Grok 2 Vision 1212 ist die Ausgabe für visuelle Eingaben innerhalb von xAIs Grok 2-Familie, gekennzeichnet durch den Namen grok-2-vision-1212. Der Hersteller stellt Grok 2 als Modell für Text- und Bildverständnis vor, mit Aufgaben wie Fragen zu Dokumenten und mathematischem Schlussfolgern anhand visuellen Materials. Die spätere Ankündigung der Veröffentlichung 1212 beschreibt Verbesserungen bei der Befolgung von Anweisungen und beim mehrsprachigen Verhalten. Diese Modellkarte behandelt die benannte Vision-Ausgabe und ihr Textergebnis.
Die Modellmetadaten des Herstellers führen Text und Bilder als Eingabe sowie Text als Ausgabe auf. Eine praktische Aufgabe beginnt daher sowohl mit visuellen Belegen als auch mit einer präzisen Frage. Benennen Sie bei einer Dokumentseite das Feld, den Abschnitt oder den Zusammenhang, den Sie erklärt haben möchten; geben Sie bei einem Diagramm die relevanten Beschriftungen und Größen an; beschreiben Sie bei einem Screenshot das Ziel des Nutzers und das zu untersuchende Element. Ziel ist es, sichtbare Inhalte auf die Anfrage zu beziehen, statt eine ungerichtete Beschreibung von allem im Bild zu verlangen.
Eine beispielhafte Dokumentanfrage lautet: „Lies die Überschriften und beschrifteten Felder auf dieser Seite. Gib die sichtbaren Werte zurück, kennzeichne Einträge, die sich nicht sicher lesen lassen, und erkläre, welche Passage deine Antwort stützt.“ Eine Diagrammanfrage könnte nach dem Zusammenhang zwischen zwei Datenreihen und einer Unterscheidung zwischen direkt sichtbaren Werten und Interpretation fragen. Fragen Sie bei einem Produktfoto nach sichtbaren Merkmalen und einem Vergleich mit der bereitgestellten schriftlichen Spezifikation. Das sind Beispiele für Vorbereitung und Ausgabe auf Grundlage der visuellen Aufgabenfamilien des Herstellers, keine Zusagen, dass sich jedes Detail aus jedem Bild gewinnen lässt.
Das Beispiel für das benannte Modell verzeichnet auch Unterstützung für strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für die Extraktion das gewünschte Ergebnis: etwa eine Liste von Feldern, deren sichtbaren Text und einen Hinweis auf Unsicherheit. Stellen Sie bei einer toolgestützten Aufgabe die Beschreibungen der zulässigen Tools und die für eine Operation benötigten Informationen bereit. Die Anwendung führt die Operation aus und gibt ihr Ergebnis zurück; das Modell kann diese Informationen dann in der nächsten Textantwort verwenden. Die Vision-Funktion selbst ist die Fähigkeit, das bereitgestellte Bild zu interpretieren, während die externe Operation der umgebenden Anwendung zuzuordnen ist.
Diese Ausgabe wird in jenem Herstellerbeispiel ohne gesonderten Reasoning-Modus aufgeführt. Sie kann dennoch Fragen beantworten, die Zusammenhänge und Erklärungen erfordern; die für andere Grok-Veröffentlichungen beschriebenen ausdrücklichen Modi für erweitertes Denken sollten jedoch davon getrennt bleiben. Dasselbe Beispiel führt eine maximale Promptlänge von 32.768 Token auf. Das ist das veröffentlichte Eingabefeld für das benannte Modell, keine gesondert dokumentierte maximale Antwortlänge. Die gelesenen Primärquellen belegen für Vision 1212 keine genaue globale Obergrenze für Bildanzahl, Bildauflösung oder Ausgabetoken. Diese Werte sollten daher aus einer konkreten Anfragespezifikation stammen, statt von einem neueren Vision-Modell übernommen zu werden.
Auch der feste Name 1212 ist bei der Wahl einer Ausgabe relevant. Die reine Textversion von Grok 2 und seine Produkte zur Bilderzeugung bedienen unterschiedliche Ein- und Ausgaben. Das hier beschriebene Ergebnis ist eine schriftliche Antwort zu visuellem Material. Funktionen, die in der Grok-Anwendung gezeigt werden, etwa zusätzliche Such- oder Bilderzeugungsangebote, sind gesonderte Integrationen rund um die Familie und sollten von den Fähigkeiten dieses benannten Modelleintrags unterschieden werden.
Bereiten Sie gut lesbare Seiten vor und geben Sie beim Materialvergleich jedem Bild eine Kennzeichnung. Geben Sie an, welcher Bildbereich relevant ist, nehmen Sie erforderliche Definitionen oder Einheiten in die Frage auf und verlangen Sie, dass die Antwort die ursprünglichen Namen bewahrt. Wählen Sie als nützliches endgültiges Arbeitsergebnis eine Erklärung, eine Extraktionstabelle oder eine Liste von Beobachtungen mit Bezug auf die Belege. Ist das Bild mehrdeutig, behalten Sie diese Unsicherheit in der Ausgabe bei und prüfen Sie folgenreiche Ablesungen anhand des Originalmaterials.
", "aboutText": "Grok 2 Vision 1212 ist die Ausgabe für visuelle Eingaben innerhalb von xAIs Grok 2-Familie, gekennzeichnet durch den Namen grok-2-vision-1212. Der Hersteller stellt Grok 2 als Modell für Text- und Bildverständnis vor, mit Aufgaben wie Fragen zu Dokumenten und mathematischem Schlussfolgern anhand visuellen Materials. Die spätere Ankündigung der Veröffentlichung 1212 beschreibt Verbesserungen bei der Befolgung von Anweisungen und beim mehrsprachigen Verhalten. Diese Modellkarte behandelt die benannte Vision-Ausgabe und ihr Textergebnis.\n\nDie Modellmetadaten des Herstellers führen Text und Bilder als Eingabe sowie Text als Ausgabe auf. Eine praktische Aufgabe beginnt daher sowohl mit visuellen Belegen als auch mit einer präzisen Frage. Benennen Sie bei einer Dokumentseite das Feld, den Abschnitt oder den Zusammenhang, den Sie erklärt haben möchten; geben Sie bei einem Diagramm die relevanten Beschriftungen und Größen an; beschreiben Sie bei einem Screenshot das Ziel des Nutzers und das zu untersuchende Element. Ziel ist es, sichtbare Inhalte auf die Anfrage zu beziehen, statt eine ungerichtete Beschreibung von allem im Bild zu verlangen.\n\nEine beispielhafte Dokumentanfrage lautet: „Lies die Überschriften und beschrifteten Felder auf dieser Seite. Gib die sichtbaren Werte zurück, kennzeichne Einträge, die sich nicht sicher lesen lassen, und erkläre, welche Passage deine Antwort stützt.“ Eine Diagrammanfrage könnte nach dem Zusammenhang zwischen zwei Datenreihen und einer Unterscheidung zwischen direkt sichtbaren Werten und Interpretation fragen. Fragen Sie bei einem Produktfoto nach sichtbaren Merkmalen und einem Vergleich mit der bereitgestellten schriftlichen Spezifikation. Das sind Beispiele für Vorbereitung und Ausgabe auf Grundlage der visuellen Aufgabenfamilien des Herstellers, keine Zusagen, dass sich jedes Detail aus jedem Bild gewinnen lässt.\n\nDas Beispiel für das benannte Modell verzeichnet auch Unterstützung für strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für die Extraktion das gewünschte Ergebnis: etwa eine Liste von Feldern, deren sichtbaren Text und einen Hinweis auf Unsicherheit. Stellen Sie bei einer toolgestützten Aufgabe die Beschreibungen der zulässigen Tools und die für eine Operation benötigten Informationen bereit. Die Anwendung führt die Operation aus und gibt ihr Ergebnis zurück; das Modell kann diese Informationen dann in der nächsten Textantwort verwenden. Die Vision-Funktion selbst ist die Fähigkeit, das bereitgestellte Bild zu interpretieren, während die externe Operation der umgebenden Anwendung zuzuordnen ist.\n\nDiese Ausgabe wird in jenem Herstellerbeispiel ohne gesonderten Reasoning-Modus aufgeführt. Sie kann dennoch Fragen beantworten, die Zusammenhänge und Erklärungen erfordern; die für andere Grok-Veröffentlichungen beschriebenen ausdrücklichen Modi für erweitertes Denken sollten jedoch davon getrennt bleiben. Dasselbe Beispiel führt eine maximale Promptlänge von 32.768 Token auf. Das ist das veröffentlichte Eingabefeld für das benannte Modell, keine gesondert dokumentierte maximale Antwortlänge. Die gelesenen Primärquellen belegen für Vision 1212 keine genaue globale Obergrenze für Bildanzahl, Bildauflösung oder Ausgabetoken. Diese Werte sollten daher aus einer konkreten Anfragespezifikation stammen, statt von einem neueren Vision-Modell übernommen zu werden.\n\nAuch der feste Name 1212 ist bei der Wahl einer Ausgabe relevant. Die reine Textversion von Grok 2 und seine Produkte zur Bilderzeugung bedienen unterschiedliche Ein- und Ausgaben. Das hier beschriebene Ergebnis ist eine schriftliche Antwort zu visuellem Material. Funktionen, die in der Grok-Anwendung gezeigt werden, etwa zusätzliche Such- oder Bilderzeugungsangebote, sind gesonderte Integrationen rund um die Familie und sollten von den Fähigkeiten dieses benannten Modelleintrags unterschieden werden.\n\nBereiten Sie gut lesbare Seiten vor und geben Sie beim Materialvergleich jedem Bild eine Kennzeichnung. Geben Sie an, welcher Bildbereich relevant ist, nehmen Sie erforderliche Definitionen oder Einheiten in die Frage auf und verlangen Sie, dass die Antwort die ursprünglichen Namen bewahrt. Wählen Sie als nützliches endgültiges Arbeitsergebnis eine Erklärung, eine Extraktionstabelle oder eine Liste von Beobachtungen mit Bezug auf die Belege. Ist das Bild mehrdeutig, behalten Sie diese Unsicherheit in der Ausgabe bei und prüfen Sie folgenreiche Ablesungen anhand des Originalmaterials.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 ist xAIs Ausgabe für Bildverständnis bei Fragen zu Dokumenten, Diagrammen, Fotografien und Screenshots. Sie verbindet eine schriftliche Frage mit visueller Eingabe und gibt eine Textantwort zurück; für die benannte Ausgabe sind strukturierte Ausgaben und Funktionsaufrufe dokumentiert.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grok 2 Vision 1212 ist die Ausgabe für visuelle Eingaben innerhalb von xAIs Grok 2-Familie, gekennzeichnet durch den Namen grok-2-vision-1212. Der Hersteller stellt Grok 2 als Modell für Text- und Bildverständnis vor, mit Aufgaben wie Fragen zu Dokumenten und mathematischem Schlussfolgern anhand visuellen Materials. Die spätere Ankündigung der Veröffentlichung 1212 beschreibt Verbesserungen bei der Befolgung von Anweisungen und beim mehrsprachigen Verhalten. Diese Modellkarte behandelt die benannte Vision-Ausgabe und ihr Textergebnis.
Die Modellmetadaten des Herstellers führen Text und Bilder als Eingabe sowie Text als Ausgabe auf. Eine praktische Aufgabe beginnt daher sowohl mit visuellen Belegen als auch mit einer präzisen Frage. Benennen Sie bei einer Dokumentseite das Feld, den Abschnitt oder den Zusammenhang, den Sie erklärt haben möchten; geben Sie bei einem Diagramm die relevanten Beschriftungen und Größen an; beschreiben Sie bei einem Screenshot das Ziel des Nutzers und das zu untersuchende Element. Ziel ist es, sichtbare Inhalte auf die Anfrage zu beziehen, statt eine ungerichtete Beschreibung von allem im Bild zu verlangen.
Eine beispielhafte Dokumentanfrage lautet: „Lies die Überschriften und beschrifteten Felder auf dieser Seite. Gib die sichtbaren Werte zurück, kennzeichne Einträge, die sich nicht sicher lesen lassen, und erkläre, welche Passage deine Antwort stützt.“ Eine Diagrammanfrage könnte nach dem Zusammenhang zwischen zwei Datenreihen und einer Unterscheidung zwischen direkt sichtbaren Werten und Interpretation fragen. Fragen Sie bei einem Produktfoto nach sichtbaren Merkmalen und einem Vergleich mit der bereitgestellten schriftlichen Spezifikation. Das sind Beispiele für Vorbereitung und Ausgabe auf Grundlage der visuellen Aufgabenfamilien des Herstellers, keine Zusagen, dass sich jedes Detail aus jedem Bild gewinnen lässt.
Das Beispiel für das benannte Modell verzeichnet auch Unterstützung für strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für die Extraktion das gewünschte Ergebnis: etwa eine Liste von Feldern, deren sichtbaren Text und einen Hinweis auf Unsicherheit. Stellen Sie bei einer toolgestützten Aufgabe die Beschreibungen der zulässigen Tools und die für eine Operation benötigten Informationen bereit. Die Anwendung führt die Operation aus und gibt ihr Ergebnis zurück; das Modell kann diese Informationen dann in der nächsten Textantwort verwenden. Die Vision-Funktion selbst ist die Fähigkeit, das bereitgestellte Bild zu interpretieren, während die externe Operation der umgebenden Anwendung zuzuordnen ist.
Diese Ausgabe wird in jenem Herstellerbeispiel ohne gesonderten Reasoning-Modus aufgeführt. Sie kann dennoch Fragen beantworten, die Zusammenhänge und Erklärungen erfordern; die für andere Grok-Veröffentlichungen beschriebenen ausdrücklichen Modi für erweitertes Denken sollten jedoch davon getrennt bleiben. Dasselbe Beispiel führt eine maximale Promptlänge von 32.768 Token auf. Das ist das veröffentlichte Eingabefeld für das benannte Modell, keine gesondert dokumentierte maximale Antwortlänge. Die gelesenen Primärquellen belegen für Vision 1212 keine genaue globale Obergrenze für Bildanzahl, Bildauflösung oder Ausgabetoken. Diese Werte sollten daher aus einer konkreten Anfragespezifikation stammen, statt von einem neueren Vision-Modell übernommen zu werden.
Auch der feste Name 1212 ist bei der Wahl einer Ausgabe relevant. Die reine Textversion von Grok 2 und seine Produkte zur Bilderzeugung bedienen unterschiedliche Ein- und Ausgaben. Das hier beschriebene Ergebnis ist eine schriftliche Antwort zu visuellem Material. Funktionen, die in der Grok-Anwendung gezeigt werden, etwa zusätzliche Such- oder Bilderzeugungsangebote, sind gesonderte Integrationen rund um die Familie und sollten von den Fähigkeiten dieses benannten Modelleintrags unterschieden werden.
Bereiten Sie gut lesbare Seiten vor und geben Sie beim Materialvergleich jedem Bild eine Kennzeichnung. Geben Sie an, welcher Bildbereich relevant ist, nehmen Sie erforderliche Definitionen oder Einheiten in die Frage auf und verlangen Sie, dass die Antwort die ursprünglichen Namen bewahrt. Wählen Sie als nützliches endgültiges Arbeitsergebnis eine Erklärung, eine Extraktionstabelle oder eine Liste von Beobachtungen mit Bezug auf die Belege. Ist das Bild mehrdeutig, behalten Sie diese Unsicherheit in der Ausgabe bei und prüfen Sie folgenreiche Ablesungen anhand des Originalmaterials.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-2-vision-1212 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra grok-2-vision-1212
Verwenden Sie die oben angezeigten Methodenpfade.
grok-2-vision-1212Grok 2 Vision 1212 ist xAIs Ausgabe für Bildverständnis bei Fragen zu Dokumenten, Diagrammen, Fotografien und Screenshots. Sie verbindet eine schriftliche Frage mit visueller Eingabe und gibt eine Textantwort zurück; für die benannte Ausgabe sind strukturierte Ausgaben und Funktionsaufrufe dokumentiert.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grok 2 Vision 1212 ist die Ausgabe für visuelle Eingaben innerhalb von xAIs Grok 2-Familie, gekennzeichnet durch den Namen grok-2-vision-1212. Der Hersteller stellt Grok 2 als Modell für Text- und Bildverständnis vor, mit Aufgaben wie Fragen zu Dokumenten und mathematischem Schlussfolgern anhand visuellen Materials. Die spätere Ankündigung der Veröffentlichung 1212 beschreibt Verbesserungen bei der Befolgung von Anweisungen und beim mehrsprachigen Verhalten. Diese Modellkarte behandelt die benannte Vision-Ausgabe und ihr Textergebnis.
Die Modellmetadaten des Herstellers führen Text und Bilder als Eingabe sowie Text als Ausgabe auf. Eine praktische Aufgabe beginnt daher sowohl mit visuellen Belegen als auch mit einer präzisen Frage. Benennen Sie bei einer Dokumentseite das Feld, den Abschnitt oder den Zusammenhang, den Sie erklärt haben möchten; geben Sie bei einem Diagramm die relevanten Beschriftungen und Größen an; beschreiben Sie bei einem Screenshot das Ziel des Nutzers und das zu untersuchende Element. Ziel ist es, sichtbare Inhalte auf die Anfrage zu beziehen, statt eine ungerichtete Beschreibung von allem im Bild zu verlangen.
Eine beispielhafte Dokumentanfrage lautet: „Lies die Überschriften und beschrifteten Felder auf dieser Seite. Gib die sichtbaren Werte zurück, kennzeichne Einträge, die sich nicht sicher lesen lassen, und erkläre, welche Passage deine Antwort stützt.“ Eine Diagrammanfrage könnte nach dem Zusammenhang zwischen zwei Datenreihen und einer Unterscheidung zwischen direkt sichtbaren Werten und Interpretation fragen. Fragen Sie bei einem Produktfoto nach sichtbaren Merkmalen und einem Vergleich mit der bereitgestellten schriftlichen Spezifikation. Das sind Beispiele für Vorbereitung und Ausgabe auf Grundlage der visuellen Aufgabenfamilien des Herstellers, keine Zusagen, dass sich jedes Detail aus jedem Bild gewinnen lässt.
Das Beispiel für das benannte Modell verzeichnet auch Unterstützung für strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für die Extraktion das gewünschte Ergebnis: etwa eine Liste von Feldern, deren sichtbaren Text und einen Hinweis auf Unsicherheit. Stellen Sie bei einer toolgestützten Aufgabe die Beschreibungen der zulässigen Tools und die für eine Operation benötigten Informationen bereit. Die Anwendung führt die Operation aus und gibt ihr Ergebnis zurück; das Modell kann diese Informationen dann in der nächsten Textantwort verwenden. Die Vision-Funktion selbst ist die Fähigkeit, das bereitgestellte Bild zu interpretieren, während die externe Operation der umgebenden Anwendung zuzuordnen ist.
Diese Ausgabe wird in jenem Herstellerbeispiel ohne gesonderten Reasoning-Modus aufgeführt. Sie kann dennoch Fragen beantworten, die Zusammenhänge und Erklärungen erfordern; die für andere Grok-Veröffentlichungen beschriebenen ausdrücklichen Modi für erweitertes Denken sollten jedoch davon getrennt bleiben. Dasselbe Beispiel führt eine maximale Promptlänge von 32.768 Token auf. Das ist das veröffentlichte Eingabefeld für das benannte Modell, keine gesondert dokumentierte maximale Antwortlänge. Die gelesenen Primärquellen belegen für Vision 1212 keine genaue globale Obergrenze für Bildanzahl, Bildauflösung oder Ausgabetoken. Diese Werte sollten daher aus einer konkreten Anfragespezifikation stammen, statt von einem neueren Vision-Modell übernommen zu werden.
Auch der feste Name 1212 ist bei der Wahl einer Ausgabe relevant. Die reine Textversion von Grok 2 und seine Produkte zur Bilderzeugung bedienen unterschiedliche Ein- und Ausgaben. Das hier beschriebene Ergebnis ist eine schriftliche Antwort zu visuellem Material. Funktionen, die in der Grok-Anwendung gezeigt werden, etwa zusätzliche Such- oder Bilderzeugungsangebote, sind gesonderte Integrationen rund um die Familie und sollten von den Fähigkeiten dieses benannten Modelleintrags unterschieden werden.
Bereiten Sie gut lesbare Seiten vor und geben Sie beim Materialvergleich jedem Bild eine Kennzeichnung. Geben Sie an, welcher Bildbereich relevant ist, nehmen Sie erforderliche Definitionen oder Einheiten in die Frage auf und verlangen Sie, dass die Antwort die ursprünglichen Namen bewahrt. Wählen Sie als nützliches endgültiges Arbeitsergebnis eine Erklärung, eine Extraktionstabelle oder eine Liste von Beobachtungen mit Bezug auf die Belege. Ist das Bild mehrdeutig, behalten Sie diese Unsicherheit in der Ausgabe bei und prüfen Sie folgenreiche Ablesungen anhand des Originalmaterials.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-2-vision-1212 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "grok-2-vision-1212",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra grok-2-vision-1212
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.