Grok 3 mini ist xAIs kompaktes Reasoning-Modell innerhalb der Grok 3-Familie. Der Hersteller stellt es neben dem größeren Grok 3 Think-Modell vor und nutzt bestärkendes Lernen, um Problemlösungsverhalten zu entwickeln. Ein besonderer Schwerpunkt liegt auf technischer Arbeit: Mathematik, Programmierung und anderen MINT-Aufgaben, bei denen klare Bedingungen wichtiger sind als umfangreiches allgemeines Weltwissen. Der benannte Modelleintrag nimmt Text entgegen und gibt Text zurück.
Die Reasoning-Phase soll das Problem durcharbeiten, bevor eine Antwort entsteht. Dadurch kommt diese Ausgabe für Fragen mit voneinander abhängigen Schritten infrage: einen Wert aus mehreren Bedingungen herzuleiten, zu untersuchen, ob ein Algorithmus eine Anforderung erfüllt, oder ein vorgeschlagenes logisches Argument zu prüfen. xAI stellt mini als eigenständige Modellwahl vor, nicht bloß als Einstellung, die die gewöhnliche grok-3-Textversion verkleinert. Behalten Sie diese Unterscheidung bei, wenn Sie eine Eingabe und das benötigte Ergebnis wählen.
Geben Sie bei Mathematikaufgaben die vollständige Aufgabenbedingung, Definitionen, zulässige Annahmen und die zu bestimmende Größe oder zu beweisende Aussage an. Eine beispielhafte Anfrage lautet: „Bewerte diese Lösung. Finde den ersten ungültigen Schritt, erkläre, gegen welche Bedingung er verstößt, und liefere ein korrigiertes Ergebnis mit einer Prüfung anhand der ursprünglichen Aufgabe.“ Fügen Sie bei Programmieraufgaben den relevanten Code, Eingabewerte und das erwartete Verhalten bei. Verlangen Sie eine Erklärung des Unterschieds und einen Änderungsvorschlag, der mit diesen Eingaben geprüft werden kann. Unterscheiden Sie bei Logikaufgaben Prämissen von der Schlussfolgerung und fragen Sie, welche Zwischenaussagen Belege benötigen.
Die Antwort kann um ein nützliches endgültiges Arbeitsergebnis herum aufgebaut sein: die hergeleitete Formel, ein Codefragment, eine Liste verworfener Annahmen oder eine knappe Erklärung der gewählten Methode. Eine Anfrage, die das Arbeitsergebnis festlegt, hilft dabei, das Schlussfolgern an die Aufgabe des Nutzers zu binden. Geben Sie bei einem Lernassistenten an, ob der Lernende einen Hinweis, eine Erklärung der Methode oder eine vollständige Lösung braucht; nennen Sie bei einer technischen Prüfung die Kriterien, die die vorgeschlagene Antwort erfüllen muss. Das sind beispielhafte Vorbereitungsmöglichkeiten auf Grundlage des Aufgabenschwerpunkts des Herstellers, keine Zusicherungen, dass ein zurückgegebenes Argument ohne Prüfung korrekt ist.
Das Beispiel des Herstellers für die Modellmetadaten verzeichnet Reasoning, strukturierte Ausgaben und Funktionsaufrufe für grok-3-mini. Es gibt eine maximale Promptlänge von 131.072 Token an und führt Text sowohl als Eingabe als auch als Ausgabe auf. Die gelesenen Quellen zur genauen Ausgabe belegen keine gesonderte universelle Obergrenze für die generierte Ausgabe. Behalten Sie die erforderlichen Bedingungen und das relevante Material im Prompt, legen Sie die gewünschte Ergebnisstruktur fest und bestimmen Sie ausführungsbezogene Grenzen anhand der ausgewählten Konfiguration, statt sie von einem größeren Grok-Modell zu übernehmen.
Strukturierte Ausgaben können die Verarbeitung eines Reasoning-Ergebnisses in einer Anwendung erleichtern: etwa indem das vorgeschlagene Ergebnis, Annahmen, Prüfungen und offene Fragen in definierten Feldern getrennt werden. Bei Funktionsaufrufen beschreibt die Anwendung verfügbare Operationen, empfängt einen Aufrufvorschlag und stellt das Ergebnis der Operation für die nächste Modellantwort bereit. Eine externe Berechnung oder ein Abruf wird von diesem Anwendungstool ausgeführt; eine schriftliche Aussage, eine Berechnung sei geprüft worden, ist für sich genommen kein Nachweis, dass das Tool ausgeführt wurde.
Der technische Schwerpunkt der mini-Ausgabe bildet ebenfalls eine relevante Grenze. Stellen Sie Fachwissen bereit, von dem die Lösung abhängt, besonders wenn es neu ist oder außerhalb der in der Frage genannten Bedingungen liegt. Trennen Sie Quellenfakten von Anweisungen und verlangen Sie, dass das Modell Unsicherheit beibehält, wenn eine erforderliche Prämisse fehlt. Der Einführungsartikel beschreibt Reasoning-Modelle und gesonderte Agenten mit Toolausstattung. Ihre Browser-, Such- oder Ausführungsfunktionen sollten daher an ihre tatsächlichen Integrationen gebunden bleiben. Wählen Sie Grok 3 mini für die dokumentierte Aufgabe des textbasierten Schlussfolgerns und prüfen Sie folgenreiche Berechnungen, Argumente und Code anhand der ursprünglichen Aufgabe oder der Prüfungen der Anwendung.
", "aboutText": "Grok 3 mini ist xAIs kompaktes Reasoning-Modell innerhalb der Grok 3-Familie. Der Hersteller stellt es neben dem größeren Grok 3 Think-Modell vor und nutzt bestärkendes Lernen, um Problemlösungsverhalten zu entwickeln. Ein besonderer Schwerpunkt liegt auf technischer Arbeit: Mathematik, Programmierung und anderen MINT-Aufgaben, bei denen klare Bedingungen wichtiger sind als umfangreiches allgemeines Weltwissen. Der benannte Modelleintrag nimmt Text entgegen und gibt Text zurück.\n\nDie Reasoning-Phase soll das Problem durcharbeiten, bevor eine Antwort entsteht. Dadurch kommt diese Ausgabe für Fragen mit voneinander abhängigen Schritten infrage: einen Wert aus mehreren Bedingungen herzuleiten, zu untersuchen, ob ein Algorithmus eine Anforderung erfüllt, oder ein vorgeschlagenes logisches Argument zu prüfen. xAI stellt mini als eigenständige Modellwahl vor, nicht bloß als Einstellung, die die gewöhnliche grok-3-Textversion verkleinert. Behalten Sie diese Unterscheidung bei, wenn Sie eine Eingabe und das benötigte Ergebnis wählen.\n\nGeben Sie bei Mathematikaufgaben die vollständige Aufgabenbedingung, Definitionen, zulässige Annahmen und die zu bestimmende Größe oder zu beweisende Aussage an. Eine beispielhafte Anfrage lautet: „Bewerte diese Lösung. Finde den ersten ungültigen Schritt, erkläre, gegen welche Bedingung er verstößt, und liefere ein korrigiertes Ergebnis mit einer Prüfung anhand der ursprünglichen Aufgabe.“ Fügen Sie bei Programmieraufgaben den relevanten Code, Eingabewerte und das erwartete Verhalten bei. Verlangen Sie eine Erklärung des Unterschieds und einen Änderungsvorschlag, der mit diesen Eingaben geprüft werden kann. Unterscheiden Sie bei Logikaufgaben Prämissen von der Schlussfolgerung und fragen Sie, welche Zwischenaussagen Belege benötigen.\n\nDie Antwort kann um ein nützliches endgültiges Arbeitsergebnis herum aufgebaut sein: die hergeleitete Formel, ein Codefragment, eine Liste verworfener Annahmen oder eine knappe Erklärung der gewählten Methode. Eine Anfrage, die das Arbeitsergebnis festlegt, hilft dabei, das Schlussfolgern an die Aufgabe des Nutzers zu binden. Geben Sie bei einem Lernassistenten an, ob der Lernende einen Hinweis, eine Erklärung der Methode oder eine vollständige Lösung braucht; nennen Sie bei einer technischen Prüfung die Kriterien, die die vorgeschlagene Antwort erfüllen muss. Das sind beispielhafte Vorbereitungsmöglichkeiten auf Grundlage des Aufgabenschwerpunkts des Herstellers, keine Zusicherungen, dass ein zurückgegebenes Argument ohne Prüfung korrekt ist.\n\nDas Beispiel des Herstellers für die Modellmetadaten verzeichnet Reasoning, strukturierte Ausgaben und Funktionsaufrufe für grok-3-mini. Es gibt eine maximale Promptlänge von 131.072 Token an und führt Text sowohl als Eingabe als auch als Ausgabe auf. Die gelesenen Quellen zur genauen Ausgabe belegen keine gesonderte universelle Obergrenze für die generierte Ausgabe. Behalten Sie die erforderlichen Bedingungen und das relevante Material im Prompt, legen Sie die gewünschte Ergebnisstruktur fest und bestimmen Sie ausführungsbezogene Grenzen anhand der ausgewählten Konfiguration, statt sie von einem größeren Grok-Modell zu übernehmen.\n\nStrukturierte Ausgaben können die Verarbeitung eines Reasoning-Ergebnisses in einer Anwendung erleichtern: etwa indem das vorgeschlagene Ergebnis, Annahmen, Prüfungen und offene Fragen in definierten Feldern getrennt werden. Bei Funktionsaufrufen beschreibt die Anwendung verfügbare Operationen, empfängt einen Aufrufvorschlag und stellt das Ergebnis der Operation für die nächste Modellantwort bereit. Eine externe Berechnung oder ein Abruf wird von diesem Anwendungstool ausgeführt; eine schriftliche Aussage, eine Berechnung sei geprüft worden, ist für sich genommen kein Nachweis, dass das Tool ausgeführt wurde.\n\nDer technische Schwerpunkt der mini-Ausgabe bildet ebenfalls eine relevante Grenze. Stellen Sie Fachwissen bereit, von dem die Lösung abhängt, besonders wenn es neu ist oder außerhalb der in der Frage genannten Bedingungen liegt. Trennen Sie Quellenfakten von Anweisungen und verlangen Sie, dass das Modell Unsicherheit beibehält, wenn eine erforderliche Prämisse fehlt. Der Einführungsartikel beschreibt Reasoning-Modelle und gesonderte Agenten mit Toolausstattung. Ihre Browser-, Such- oder Ausführungsfunktionen sollten daher an ihre tatsächlichen Integrationen gebunden bleiben. Wählen Sie Grok 3 mini für die dokumentierte Aufgabe des textbasierten Schlussfolgerns und prüfen Sie folgenreiche Berechnungen, Argumente und Code anhand der ursprünglichen Aufgabe oder der Prüfungen der Anwendung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Find the first invalid algebra step\n\nReview this proposed solution to x squared = 9: 'Take square roots, so x = 3. Therefore there is exactly one real solution.' Identify the earliest invalid inference, give the complete real solution set and verify it by substitution. Explain the issue to a learner without introducing unrelated algebra topics.A concise correction, the full real solution set and a substitution check for each value.Both 3 and -3 are checked, and the missing negative root is tied to the square-root inference.grok-3-miniGrok 3 mini ist xAIs kompaktes Modell für textbasiertes Schlussfolgern bei Mathematik, Programmierung und logikorientierten Aufgaben. Es ist darauf ausgelegt, ein Problem vor der Antwort zu durchdenken; 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 3 mini ist xAIs kompaktes Reasoning-Modell innerhalb der Grok 3-Familie. Der Hersteller stellt es neben dem größeren Grok 3 Think-Modell vor und nutzt bestärkendes Lernen, um Problemlösungsverhalten zu entwickeln. Ein besonderer Schwerpunkt liegt auf technischer Arbeit: Mathematik, Programmierung und anderen MINT-Aufgaben, bei denen klare Bedingungen wichtiger sind als umfangreiches allgemeines Weltwissen. Der benannte Modelleintrag nimmt Text entgegen und gibt Text zurück.
Die Reasoning-Phase soll das Problem durcharbeiten, bevor eine Antwort entsteht. Dadurch kommt diese Ausgabe für Fragen mit voneinander abhängigen Schritten infrage: einen Wert aus mehreren Bedingungen herzuleiten, zu untersuchen, ob ein Algorithmus eine Anforderung erfüllt, oder ein vorgeschlagenes logisches Argument zu prüfen. xAI stellt mini als eigenständige Modellwahl vor, nicht bloß als Einstellung, die die gewöhnliche grok-3-Textversion verkleinert. Behalten Sie diese Unterscheidung bei, wenn Sie eine Eingabe und das benötigte Ergebnis wählen.
Geben Sie bei Mathematikaufgaben die vollständige Aufgabenbedingung, Definitionen, zulässige Annahmen und die zu bestimmende Größe oder zu beweisende Aussage an. Eine beispielhafte Anfrage lautet: „Bewerte diese Lösung. Finde den ersten ungültigen Schritt, erkläre, gegen welche Bedingung er verstößt, und liefere ein korrigiertes Ergebnis mit einer Prüfung anhand der ursprünglichen Aufgabe.“ Fügen Sie bei Programmieraufgaben den relevanten Code, Eingabewerte und das erwartete Verhalten bei. Verlangen Sie eine Erklärung des Unterschieds und einen Änderungsvorschlag, der mit diesen Eingaben geprüft werden kann. Unterscheiden Sie bei Logikaufgaben Prämissen von der Schlussfolgerung und fragen Sie, welche Zwischenaussagen Belege benötigen.
Die Antwort kann um ein nützliches endgültiges Arbeitsergebnis herum aufgebaut sein: die hergeleitete Formel, ein Codefragment, eine Liste verworfener Annahmen oder eine knappe Erklärung der gewählten Methode. Eine Anfrage, die das Arbeitsergebnis festlegt, hilft dabei, das Schlussfolgern an die Aufgabe des Nutzers zu binden. Geben Sie bei einem Lernassistenten an, ob der Lernende einen Hinweis, eine Erklärung der Methode oder eine vollständige Lösung braucht; nennen Sie bei einer technischen Prüfung die Kriterien, die die vorgeschlagene Antwort erfüllen muss. Das sind beispielhafte Vorbereitungsmöglichkeiten auf Grundlage des Aufgabenschwerpunkts des Herstellers, keine Zusicherungen, dass ein zurückgegebenes Argument ohne Prüfung korrekt ist.
Das Beispiel des Herstellers für die Modellmetadaten verzeichnet Reasoning, strukturierte Ausgaben und Funktionsaufrufe für grok-3-mini. Es gibt eine maximale Promptlänge von 131.072 Token an und führt Text sowohl als Eingabe als auch als Ausgabe auf. Die gelesenen Quellen zur genauen Ausgabe belegen keine gesonderte universelle Obergrenze für die generierte Ausgabe. Behalten Sie die erforderlichen Bedingungen und das relevante Material im Prompt, legen Sie die gewünschte Ergebnisstruktur fest und bestimmen Sie ausführungsbezogene Grenzen anhand der ausgewählten Konfiguration, statt sie von einem größeren Grok-Modell zu übernehmen.
Strukturierte Ausgaben können die Verarbeitung eines Reasoning-Ergebnisses in einer Anwendung erleichtern: etwa indem das vorgeschlagene Ergebnis, Annahmen, Prüfungen und offene Fragen in definierten Feldern getrennt werden. Bei Funktionsaufrufen beschreibt die Anwendung verfügbare Operationen, empfängt einen Aufrufvorschlag und stellt das Ergebnis der Operation für die nächste Modellantwort bereit. Eine externe Berechnung oder ein Abruf wird von diesem Anwendungstool ausgeführt; eine schriftliche Aussage, eine Berechnung sei geprüft worden, ist für sich genommen kein Nachweis, dass das Tool ausgeführt wurde.
Der technische Schwerpunkt der mini-Ausgabe bildet ebenfalls eine relevante Grenze. Stellen Sie Fachwissen bereit, von dem die Lösung abhängt, besonders wenn es neu ist oder außerhalb der in der Frage genannten Bedingungen liegt. Trennen Sie Quellenfakten von Anweisungen und verlangen Sie, dass das Modell Unsicherheit beibehält, wenn eine erforderliche Prämisse fehlt. Der Einführungsartikel beschreibt Reasoning-Modelle und gesonderte Agenten mit Toolausstattung. Ihre Browser-, Such- oder Ausführungsfunktionen sollten daher an ihre tatsächlichen Integrationen gebunden bleiben. Wählen Sie Grok 3 mini für die dokumentierte Aufgabe des textbasierten Schlussfolgerns und prüfen Sie folgenreiche Berechnungen, Argumente und Code anhand der ursprünglichen Aufgabe oder der Prüfungen der Anwendung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-3-mini | 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 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-3-mini", "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-3-mini',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-3-mini',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-3-mini
Verwenden Sie die oben angezeigten Methodenpfade.
grok-3-miniGrok 3 mini ist xAIs kompaktes Modell für textbasiertes Schlussfolgern bei Mathematik, Programmierung und logikorientierten Aufgaben. Es ist darauf ausgelegt, ein Problem vor der Antwort zu durchdenken; 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 3 mini ist xAIs kompaktes Reasoning-Modell innerhalb der Grok 3-Familie. Der Hersteller stellt es neben dem größeren Grok 3 Think-Modell vor und nutzt bestärkendes Lernen, um Problemlösungsverhalten zu entwickeln. Ein besonderer Schwerpunkt liegt auf technischer Arbeit: Mathematik, Programmierung und anderen MINT-Aufgaben, bei denen klare Bedingungen wichtiger sind als umfangreiches allgemeines Weltwissen. Der benannte Modelleintrag nimmt Text entgegen und gibt Text zurück.
Die Reasoning-Phase soll das Problem durcharbeiten, bevor eine Antwort entsteht. Dadurch kommt diese Ausgabe für Fragen mit voneinander abhängigen Schritten infrage: einen Wert aus mehreren Bedingungen herzuleiten, zu untersuchen, ob ein Algorithmus eine Anforderung erfüllt, oder ein vorgeschlagenes logisches Argument zu prüfen. xAI stellt mini als eigenständige Modellwahl vor, nicht bloß als Einstellung, die die gewöhnliche grok-3-Textversion verkleinert. Behalten Sie diese Unterscheidung bei, wenn Sie eine Eingabe und das benötigte Ergebnis wählen.
Geben Sie bei Mathematikaufgaben die vollständige Aufgabenbedingung, Definitionen, zulässige Annahmen und die zu bestimmende Größe oder zu beweisende Aussage an. Eine beispielhafte Anfrage lautet: „Bewerte diese Lösung. Finde den ersten ungültigen Schritt, erkläre, gegen welche Bedingung er verstößt, und liefere ein korrigiertes Ergebnis mit einer Prüfung anhand der ursprünglichen Aufgabe.“ Fügen Sie bei Programmieraufgaben den relevanten Code, Eingabewerte und das erwartete Verhalten bei. Verlangen Sie eine Erklärung des Unterschieds und einen Änderungsvorschlag, der mit diesen Eingaben geprüft werden kann. Unterscheiden Sie bei Logikaufgaben Prämissen von der Schlussfolgerung und fragen Sie, welche Zwischenaussagen Belege benötigen.
Die Antwort kann um ein nützliches endgültiges Arbeitsergebnis herum aufgebaut sein: die hergeleitete Formel, ein Codefragment, eine Liste verworfener Annahmen oder eine knappe Erklärung der gewählten Methode. Eine Anfrage, die das Arbeitsergebnis festlegt, hilft dabei, das Schlussfolgern an die Aufgabe des Nutzers zu binden. Geben Sie bei einem Lernassistenten an, ob der Lernende einen Hinweis, eine Erklärung der Methode oder eine vollständige Lösung braucht; nennen Sie bei einer technischen Prüfung die Kriterien, die die vorgeschlagene Antwort erfüllen muss. Das sind beispielhafte Vorbereitungsmöglichkeiten auf Grundlage des Aufgabenschwerpunkts des Herstellers, keine Zusicherungen, dass ein zurückgegebenes Argument ohne Prüfung korrekt ist.
Das Beispiel des Herstellers für die Modellmetadaten verzeichnet Reasoning, strukturierte Ausgaben und Funktionsaufrufe für grok-3-mini. Es gibt eine maximale Promptlänge von 131.072 Token an und führt Text sowohl als Eingabe als auch als Ausgabe auf. Die gelesenen Quellen zur genauen Ausgabe belegen keine gesonderte universelle Obergrenze für die generierte Ausgabe. Behalten Sie die erforderlichen Bedingungen und das relevante Material im Prompt, legen Sie die gewünschte Ergebnisstruktur fest und bestimmen Sie ausführungsbezogene Grenzen anhand der ausgewählten Konfiguration, statt sie von einem größeren Grok-Modell zu übernehmen.
Strukturierte Ausgaben können die Verarbeitung eines Reasoning-Ergebnisses in einer Anwendung erleichtern: etwa indem das vorgeschlagene Ergebnis, Annahmen, Prüfungen und offene Fragen in definierten Feldern getrennt werden. Bei Funktionsaufrufen beschreibt die Anwendung verfügbare Operationen, empfängt einen Aufrufvorschlag und stellt das Ergebnis der Operation für die nächste Modellantwort bereit. Eine externe Berechnung oder ein Abruf wird von diesem Anwendungstool ausgeführt; eine schriftliche Aussage, eine Berechnung sei geprüft worden, ist für sich genommen kein Nachweis, dass das Tool ausgeführt wurde.
Der technische Schwerpunkt der mini-Ausgabe bildet ebenfalls eine relevante Grenze. Stellen Sie Fachwissen bereit, von dem die Lösung abhängt, besonders wenn es neu ist oder außerhalb der in der Frage genannten Bedingungen liegt. Trennen Sie Quellenfakten von Anweisungen und verlangen Sie, dass das Modell Unsicherheit beibehält, wenn eine erforderliche Prämisse fehlt. Der Einführungsartikel beschreibt Reasoning-Modelle und gesonderte Agenten mit Toolausstattung. Ihre Browser-, Such- oder Ausführungsfunktionen sollten daher an ihre tatsächlichen Integrationen gebunden bleiben. Wählen Sie Grok 3 mini für die dokumentierte Aufgabe des textbasierten Schlussfolgerns und prüfen Sie folgenreiche Berechnungen, Argumente und Code anhand der ursprünglichen Aufgabe oder der Prüfungen der Anwendung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-3-mini | 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 $0.0006 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "grok-3-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-mini', '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-3-mini', '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-3-mini
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Find the first invalid algebra step\n\nReview this proposed solution to x squared = 9: 'Take square roots, so x = 3. Therefore there is exactly one real solution.' Identify the earliest invalid inference, give the complete real solution set and verify it by substitution. Explain the issue to a learner without introducing unrelated algebra topics.A concise correction, the full real solution set and a substitution check for each value.Both 3 and -3 are checked, and the missing negative root is tied to the square-root inference.