Grok 2 Vision 1212 er udgaven med visuelt input i xAI’s Grok 2-familie, identificeret ved navnet grok-2-vision-1212. Producenten præsenterer Grok 2 som en model til tekst- og visuel forståelse med opgaver, der omfatter dokumentspørgsmål og matematisk ræsonnering ud fra visuelt materiale. Annonceringen af den senere 1212-udgivelse beskriver forbedringer i instruktionsfølgning og flersproget adfærd. Denne beskrivelse vedrører den navngivne vision-udgave og dens tekstresultat.
Producentens modelmetadata angiver tekst og billeder som input og tekst som output. En praktisk opgave begynder derfor med både den visuelle dokumentation og et præcist spørgsmål. For en dokumentside skal du angive det felt, afsnit eller forhold, du vil have forklaret; for et diagram skal du identificere de etiketter og størrelser, der betyder noget; for et skærmbillede skal du beskrive brugerens mål og det element, du vil have undersøgt. Målet er at sætte synligt indhold i relation til forespørgslen frem for at bede om en beskrivelse uden et klart fokus af alt i billedet.
Et eksempel på en dokumentforespørgsel er: “Læs overskrifterne og de mærkede felter på denne side. Returner de synlige værdier, marker poster, der ikke kan læses med sikkerhed, og forklar, hvilken passage der understøtter dit svar.” En diagramforespørgsel kan spørge til forholdet mellem to serier og bede om en skelnen mellem direkte synlige værdier og fortolkning. Ved et produktfoto kan du bede om synlige egenskaber og en sammenligning med den vedlagte skriftlige specifikation. Det er eksempler på forberedelse og output baseret på producentens visuelle opgavetyper, ikke løfter om, at alle detaljer kan udledes af alle billeder.
Eksemplet for den navngivne model registrerer også understøttelse af struktureret output og funktionskald. Ved udtræk skal du definere det ønskede resultat: eksempelvis en liste over felter, deres synlige tekst og en usikkerhedsbemærkning. Ved en værktøjsunderstøttet opgave skal du medtage beskrivelser af de tilladte værktøjer og de oplysninger, en operation kræver. Applikationen udfører operationen og returnerer resultatet; modellen kan derefter bruge oplysningerne i det næste tekstsvar. Vision-funktionen er selve evnen til at fortolke det vedlagte billede, mens den eksterne operation tilhører den omgivende applikation.
Denne udgave er i producentens eksempel opført uden en særskilt ræsonneringstilstand. Den kan stadig besvare spørgsmål, der kræver forståelse af sammenhænge og forklaringer, men de udtrykkelige tilstande med udvidet tænkning, som beskrives for andre Grok-udgivelser, skal holdes adskilt. Samme eksempel angiver en maksimal promptlængde på 32.768 tokens. Det er det offentliggjorte inputfelt for den navngivne model, ikke en særskilt dokumenteret maksimal svarlængde. De læste primærkilder fastslår ikke en præcis global grænse for antal billeder, billedopløsning eller outputtokens for Vision 1212, så de værdier skal komme fra en konkret forespørgselsspecifikation frem for at lånes fra en nyere vision-model.
Det faste 1212-navn er også vigtigt ved valg af udgave. Grok 2’s rene tekstudgivelse og dens billedgenereringsprodukter betjener forskellige input og output. Resultatet, der beskrives her, er et skriftligt svar om visuelt materiale. Funktioner i Grok-applikationen, såsom yderligere søgning eller billedgenerering, er særskilte integrationer omkring familien og skal adskilles fra denne navngivne modelposts muligheder.
Forbered læselige sider, og giv hvert billede en etiket, når du sammenligner materiale. Angiv, hvilken del af billedet der er relevant, medtag nødvendige definitioner eller enheder i spørgsmålet, og bed modellen om at bevare de oprindelige navne. Til et nyttigt slutresultat kan du vælge en forklaring, en udtrækstabel eller en liste over observationer knyttet til dokumentationen. Hvis billedet er tvetydigt, skal usikkerheden bevares i outputtet, og væsentlige aflæsninger kontrolleres mod originalmaterialet.
", "aboutText": "Grok 2 Vision 1212 er udgaven med visuelt input i xAI’s Grok 2-familie, identificeret ved navnet grok-2-vision-1212. Producenten præsenterer Grok 2 som en model til tekst- og visuel forståelse med opgaver, der omfatter dokumentspørgsmål og matematisk ræsonnering ud fra visuelt materiale. Annonceringen af den senere 1212-udgivelse beskriver forbedringer i instruktionsfølgning og flersproget adfærd. Denne beskrivelse vedrører den navngivne vision-udgave og dens tekstresultat.\n\nProducentens modelmetadata angiver tekst og billeder som input og tekst som output. En praktisk opgave begynder derfor med både den visuelle dokumentation og et præcist spørgsmål. For en dokumentside skal du angive det felt, afsnit eller forhold, du vil have forklaret; for et diagram skal du identificere de etiketter og størrelser, der betyder noget; for et skærmbillede skal du beskrive brugerens mål og det element, du vil have undersøgt. Målet er at sætte synligt indhold i relation til forespørgslen frem for at bede om en beskrivelse uden et klart fokus af alt i billedet.\n\nEt eksempel på en dokumentforespørgsel er: “Læs overskrifterne og de mærkede felter på denne side. Returner de synlige værdier, marker poster, der ikke kan læses med sikkerhed, og forklar, hvilken passage der understøtter dit svar.” En diagramforespørgsel kan spørge til forholdet mellem to serier og bede om en skelnen mellem direkte synlige værdier og fortolkning. Ved et produktfoto kan du bede om synlige egenskaber og en sammenligning med den vedlagte skriftlige specifikation. Det er eksempler på forberedelse og output baseret på producentens visuelle opgavetyper, ikke løfter om, at alle detaljer kan udledes af alle billeder.\n\nEksemplet for den navngivne model registrerer også understøttelse af struktureret output og funktionskald. Ved udtræk skal du definere det ønskede resultat: eksempelvis en liste over felter, deres synlige tekst og en usikkerhedsbemærkning. Ved en værktøjsunderstøttet opgave skal du medtage beskrivelser af de tilladte værktøjer og de oplysninger, en operation kræver. Applikationen udfører operationen og returnerer resultatet; modellen kan derefter bruge oplysningerne i det næste tekstsvar. Vision-funktionen er selve evnen til at fortolke det vedlagte billede, mens den eksterne operation tilhører den omgivende applikation.\n\nDenne udgave er i producentens eksempel opført uden en særskilt ræsonneringstilstand. Den kan stadig besvare spørgsmål, der kræver forståelse af sammenhænge og forklaringer, men de udtrykkelige tilstande med udvidet tænkning, som beskrives for andre Grok-udgivelser, skal holdes adskilt. Samme eksempel angiver en maksimal promptlængde på 32.768 tokens. Det er det offentliggjorte inputfelt for den navngivne model, ikke en særskilt dokumenteret maksimal svarlængde. De læste primærkilder fastslår ikke en præcis global grænse for antal billeder, billedopløsning eller outputtokens for Vision 1212, så de værdier skal komme fra en konkret forespørgselsspecifikation frem for at lånes fra en nyere vision-model.\n\nDet faste 1212-navn er også vigtigt ved valg af udgave. Grok 2’s rene tekstudgivelse og dens billedgenereringsprodukter betjener forskellige input og output. Resultatet, der beskrives her, er et skriftligt svar om visuelt materiale. Funktioner i Grok-applikationen, såsom yderligere søgning eller billedgenerering, er særskilte integrationer omkring familien og skal adskilles fra denne navngivne modelposts muligheder.\n\nForbered læselige sider, og giv hvert billede en etiket, når du sammenligner materiale. Angiv, hvilken del af billedet der er relevant, medtag nødvendige definitioner eller enheder i spørgsmålet, og bed modellen om at bevare de oprindelige navne. Til et nyttigt slutresultat kan du vælge en forklaring, en udtrækstabel eller en liste over observationer knyttet til dokumentationen. Hvis billedet er tvetydigt, skal usikkerheden bevares i outputtet, og væsentlige aflæsninger kontrolleres mod originalmaterialet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Interpret a transcribed sales chart\n\nUse this chart transcription: January sales 80 units, February 100, March 90. The vertical axis is units, not currency. Write a three-sentence chart caption covering the peak, the change from January to March and one conclusion about revenue that cannot be drawn from these values.A three-sentence caption separating stated sales values, a calculated change and the revenue-information limit.Check that the caption retains units and does not infer revenue or prices from unit counts.grok-2-vision-1212Grok 2 Vision 1212 er xAI’s billedforståelsesudgave til spørgsmål om dokumenter, diagrammer, fotografier og skærmbilleder. Den kombinerer et skriftligt spørgsmål med visuelt input og returnerer et tekstsvar; den navngivne udgave har dokumenterede funktioner til struktureret output og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Grok 2 Vision 1212 er udgaven med visuelt input i xAI’s Grok 2-familie, identificeret ved navnet grok-2-vision-1212. Producenten præsenterer Grok 2 som en model til tekst- og visuel forståelse med opgaver, der omfatter dokumentspørgsmål og matematisk ræsonnering ud fra visuelt materiale. Annonceringen af den senere 1212-udgivelse beskriver forbedringer i instruktionsfølgning og flersproget adfærd. Denne beskrivelse vedrører den navngivne vision-udgave og dens tekstresultat.
Producentens modelmetadata angiver tekst og billeder som input og tekst som output. En praktisk opgave begynder derfor med både den visuelle dokumentation og et præcist spørgsmål. For en dokumentside skal du angive det felt, afsnit eller forhold, du vil have forklaret; for et diagram skal du identificere de etiketter og størrelser, der betyder noget; for et skærmbillede skal du beskrive brugerens mål og det element, du vil have undersøgt. Målet er at sætte synligt indhold i relation til forespørgslen frem for at bede om en beskrivelse uden et klart fokus af alt i billedet.
Et eksempel på en dokumentforespørgsel er: “Læs overskrifterne og de mærkede felter på denne side. Returner de synlige værdier, marker poster, der ikke kan læses med sikkerhed, og forklar, hvilken passage der understøtter dit svar.” En diagramforespørgsel kan spørge til forholdet mellem to serier og bede om en skelnen mellem direkte synlige værdier og fortolkning. Ved et produktfoto kan du bede om synlige egenskaber og en sammenligning med den vedlagte skriftlige specifikation. Det er eksempler på forberedelse og output baseret på producentens visuelle opgavetyper, ikke løfter om, at alle detaljer kan udledes af alle billeder.
Eksemplet for den navngivne model registrerer også understøttelse af struktureret output og funktionskald. Ved udtræk skal du definere det ønskede resultat: eksempelvis en liste over felter, deres synlige tekst og en usikkerhedsbemærkning. Ved en værktøjsunderstøttet opgave skal du medtage beskrivelser af de tilladte værktøjer og de oplysninger, en operation kræver. Applikationen udfører operationen og returnerer resultatet; modellen kan derefter bruge oplysningerne i det næste tekstsvar. Vision-funktionen er selve evnen til at fortolke det vedlagte billede, mens den eksterne operation tilhører den omgivende applikation.
Denne udgave er i producentens eksempel opført uden en særskilt ræsonneringstilstand. Den kan stadig besvare spørgsmål, der kræver forståelse af sammenhænge og forklaringer, men de udtrykkelige tilstande med udvidet tænkning, som beskrives for andre Grok-udgivelser, skal holdes adskilt. Samme eksempel angiver en maksimal promptlængde på 32.768 tokens. Det er det offentliggjorte inputfelt for den navngivne model, ikke en særskilt dokumenteret maksimal svarlængde. De læste primærkilder fastslår ikke en præcis global grænse for antal billeder, billedopløsning eller outputtokens for Vision 1212, så de værdier skal komme fra en konkret forespørgselsspecifikation frem for at lånes fra en nyere vision-model.
Det faste 1212-navn er også vigtigt ved valg af udgave. Grok 2’s rene tekstudgivelse og dens billedgenereringsprodukter betjener forskellige input og output. Resultatet, der beskrives her, er et skriftligt svar om visuelt materiale. Funktioner i Grok-applikationen, såsom yderligere søgning eller billedgenerering, er særskilte integrationer omkring familien og skal adskilles fra denne navngivne modelposts muligheder.
Forbered læselige sider, og giv hvert billede en etiket, når du sammenligner materiale. Angiv, hvilken del af billedet der er relevant, medtag nødvendige definitioner eller enheder i spørgsmålet, og bed modellen om at bevare de oprindelige navne. Til et nyttigt slutresultat kan du vælge en forklaring, en udtrækstabel eller en liste over observationer knyttet til dokumentationen. Hvis billedet er tvetydigt, skal usikkerheden bevares i outputtet, og væsentlige aflæsninger kontrolleres mod originalmaterialet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser grok-2-vision-1212 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "grok-2-vision-1212", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='grok-2-vision-1212',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='grok-2-vision-1212',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra grok-2-vision-1212
Brug metodestierne vist ovenfor.
grok-2-vision-1212Grok 2 Vision 1212 er xAI’s billedforståelsesudgave til spørgsmål om dokumenter, diagrammer, fotografier og skærmbilleder. Den kombinerer et skriftligt spørgsmål med visuelt input og returnerer et tekstsvar; den navngivne udgave har dokumenterede funktioner til struktureret output og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Grok 2 Vision 1212 er udgaven med visuelt input i xAI’s Grok 2-familie, identificeret ved navnet grok-2-vision-1212. Producenten præsenterer Grok 2 som en model til tekst- og visuel forståelse med opgaver, der omfatter dokumentspørgsmål og matematisk ræsonnering ud fra visuelt materiale. Annonceringen af den senere 1212-udgivelse beskriver forbedringer i instruktionsfølgning og flersproget adfærd. Denne beskrivelse vedrører den navngivne vision-udgave og dens tekstresultat.
Producentens modelmetadata angiver tekst og billeder som input og tekst som output. En praktisk opgave begynder derfor med både den visuelle dokumentation og et præcist spørgsmål. For en dokumentside skal du angive det felt, afsnit eller forhold, du vil have forklaret; for et diagram skal du identificere de etiketter og størrelser, der betyder noget; for et skærmbillede skal du beskrive brugerens mål og det element, du vil have undersøgt. Målet er at sætte synligt indhold i relation til forespørgslen frem for at bede om en beskrivelse uden et klart fokus af alt i billedet.
Et eksempel på en dokumentforespørgsel er: “Læs overskrifterne og de mærkede felter på denne side. Returner de synlige værdier, marker poster, der ikke kan læses med sikkerhed, og forklar, hvilken passage der understøtter dit svar.” En diagramforespørgsel kan spørge til forholdet mellem to serier og bede om en skelnen mellem direkte synlige værdier og fortolkning. Ved et produktfoto kan du bede om synlige egenskaber og en sammenligning med den vedlagte skriftlige specifikation. Det er eksempler på forberedelse og output baseret på producentens visuelle opgavetyper, ikke løfter om, at alle detaljer kan udledes af alle billeder.
Eksemplet for den navngivne model registrerer også understøttelse af struktureret output og funktionskald. Ved udtræk skal du definere det ønskede resultat: eksempelvis en liste over felter, deres synlige tekst og en usikkerhedsbemærkning. Ved en værktøjsunderstøttet opgave skal du medtage beskrivelser af de tilladte værktøjer og de oplysninger, en operation kræver. Applikationen udfører operationen og returnerer resultatet; modellen kan derefter bruge oplysningerne i det næste tekstsvar. Vision-funktionen er selve evnen til at fortolke det vedlagte billede, mens den eksterne operation tilhører den omgivende applikation.
Denne udgave er i producentens eksempel opført uden en særskilt ræsonneringstilstand. Den kan stadig besvare spørgsmål, der kræver forståelse af sammenhænge og forklaringer, men de udtrykkelige tilstande med udvidet tænkning, som beskrives for andre Grok-udgivelser, skal holdes adskilt. Samme eksempel angiver en maksimal promptlængde på 32.768 tokens. Det er det offentliggjorte inputfelt for den navngivne model, ikke en særskilt dokumenteret maksimal svarlængde. De læste primærkilder fastslår ikke en præcis global grænse for antal billeder, billedopløsning eller outputtokens for Vision 1212, så de værdier skal komme fra en konkret forespørgselsspecifikation frem for at lånes fra en nyere vision-model.
Det faste 1212-navn er også vigtigt ved valg af udgave. Grok 2’s rene tekstudgivelse og dens billedgenereringsprodukter betjener forskellige input og output. Resultatet, der beskrives her, er et skriftligt svar om visuelt materiale. Funktioner i Grok-applikationen, såsom yderligere søgning eller billedgenerering, er særskilte integrationer omkring familien og skal adskilles fra denne navngivne modelposts muligheder.
Forbered læselige sider, og giv hvert billede en etiket, når du sammenligner materiale. Angiv, hvilken del af billedet der er relevant, medtag nødvendige definitioner eller enheder i spørgsmålet, og bed modellen om at bevare de oprindelige navne. Til et nyttigt slutresultat kan du vælge en forklaring, en udtrækstabel eller en liste over observationer knyttet til dokumentationen. Hvis billedet er tvetydigt, skal usikkerheden bevares i outputtet, og væsentlige aflæsninger kontrolleres mod originalmaterialet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser grok-2-vision-1212 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.004 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "grok-2-vision-1212",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'grok-2-vision-1212', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'grok-2-vision-1212', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra grok-2-vision-1212
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Interpret a transcribed sales chart\n\nUse this chart transcription: January sales 80 units, February 100, March 90. The vertical axis is units, not currency. Write a three-sentence chart caption covering the peak, the change from January to March and one conclusion about revenue that cannot be drawn from these values.A three-sentence caption separating stated sales values, a calculated change and the revenue-information limit.Check that the caption retains units and does not infer revenue or prices from unit counts.