明确如果 Grok 在 OpenAI Responses 路径上被显式启用它能读取共享的高密度 profile还是需要更低密度的几何参数答案直接决定 Grok 是进入默认模型白名单还是只能作为 opt-in 的低密度候选。评测本身不改生产默认值——只有数据达标才会考虑新增 Grok profile。二、评测协议固定探针电池与三类评分质量套件的入口在 eval/grok-density/QUALITY_SUITE.md三个 harness 分别度量三个维度全部通过同一 Responses 端点Codex 所用运行export OPENAI_BASE_URLhttp://127.0.0.1:GATEWAY_PORT/v1 export OPENAI_API_KEY… export SOL_QUALITY_MODELgrok-4.5 export SOL_QUALITY_LIVE1 pnpm run build N100 node eval/sol-profile/novel-arithmetic.mjs node eval/sol-profile/gist-recall.mjs node eval/sol-profile/verbatim-hex.mjs三个 harness 的共性设计值得注意这也保证了与 Claude 系评测结果可比直接 POST 到上游 provider并拒绝 pxpipe 本地端口QUALITY_RESULTS.md中明确记录 port 47821 rejected因此被测图片不会再被压缩变换一次测得的是模型对原始渲染图片的读取能力而非压缩后的再读取能力。使用resolveGptProfile(grok-4.5)解析出的生产 profile来渲染gpt-model-profiles.ts 的resolveGptProfile而非手工构造的宽松几何保证评测与线上行为一致。novel-arithmetic.mjs文本 vs 纯图片 vs 生产图片factsheetnovel-arithmetic.mjs 生成全新随机的算术应用题LCG 种子可复现SEED默认 20260711N默认 20、评测时开到 100同一题目分别走三条臂text 臂纯文本提问作为模型本底能力基线pure 臂题目渲染成图片只给图片提示词度量纯图片读取prod 臂图片 生产路径附带的 verbatim factsheet精确数字清单度量线上完整契约。评分是精确最终数字匹配ANSWER: number正则抽取不允许近似。CONCURRENCY3控制并发RETRY_ERRORS1可只补跑失败行。gist-recall.mjsgist 召回 state 跟踪 反幻觉守卫gist-recall.mjs 复用eval/gist-recall的已提交随机化 transcripts/probeswork/work2/work3三档各 10/6/6 个会话每个会话渲染后一次调用问完该会话全部探针按三类打分answerablegist 召回答案包含金标即命中state trackingwork3子集跨多轮追踪状态的数字/字段unanswerable守卫探针文档没提过的事正确行为是回UNKNOWN任何编造都记为 confabulation。verbatim-hex.mjs密集 12 字符 hex 精确召回verbatim-hex.mjs 读取eval/verbatim-15的golds.json固定夹具JSON 行中dur_ms字段对应的 12 位小写 hexid要求模型在给定页面上按dur精确返回对应 hex。这是最严苛的字节级测试——hex 序列无语义冗余任何一个 nibble 看错即判失败RETRIES可配置重试预算。三、定版生产 Profilenative 14px / 84 cols / maxH 512QUALITY_RESULTS.md的结论建立在2026-07-23 定版的生产 profile上。每一张 receipt 的 recipe 字段都必须显示jetbrains-mono-14/ 84 列 / maxH 512factsheet 开启、算术题附带 IDS精确数字清单。这条 profile 在源码 src/core/gpt-model-profiles.ts 的BUILTIN_RULES中对应/^grok-/前缀匹配规则{ test: isGrokModel, profile: { // 2026-07-09 在 grok-4.5 上实测768x336 → 268、764x980 → 748 等 // 图片 token 增量 ≈ 每百万像素 1000 token vision: { regime: mpix, tokensPerMegapixel: 1000 }, cacheReadRate: 0.25, outputRate: 3, // native 14px 是 Grok JB Mono 8–16px 盲测中最密的最佳档位 // 4/8 exact、4 confab、48% 节省。84 × 9px pad 764px ≤ 768。 stripCols: 84, maxHeightPx: 512, minCompressTokens: 500, factSheetFormat: full, history: { ...NATIVE_14PX_HISTORY }, style: { ...BASE_STYLE, font: jetbrains-mono-14, aa: true, grid: false, gridCols: 0, }, }, },几个源码级细节值得展开mpix计费 regimeGrok 的图片 token 不是 OpenAI 的 tile/32px patch 模型而是按像素计费。visionTokens()src/core/vision-cost.ts 的case mpix计算max(1, ceil((width×height / 1_000_000) × tokensPerMegapixel))。这是数据驱动的成本模型——所有 provider 差异都以 profile 数据表达定价路径里没有任何if (isGrok)分支。84 列是 768px 无降采样红线下的结果14px 字形的原生单元是 9×16px84 列 × 9px 两侧 pad 764px ≤ 768px恰好不触发 provider 的短边降采样——一旦被降采样本来要买的可读性就白买了profile 注释里明确警告了这一点。maxH 512 与 history 配置Grok 页高封顶 512px对比 GPT 的 1932pxhistory继承NATIVE_14PX_HISTORY注释还解释了responsesMode: mixed的原因——Codex 在工具轮之间会插 assistant 消息pairs模式会让每轮自成一段、剩余历史留在文本里导致 grok-4.6 实测节省约 0所以需要mixed把安全消息与已完成轮次合并成像。四、质量矩阵当前定版 profile 的实测数据QUALITY_RESULTS.md的核心结果表2026-07-23 定版 profile模型grok-4.5测试textproduction image备注novel arithmetic, N100100/100100/100纯图片同样 100/100gist recall—97/98无传输错误state tracking—17/18gist 语料的子集never-stated guards—0/16confabulated越低越好dense 12-char hex—0/150/12 完成3 次抓取错误仍未达到字节安全对这张表的正确读法算术是强项N100 下文本与图片均为 100/100且纯图片无 factsheet同样满分说明把题目渲染成图片让 Grok 4.5 解在算术这类高语义冗余任务上不损失能力这是图片压缩最安全的场景。gist/state 接近满分97/98 与 17/18 说明长文 gist 提取与跨轮状态跟踪基本可靠。反幻觉守卫满分16 个未陈述探针全部正确回绝0 次 confabulation——模型不会把图里没有的密钥/密码编造成事实这是可安全部署的前提之一。hex 是硬伤12 字符 hex 精确召回 0/15其中 12 个完成、3 个抓取错误仍然字节不安全。hex 无冗余、字符密集对视觉识别的要求远超自然语言。结论原话是 This is a large lift vs the prior 5×8 suite但 Dense hex remains 0——因此Grok 保持 opt-inhex 与 native-size 精确阶梯14px 下最佳也只有 4/8仍未达到 Fable 的门槛。五、历史对照被取代的 5×8 套件文档同时保留了被取代的历史基线同文件 Prior 5×8 suite (historical; superseded) 一节早期 receipt 使用 Spleen 5×8 / 152 列 / maxH 512得到 82/100 算术、83/98 gist、13/18 state、0/16 confab、0/15 hex。与定版 profile 对比可见从 5×8 换到 native 14px 后算术 1882→100、gist 1483→97、state 413→17反幻觉与 hex 两列没变0/16、0/15——这两项是模型视觉能力本身的边界不是字体密度能救的。文档明确要求不要把旧 5×8 数据当作当前 profile 的成果呈现。这提醒所有引用这套数据的人评测结论必须与 recipe字体/列数/页高/factsheet绑定脱离 recipe 谈数字没有意义。六、结论的决策链从密度扫描到 native 盲测再到定版定版 14px profile 不是拍脑袋选的QUALITY_RESULTS.md背后有一整条可追溯的测量链密度扫描eval/grok-density/RESULTS.md2026-07-09对固定探针hex/camel/path/port/gist/guard扫5x8/7x10/9x12三档结果单调且惊人——生产密度 5×8 下0/4 精确、4 次 confabulationhexa3f9c1e0b7d2被编成5c5eacb0a2pathsrc/core/anthropic-vision.ts被编成pro/core/anthropic-client.ts9×12 才清空接受线4/4 精确、0 confab。事实清单对照eval/grok-density/FACTSHEET_RESULTS.md2026-07-09证明 factsheet 能在 5×8 下挽救四个 token 形状5×8 纯图片 0/4 且 4 次 confab → 5×8factsheet 4/4、0 confab但 n1 无法证明对真实会话的覆盖因此定版采用更保守的独立测量组合——effective 9×12/84 列4/4、0 confab factsheet 作为纵深防御。成本校准eval/grok-density/CLIMB_RESULTS.md2026-07-09早期表用 GPT tile 估算器把 9×12 的节省算成 5%实测 Grok 计费约 1000 token/MPix 后同一 profile 的真实节省约 30%——这就是为什么成本必须走 vision-cost.ts 的mpixregime而不是沿用 GPT 的 tile 数学。native 字体盲测eval/grok-density/native-sweep/RESULTS.md2026-07-23最终把 Grok 定版为 14px 的是这组 JB Mono 8–16px 的盲测——没有任何一档达到 clean8/8 精确 0 confab最佳也只有 14–16px 的 4/8相比之下 Opus 14px clean、Sol 14px 可用且零编造。因此 Grok 定版停在最密最佳档 factsheet 兜底并明确写进 profile 注释native 14px 只是densest best rung不是 clean rung。这条决策链完整解释了QUALITY_RESULTS.md那句结论的技术含义Grok 的视觉系统对密集精确字符串的读取能力先天弱于 Fable/Opus所以它只能 opt-in不能进DEFAULT_MODEL_BASES当默认。七、复现与启用复跑完整质量套件上述第二节命令。如果只想跑图像读取部分或做横向对比可用 eval/grok-density/run.mjs密度扫描与 eval/grok-density/factsheet-vs-image.mjsfactsheet 对照两者均支持 dry-run只渲染记账不调模型pnpm run build # Dry-run只渲染与 token 记账 node eval/grok-density/run.mjs # Live需要 OPENAI_BASE_URL OPENAI_API_KEY 指向可服务 Grok 的 # OpenAI 兼容 Responses 端点绕过 pxpipe 以测原始图像读取 GROK_DENSITY_LIVE1 node eval/grok-density/run.mjs GROK_DENSITY_LIVE1 node eval/grok-density/factsheet-vs-image.mjs输出eval/grok-density/results.json机器可读、stdout 表格人可读、RESULTS.mdlive 运行后手写禁止编造数字。启用生产路径上的 GrokPXPIPE_MODELS...,grok-4.5或仪表盘 Grok 开关见 FACTSHEET_RESULTS.md。八、对 pxpipe 使用者的实操含义算术/摘要类会话Grok 4.5 的图片渲染压缩是安全的算术 100/100、gist 97/98、0 幻觉可以放心吃下图片 token 节省。含精确标识符的会话hex、hash、commit id、路径、端口Grok 目前字节不安全hex 0/15且 14px 下最佳仅 4/8这类内容仍应留在文本里或依赖 factsheet 兜底。默认白名单Grok 在 gpt-model-profiles.ts 中仍属 opt-in 规则isGrokModel只匹配/^grok-/同时被FAMILY_ID_GUARDS的mentions: /grok/守卫约束——任何提到 grok 但未匹配该 profile 的 id如带后缀变体会被 applicability.ts 拒绝压缩而不是错误地用 OpenAI tile 公式计价。这是数据驱动定价体系的另一面宁可拒绝也不猜错成本。如果你要复测或做模型对比请务必同时记录 recipe字体、cols、maxH、factsheet 开关并沿用QUALITY_RESULTS.md的结论格式——引用任何单点数字时都带上它对应的 profile否则对比无意义。赞分享【免费下载链接】pxpipecut Claude Code token usage by rendering text context as images项目地址https://gitcode.com/gh_mirrors/px/pxpipe点击查看免费下载相关推荐8款NeRF模型Blender数据集终极测评从训练速度到渲染质量的全面对决8款NeRF模型Blender数据集终极测评从训练速度到渲染质量的全面对决 你还在为3D重建项目选择模型发愁 当你尝试用NeRF神经辐射场Neural计算机视觉深度学习图形学OpenReel Aurora 原生渲染引擎从 Blender 级渲染蓝图到桌面端原生渲染的落地路径OpenReel Aurora 原生渲染引擎从 Blender 级渲染蓝图到桌面端原生渲染的落地路径 OpenReel 桌面端ElectronmacOS音视频前端桌面应用20步出图还是10秒渲染ControlNet采样策略终极对决DDIM与PLMS生成质量深度评测20步出图还是10秒渲染ControlNet采样策略终极对决DDIM与PLMS生成质量深度评测 你是否还在为AI绘图的等待时间抓狂明明设置相同参数别人1人工智能深度学习媒体生成计算机视觉微调大模型上一篇dreamshaper-inpaint.safetensors下一篇ESPectre 检测器配置重命名以目标为导向的 Lightweight / High-Accuracy 配置体系与 C SDK 实现解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 pxpipe 中的 Grok 4.5 图像渲染质量评测：从 5×8 密度套件到原生 14px 生产 Profile 的完整决策链
【免费下载链接】pxpipecut Claude Code token usage by rendering text context as images项目地址https://gitcode.com/gh_mirrors/px/pxpipe点击查看免费下载Grok 4.5 是 pxpipe通过渲染图片承载文本上下文来削减 Claude Code token 消耗的项目评估的又一条 OpenAI Responses 路径模型。本文以 eval/grok-density/QUALITY_RESULTS.md 为骨架完整呈现 2026-07-23 定版的生产 profile 质量矩阵novel arithmetic 100/100、gist 97/98、state 17/18、0 幻觉守卫并对照旧 5×8 套件与后续 native 字体扫描从 src/core/gpt-model-profiles.ts 的源码级 profile 定义到可复现的评测命令讲清Grok 为什么保持 opt-in这一结论是如何用数据推出来的。读完你不仅能复跑这套质量测试还能理解 pxpipe 里按模型计价的图片 token 成本模型与密度-可读性权衡的底层实现。一、为什么要为 Grok 单独跑一套质量评测pxpipe 的核心手段是把对话历史、工具结果等文本上下文渲染成图片以远低于文本 token 的图片 token 成本送入模型cut token usage by rendering text context as images。但这套压缩的前提是目标模型的视觉系统必须能从渲染图片中准确还原信息。此前该体系已覆盖 Fable 5、Opus 4.8 与 GPT 系模型Grok 4.5 则从 OpenAI 兼容的 Responses 端点Codex 同款路径进入其页面几何与视觉计费方式都不同因此需要独立的评测 harness 与独立的成本核算。质量评测要回答的关键问题在 eval/grok-density/README.md 中写得很明确如果 Grok 在 OpenAI Responses 路径上被显式启用它能读取共享的高密度 profile还是需要更低密度的几何参数答案直接决定 Grok 是进入默认模型白名单还是只能作为 opt-in 的低密度候选。评测本身不改生产默认值——只有数据达标才会考虑新增 Grok profile。二、评测协议固定探针电池与三类评分质量套件的入口在 eval/grok-density/QUALITY_SUITE.md三个 harness 分别度量三个维度全部通过同一 Responses 端点Codex 所用运行export OPENAI_BASE_URLhttp://127.0.0.1:GATEWAY_PORT/v1 export OPENAI_API_KEY… export SOL_QUALITY_MODELgrok-4.5 export SOL_QUALITY_LIVE1 pnpm run build N100 node eval/sol-profile/novel-arithmetic.mjs node eval/sol-profile/gist-recall.mjs node eval/sol-profile/verbatim-hex.mjs三个 harness 的共性设计值得注意这也保证了与 Claude 系评测结果可比直接 POST 到上游 provider并拒绝 pxpipe 本地端口QUALITY_RESULTS.md中明确记录 port 47821 rejected因此被测图片不会再被压缩变换一次测得的是模型对原始渲染图片的读取能力而非压缩后的再读取能力。使用resolveGptProfile(grok-4.5)解析出的生产 profile来渲染gpt-model-profiles.ts 的resolveGptProfile而非手工构造的宽松几何保证评测与线上行为一致。novel-arithmetic.mjs文本 vs 纯图片 vs 生产图片factsheetnovel-arithmetic.mjs 生成全新随机的算术应用题LCG 种子可复现SEED默认 20260711N默认 20、评测时开到 100同一题目分别走三条臂text 臂纯文本提问作为模型本底能力基线pure 臂题目渲染成图片只给图片提示词度量纯图片读取prod 臂图片 生产路径附带的 verbatim factsheet精确数字清单度量线上完整契约。评分是精确最终数字匹配ANSWER: number正则抽取不允许近似。CONCURRENCY3控制并发RETRY_ERRORS1可只补跑失败行。gist-recall.mjsgist 召回 state 跟踪 反幻觉守卫gist-recall.mjs 复用eval/gist-recall的已提交随机化 transcripts/probeswork/work2/work3三档各 10/6/6 个会话每个会话渲染后一次调用问完该会话全部探针按三类打分answerablegist 召回答案包含金标即命中state trackingwork3子集跨多轮追踪状态的数字/字段unanswerable守卫探针文档没提过的事正确行为是回UNKNOWN任何编造都记为 confabulation。verbatim-hex.mjs密集 12 字符 hex 精确召回verbatim-hex.mjs 读取eval/verbatim-15的golds.json固定夹具JSON 行中dur_ms字段对应的 12 位小写 hexid要求模型在给定页面上按dur精确返回对应 hex。这是最严苛的字节级测试——hex 序列无语义冗余任何一个 nibble 看错即判失败RETRIES可配置重试预算。三、定版生产 Profilenative 14px / 84 cols / maxH 512QUALITY_RESULTS.md的结论建立在2026-07-23 定版的生产 profile上。每一张 receipt 的 recipe 字段都必须显示jetbrains-mono-14/ 84 列 / maxH 512factsheet 开启、算术题附带 IDS精确数字清单。这条 profile 在源码 src/core/gpt-model-profiles.ts 的BUILTIN_RULES中对应/^grok-/前缀匹配规则{ test: isGrokModel, profile: { // 2026-07-09 在 grok-4.5 上实测768x336 → 268、764x980 → 748 等 // 图片 token 增量 ≈ 每百万像素 1000 token vision: { regime: mpix, tokensPerMegapixel: 1000 }, cacheReadRate: 0.25, outputRate: 3, // native 14px 是 Grok JB Mono 8–16px 盲测中最密的最佳档位 // 4/8 exact、4 confab、48% 节省。84 × 9px pad 764px ≤ 768。 stripCols: 84, maxHeightPx: 512, minCompressTokens: 500, factSheetFormat: full, history: { ...NATIVE_14PX_HISTORY }, style: { ...BASE_STYLE, font: jetbrains-mono-14, aa: true, grid: false, gridCols: 0, }, }, },几个源码级细节值得展开mpix计费 regimeGrok 的图片 token 不是 OpenAI 的 tile/32px patch 模型而是按像素计费。visionTokens()src/core/vision-cost.ts 的case mpix计算max(1, ceil((width×height / 1_000_000) × tokensPerMegapixel))。这是数据驱动的成本模型——所有 provider 差异都以 profile 数据表达定价路径里没有任何if (isGrok)分支。84 列是 768px 无降采样红线下的结果14px 字形的原生单元是 9×16px84 列 × 9px 两侧 pad 764px ≤ 768px恰好不触发 provider 的短边降采样——一旦被降采样本来要买的可读性就白买了profile 注释里明确警告了这一点。maxH 512 与 history 配置Grok 页高封顶 512px对比 GPT 的 1932pxhistory继承NATIVE_14PX_HISTORY注释还解释了responsesMode: mixed的原因——Codex 在工具轮之间会插 assistant 消息pairs模式会让每轮自成一段、剩余历史留在文本里导致 grok-4.6 实测节省约 0所以需要mixed把安全消息与已完成轮次合并成像。四、质量矩阵当前定版 profile 的实测数据QUALITY_RESULTS.md的核心结果表2026-07-23 定版 profile模型grok-4.5测试textproduction image备注novel arithmetic, N100100/100100/100纯图片同样 100/100gist recall—97/98无传输错误state tracking—17/18gist 语料的子集never-stated guards—0/16confabulated越低越好dense 12-char hex—0/150/12 完成3 次抓取错误仍未达到字节安全对这张表的正确读法算术是强项N100 下文本与图片均为 100/100且纯图片无 factsheet同样满分说明把题目渲染成图片让 Grok 4.5 解在算术这类高语义冗余任务上不损失能力这是图片压缩最安全的场景。gist/state 接近满分97/98 与 17/18 说明长文 gist 提取与跨轮状态跟踪基本可靠。反幻觉守卫满分16 个未陈述探针全部正确回绝0 次 confabulation——模型不会把图里没有的密钥/密码编造成事实这是可安全部署的前提之一。hex 是硬伤12 字符 hex 精确召回 0/15其中 12 个完成、3 个抓取错误仍然字节不安全。hex 无冗余、字符密集对视觉识别的要求远超自然语言。结论原话是 This is a large lift vs the prior 5×8 suite但 Dense hex remains 0——因此Grok 保持 opt-inhex 与 native-size 精确阶梯14px 下最佳也只有 4/8仍未达到 Fable 的门槛。五、历史对照被取代的 5×8 套件文档同时保留了被取代的历史基线同文件 Prior 5×8 suite (historical; superseded) 一节早期 receipt 使用 Spleen 5×8 / 152 列 / maxH 512得到 82/100 算术、83/98 gist、13/18 state、0/16 confab、0/15 hex。与定版 profile 对比可见从 5×8 换到 native 14px 后算术 1882→100、gist 1483→97、state 413→17反幻觉与 hex 两列没变0/16、0/15——这两项是模型视觉能力本身的边界不是字体密度能救的。文档明确要求不要把旧 5×8 数据当作当前 profile 的成果呈现。这提醒所有引用这套数据的人评测结论必须与 recipe字体/列数/页高/factsheet绑定脱离 recipe 谈数字没有意义。六、结论的决策链从密度扫描到 native 盲测再到定版定版 14px profile 不是拍脑袋选的QUALITY_RESULTS.md背后有一整条可追溯的测量链密度扫描eval/grok-density/RESULTS.md2026-07-09对固定探针hex/camel/path/port/gist/guard扫5x8/7x10/9x12三档结果单调且惊人——生产密度 5×8 下0/4 精确、4 次 confabulationhexa3f9c1e0b7d2被编成5c5eacb0a2pathsrc/core/anthropic-vision.ts被编成pro/core/anthropic-client.ts9×12 才清空接受线4/4 精确、0 confab。事实清单对照eval/grok-density/FACTSHEET_RESULTS.md2026-07-09证明 factsheet 能在 5×8 下挽救四个 token 形状5×8 纯图片 0/4 且 4 次 confab → 5×8factsheet 4/4、0 confab但 n1 无法证明对真实会话的覆盖因此定版采用更保守的独立测量组合——effective 9×12/84 列4/4、0 confab factsheet 作为纵深防御。成本校准eval/grok-density/CLIMB_RESULTS.md2026-07-09早期表用 GPT tile 估算器把 9×12 的节省算成 5%实测 Grok 计费约 1000 token/MPix 后同一 profile 的真实节省约 30%——这就是为什么成本必须走 vision-cost.ts 的mpixregime而不是沿用 GPT 的 tile 数学。native 字体盲测eval/grok-density/native-sweep/RESULTS.md2026-07-23最终把 Grok 定版为 14px 的是这组 JB Mono 8–16px 的盲测——没有任何一档达到 clean8/8 精确 0 confab最佳也只有 14–16px 的 4/8相比之下 Opus 14px clean、Sol 14px 可用且零编造。因此 Grok 定版停在最密最佳档 factsheet 兜底并明确写进 profile 注释native 14px 只是densest best rung不是 clean rung。这条决策链完整解释了QUALITY_RESULTS.md那句结论的技术含义Grok 的视觉系统对密集精确字符串的读取能力先天弱于 Fable/Opus所以它只能 opt-in不能进DEFAULT_MODEL_BASES当默认。七、复现与启用复跑完整质量套件上述第二节命令。如果只想跑图像读取部分或做横向对比可用 eval/grok-density/run.mjs密度扫描与 eval/grok-density/factsheet-vs-image.mjsfactsheet 对照两者均支持 dry-run只渲染记账不调模型pnpm run build # Dry-run只渲染与 token 记账 node eval/grok-density/run.mjs # Live需要 OPENAI_BASE_URL OPENAI_API_KEY 指向可服务 Grok 的 # OpenAI 兼容 Responses 端点绕过 pxpipe 以测原始图像读取 GROK_DENSITY_LIVE1 node eval/grok-density/run.mjs GROK_DENSITY_LIVE1 node eval/grok-density/factsheet-vs-image.mjs输出eval/grok-density/results.json机器可读、stdout 表格人可读、RESULTS.mdlive 运行后手写禁止编造数字。启用生产路径上的 GrokPXPIPE_MODELS...,grok-4.5或仪表盘 Grok 开关见 FACTSHEET_RESULTS.md。八、对 pxpipe 使用者的实操含义算术/摘要类会话Grok 4.5 的图片渲染压缩是安全的算术 100/100、gist 97/98、0 幻觉可以放心吃下图片 token 节省。含精确标识符的会话hex、hash、commit id、路径、端口Grok 目前字节不安全hex 0/15且 14px 下最佳仅 4/8这类内容仍应留在文本里或依赖 factsheet 兜底。默认白名单Grok 在 gpt-model-profiles.ts 中仍属 opt-in 规则isGrokModel只匹配/^grok-/同时被FAMILY_ID_GUARDS的mentions: /grok/守卫约束——任何提到 grok 但未匹配该 profile 的 id如带后缀变体会被 applicability.ts 拒绝压缩而不是错误地用 OpenAI tile 公式计价。这是数据驱动定价体系的另一面宁可拒绝也不猜错成本。如果你要复测或做模型对比请务必同时记录 recipe字体、cols、maxH、factsheet 开关并沿用QUALITY_RESULTS.md的结论格式——引用任何单点数字时都带上它对应的 profile否则对比无意义。赞分享【免费下载链接】pxpipecut Claude Code token usage by rendering text context as images项目地址https://gitcode.com/gh_mirrors/px/pxpipe点击查看免费下载相关推荐8款NeRF模型Blender数据集终极测评从训练速度到渲染质量的全面对决8款NeRF模型Blender数据集终极测评从训练速度到渲染质量的全面对决 你还在为3D重建项目选择模型发愁 当你尝试用NeRF神经辐射场Neural计算机视觉深度学习图形学OpenReel Aurora 原生渲染引擎从 Blender 级渲染蓝图到桌面端原生渲染的落地路径OpenReel Aurora 原生渲染引擎从 Blender 级渲染蓝图到桌面端原生渲染的落地路径 OpenReel 桌面端ElectronmacOS音视频前端桌面应用20步出图还是10秒渲染ControlNet采样策略终极对决DDIM与PLMS生成质量深度评测20步出图还是10秒渲染ControlNet采样策略终极对决DDIM与PLMS生成质量深度评测 你是否还在为AI绘图的等待时间抓狂明明设置相同参数别人1人工智能深度学习媒体生成计算机视觉微调大模型上一篇dreamshaper-inpaint.safetensors下一篇ESPectre 检测器配置重命名以目标为导向的 Lightweight / High-Accuracy 配置体系与 C SDK 实现解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考