Modellidentität und Zweck
Grok 4.20 Non-Reasoning ist xAIs benannte Konfiguration für anweisungsgeleitete Antworten und agentengestützte Toolaufrufe. Der Hersteller führt grok-4.20-beta-0309-non-reasoning als Alias von grok-4.20-0309-non-reasoning auf. Der genaue Name ist wichtig, um diese Ausgabe von einer fortlaufend aktualisierten latest-Kennung oder einer anderen Grok 4.20-Konfiguration zu unterscheiden. Ihr erklärter Zweck betont die Befolgung des Prompts und die Vorbereitung einer präzisen Antwort auf die Aufgabe.
Eingabe, Ausgabe und Kontext
Das Modell nimmt Text und Bilder entgegen und erzeugt Text. Das angegebene Kontextfenster beträgt 1.000.000 Token und bietet Platz für umfangreiche Anweisungen, Referenztexte und Gesprächsverlauf rund um die visuelle Aufgabe. Bildverständnis ist Eingabeverarbeitung; die Ausgabe ist hier eine Erklärung oder in Text ausgedrückte Daten. Bereiten Sie lesbares visuelles Material vor und erklären Sie seine Rolle: den zu prüfenden Oberflächenzustand, das zu interpretierende Diagramm oder den zu beschreibenden Dokumentausschnitt.
Funktionsaufrufe
Der Hersteller dokumentiert Funktionsaufrufe als Modellfähigkeit. Eine verbundene Anwendung definiert die Funktionen und deren Argumente. Das Modell kann eine relevante Handlung auswählen und die für ihren Aufruf benötigten Informationen zurückgeben. Stellen Sie für eine visuelle Supportaufgabe den Screenshot, das Ziel des Nutzers und die Beschreibungen zulässiger Diagnosetools bereit. Ein nützliches Ergebnis kann den beobachteten Zustand benennen, nach einem fehlenden Detail fragen oder die nächste verfügbare Operation vorschlagen. Die Anwendung führt diese Operation aus und gibt ihre Beobachtung zurück. Der Modelltext soll eine vorgeschlagene Handlung von einer tatsächlich abgeschlossenen Handlung unterscheiden.
Strukturierte Ausgaben
Das Modell unterstützt auch strukturierte Ergebnisse zur weiteren Verarbeitung. Die Schnittstelle des Herstellers unterstützt außerdem Stapelverarbeitung. Definieren Sie statt einer unbegrenzten Erklärung die Felder für die Aufgabe: das beobachtete Element, das relevante Detail, eine knappe Interpretation und offene Fragen. Eine beispielhafte Dokumentaufgabe kann nach Namen und Werten in einem Bild fragen und eine ausdrückliche Regel für unleserliche Einträge vorgeben. Eine Produktanalyse kann eine Vergleichstabelle anhand bereitgestellter Texte und Bilder verlangen. Ein Schema ordnet die Antwort; es macht eine unsichere Bildinterpretation nicht zu einem geprüften Fakt.
Vorbereitung einer praktischen Anfrage
Halten Sie Belege und Anweisungen getrennt. Kennzeichnen Sie jedes Bild, wenn mehrere Bilder eine Frage begleiten, und geben Sie an, ob es um Vergleich, Extraktion oder Erklärung geht. Nennen Sie die Kriterien, die das Ergebnis bestimmen: den erwarteten Oberflächenzustand, die zu extrahierenden Felder oder die unverändert zu haltenden Details. Stellen Sie bei einer langen Diskussion den relevanten Verlauf und frühere Toolergebnisse bereit, damit die nächste Antwort den aktuellen Zustand aufgreift. Verlangen Sie ein konkretes endgültiges Arbeitsergebnis, etwa eine Supporterklärung, eine Liste beobachteter Abweichungen oder einen strukturierten Datensatz für den nächsten Anwendungsschritt.
Grenzen der Modellversion und ihrer Fähigkeiten
Non-Reasoning bleibt als Identität der Konfiguration erhalten und sollte bewusst neben eigenständig benannten Konfigurationen mit Schlussfolgern ausgewählt werden. Text- und Bildeingabe legt keine Audio- oder Videoverarbeitung fest, und das Kontextfenster ist keine maximale Antwortlänge. Funktionsaufrufe benötigen tatsächlich verbundene Tools, während strukturierter Text ein von der Integration unterstütztes Ausgabeformat erfordert. Bewahren Sie den genauen 0309-Alias bei der Dokumentation der Aufgabe, damit Änderungen der Modellversion oder des Anwendungsverhaltens von den hier beschriebenen Modellfähigkeiten unterscheidbar bleiben.
", "aboutText": "Modellidentität und Zweck\n\nGrok 4.20 Non-Reasoning ist xAIs benannte Konfiguration für anweisungsgeleitete Antworten und agentengestützte Toolaufrufe. Der Hersteller führt grok-4.20-beta-0309-non-reasoning als Alias von grok-4.20-0309-non-reasoning auf. Der genaue Name ist wichtig, um diese Ausgabe von einer fortlaufend aktualisierten latest-Kennung oder einer anderen Grok 4.20-Konfiguration zu unterscheiden. Ihr erklärter Zweck betont die Befolgung des Prompts und die Vorbereitung einer präzisen Antwort auf die Aufgabe.\n\nEingabe, Ausgabe und Kontext\n\nDas Modell nimmt Text und Bilder entgegen und erzeugt Text. Das angegebene Kontextfenster beträgt 1.000.000 Token und bietet Platz für umfangreiche Anweisungen, Referenztexte und Gesprächsverlauf rund um die visuelle Aufgabe. Bildverständnis ist Eingabeverarbeitung; die Ausgabe ist hier eine Erklärung oder in Text ausgedrückte Daten. Bereiten Sie lesbares visuelles Material vor und erklären Sie seine Rolle: den zu prüfenden Oberflächenzustand, das zu interpretierende Diagramm oder den zu beschreibenden Dokumentausschnitt.\n\nFunktionsaufrufe\n\nDer Hersteller dokumentiert Funktionsaufrufe als Modellfähigkeit. Eine verbundene Anwendung definiert die Funktionen und deren Argumente. Das Modell kann eine relevante Handlung auswählen und die für ihren Aufruf benötigten Informationen zurückgeben. Stellen Sie für eine visuelle Supportaufgabe den Screenshot, das Ziel des Nutzers und die Beschreibungen zulässiger Diagnosetools bereit. Ein nützliches Ergebnis kann den beobachteten Zustand benennen, nach einem fehlenden Detail fragen oder die nächste verfügbare Operation vorschlagen. Die Anwendung führt diese Operation aus und gibt ihre Beobachtung zurück. Der Modelltext soll eine vorgeschlagene Handlung von einer tatsächlich abgeschlossenen Handlung unterscheiden.\n\nStrukturierte Ausgaben\n\nDas Modell unterstützt auch strukturierte Ergebnisse zur weiteren Verarbeitung. Die Schnittstelle des Herstellers unterstützt außerdem Stapelverarbeitung. Definieren Sie statt einer unbegrenzten Erklärung die Felder für die Aufgabe: das beobachtete Element, das relevante Detail, eine knappe Interpretation und offene Fragen. Eine beispielhafte Dokumentaufgabe kann nach Namen und Werten in einem Bild fragen und eine ausdrückliche Regel für unleserliche Einträge vorgeben. Eine Produktanalyse kann eine Vergleichstabelle anhand bereitgestellter Texte und Bilder verlangen. Ein Schema ordnet die Antwort; es macht eine unsichere Bildinterpretation nicht zu einem geprüften Fakt.\n\nVorbereitung einer praktischen Anfrage\n\nHalten Sie Belege und Anweisungen getrennt. Kennzeichnen Sie jedes Bild, wenn mehrere Bilder eine Frage begleiten, und geben Sie an, ob es um Vergleich, Extraktion oder Erklärung geht. Nennen Sie die Kriterien, die das Ergebnis bestimmen: den erwarteten Oberflächenzustand, die zu extrahierenden Felder oder die unverändert zu haltenden Details. Stellen Sie bei einer langen Diskussion den relevanten Verlauf und frühere Toolergebnisse bereit, damit die nächste Antwort den aktuellen Zustand aufgreift. Verlangen Sie ein konkretes endgültiges Arbeitsergebnis, etwa eine Supporterklärung, eine Liste beobachteter Abweichungen oder einen strukturierten Datensatz für den nächsten Anwendungsschritt.\n\nGrenzen der Modellversion und ihrer Fähigkeiten\n\nNon-Reasoning bleibt als Identität der Konfiguration erhalten und sollte bewusst neben eigenständig benannten Konfigurationen mit Schlussfolgern ausgewählt werden. Text- und Bildeingabe legt keine Audio- oder Videoverarbeitung fest, und das Kontextfenster ist keine maximale Antwortlänge. Funktionsaufrufe benötigen tatsächlich verbundene Tools, während strukturierter Text ein von der Integration unterstütztes Ausgabeformat erfordert. Bewahren Sie den genauen 0309-Alias bei der Dokumentation der Aufgabe, damit Änderungen der Modellversion oder des Anwendungsverhaltens von den hier beschriebenen Modellfähigkeiten unterscheidbar bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a source-grounded return record\n\nExtract a return record from this message: 'Order R-204 arrived on 8 May. One blue bowl was cracked; the other two are fine. I want a replacement, not a refund.' Return the order ID, affected item, affected quantity and requested resolution. Mark any absent field 'not stated' and do not infer a cause of damage.A four-field text record preserving the customer's requested resolution and affected quantity.The record distinguishes the one damaged bowl from the two undamaged bowls and does not invent a damage cause.grok-4.20-beta-0309-non-reasoningGrok 4.20 Non-Reasoning ist xAIs Modell für Text und Bilder mit anweisungsgeleiteten Antworten, Funktionsaufrufen und strukturierten Ergebnissen. Die Konfiguration mit der Kennung 0309 unterstützt Aufgaben, die visuelle Belege und langen Textkontext mit einer klaren Erklärung oder weiterverarbeitbaren Feldern verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Modellidentität und Zweck
Grok 4.20 Non-Reasoning ist xAIs benannte Konfiguration für anweisungsgeleitete Antworten und agentengestützte Toolaufrufe. Der Hersteller führt grok-4.20-beta-0309-non-reasoning als Alias von grok-4.20-0309-non-reasoning auf. Der genaue Name ist wichtig, um diese Ausgabe von einer fortlaufend aktualisierten latest-Kennung oder einer anderen Grok 4.20-Konfiguration zu unterscheiden. Ihr erklärter Zweck betont die Befolgung des Prompts und die Vorbereitung einer präzisen Antwort auf die Aufgabe.
Eingabe, Ausgabe und Kontext
Das Modell nimmt Text und Bilder entgegen und erzeugt Text. Das angegebene Kontextfenster beträgt 1.000.000 Token und bietet Platz für umfangreiche Anweisungen, Referenztexte und Gesprächsverlauf rund um die visuelle Aufgabe. Bildverständnis ist Eingabeverarbeitung; die Ausgabe ist hier eine Erklärung oder in Text ausgedrückte Daten. Bereiten Sie lesbares visuelles Material vor und erklären Sie seine Rolle: den zu prüfenden Oberflächenzustand, das zu interpretierende Diagramm oder den zu beschreibenden Dokumentausschnitt.
Funktionsaufrufe
Der Hersteller dokumentiert Funktionsaufrufe als Modellfähigkeit. Eine verbundene Anwendung definiert die Funktionen und deren Argumente. Das Modell kann eine relevante Handlung auswählen und die für ihren Aufruf benötigten Informationen zurückgeben. Stellen Sie für eine visuelle Supportaufgabe den Screenshot, das Ziel des Nutzers und die Beschreibungen zulässiger Diagnosetools bereit. Ein nützliches Ergebnis kann den beobachteten Zustand benennen, nach einem fehlenden Detail fragen oder die nächste verfügbare Operation vorschlagen. Die Anwendung führt diese Operation aus und gibt ihre Beobachtung zurück. Der Modelltext soll eine vorgeschlagene Handlung von einer tatsächlich abgeschlossenen Handlung unterscheiden.
Strukturierte Ausgaben
Das Modell unterstützt auch strukturierte Ergebnisse zur weiteren Verarbeitung. Die Schnittstelle des Herstellers unterstützt außerdem Stapelverarbeitung. Definieren Sie statt einer unbegrenzten Erklärung die Felder für die Aufgabe: das beobachtete Element, das relevante Detail, eine knappe Interpretation und offene Fragen. Eine beispielhafte Dokumentaufgabe kann nach Namen und Werten in einem Bild fragen und eine ausdrückliche Regel für unleserliche Einträge vorgeben. Eine Produktanalyse kann eine Vergleichstabelle anhand bereitgestellter Texte und Bilder verlangen. Ein Schema ordnet die Antwort; es macht eine unsichere Bildinterpretation nicht zu einem geprüften Fakt.
Vorbereitung einer praktischen Anfrage
Halten Sie Belege und Anweisungen getrennt. Kennzeichnen Sie jedes Bild, wenn mehrere Bilder eine Frage begleiten, und geben Sie an, ob es um Vergleich, Extraktion oder Erklärung geht. Nennen Sie die Kriterien, die das Ergebnis bestimmen: den erwarteten Oberflächenzustand, die zu extrahierenden Felder oder die unverändert zu haltenden Details. Stellen Sie bei einer langen Diskussion den relevanten Verlauf und frühere Toolergebnisse bereit, damit die nächste Antwort den aktuellen Zustand aufgreift. Verlangen Sie ein konkretes endgültiges Arbeitsergebnis, etwa eine Supporterklärung, eine Liste beobachteter Abweichungen oder einen strukturierten Datensatz für den nächsten Anwendungsschritt.
Grenzen der Modellversion und ihrer Fähigkeiten
Non-Reasoning bleibt als Identität der Konfiguration erhalten und sollte bewusst neben eigenständig benannten Konfigurationen mit Schlussfolgern ausgewählt werden. Text- und Bildeingabe legt keine Audio- oder Videoverarbeitung fest, und das Kontextfenster ist keine maximale Antwortlänge. Funktionsaufrufe benötigen tatsächlich verbundene Tools, während strukturierter Text ein von der Integration unterstütztes Ausgabeformat erfordert. Bewahren Sie den genauen 0309-Alias bei der Dokumentation der Aufgabe, damit Änderungen der Modellversion oder des Anwendungsverhaltens von den hier beschriebenen Modellfähigkeiten unterscheidbar bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-4.20-beta-0309-non-reasoning | 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 $0.012 / 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-4.20-beta-0309-non-reasoning", "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-4.20-beta-0309-non-reasoning',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-4.20-beta-0309-non-reasoning',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-4.20-beta-0309-non-reasoning
Verwenden Sie die oben angezeigten Methodenpfade.
grok-4.20-beta-0309-non-reasoningGrok 4.20 Non-Reasoning ist xAIs Modell für Text und Bilder mit anweisungsgeleiteten Antworten, Funktionsaufrufen und strukturierten Ergebnissen. Die Konfiguration mit der Kennung 0309 unterstützt Aufgaben, die visuelle Belege und langen Textkontext mit einer klaren Erklärung oder weiterverarbeitbaren Feldern verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Modellidentität und Zweck
Grok 4.20 Non-Reasoning ist xAIs benannte Konfiguration für anweisungsgeleitete Antworten und agentengestützte Toolaufrufe. Der Hersteller führt grok-4.20-beta-0309-non-reasoning als Alias von grok-4.20-0309-non-reasoning auf. Der genaue Name ist wichtig, um diese Ausgabe von einer fortlaufend aktualisierten latest-Kennung oder einer anderen Grok 4.20-Konfiguration zu unterscheiden. Ihr erklärter Zweck betont die Befolgung des Prompts und die Vorbereitung einer präzisen Antwort auf die Aufgabe.
Eingabe, Ausgabe und Kontext
Das Modell nimmt Text und Bilder entgegen und erzeugt Text. Das angegebene Kontextfenster beträgt 1.000.000 Token und bietet Platz für umfangreiche Anweisungen, Referenztexte und Gesprächsverlauf rund um die visuelle Aufgabe. Bildverständnis ist Eingabeverarbeitung; die Ausgabe ist hier eine Erklärung oder in Text ausgedrückte Daten. Bereiten Sie lesbares visuelles Material vor und erklären Sie seine Rolle: den zu prüfenden Oberflächenzustand, das zu interpretierende Diagramm oder den zu beschreibenden Dokumentausschnitt.
Funktionsaufrufe
Der Hersteller dokumentiert Funktionsaufrufe als Modellfähigkeit. Eine verbundene Anwendung definiert die Funktionen und deren Argumente. Das Modell kann eine relevante Handlung auswählen und die für ihren Aufruf benötigten Informationen zurückgeben. Stellen Sie für eine visuelle Supportaufgabe den Screenshot, das Ziel des Nutzers und die Beschreibungen zulässiger Diagnosetools bereit. Ein nützliches Ergebnis kann den beobachteten Zustand benennen, nach einem fehlenden Detail fragen oder die nächste verfügbare Operation vorschlagen. Die Anwendung führt diese Operation aus und gibt ihre Beobachtung zurück. Der Modelltext soll eine vorgeschlagene Handlung von einer tatsächlich abgeschlossenen Handlung unterscheiden.
Strukturierte Ausgaben
Das Modell unterstützt auch strukturierte Ergebnisse zur weiteren Verarbeitung. Die Schnittstelle des Herstellers unterstützt außerdem Stapelverarbeitung. Definieren Sie statt einer unbegrenzten Erklärung die Felder für die Aufgabe: das beobachtete Element, das relevante Detail, eine knappe Interpretation und offene Fragen. Eine beispielhafte Dokumentaufgabe kann nach Namen und Werten in einem Bild fragen und eine ausdrückliche Regel für unleserliche Einträge vorgeben. Eine Produktanalyse kann eine Vergleichstabelle anhand bereitgestellter Texte und Bilder verlangen. Ein Schema ordnet die Antwort; es macht eine unsichere Bildinterpretation nicht zu einem geprüften Fakt.
Vorbereitung einer praktischen Anfrage
Halten Sie Belege und Anweisungen getrennt. Kennzeichnen Sie jedes Bild, wenn mehrere Bilder eine Frage begleiten, und geben Sie an, ob es um Vergleich, Extraktion oder Erklärung geht. Nennen Sie die Kriterien, die das Ergebnis bestimmen: den erwarteten Oberflächenzustand, die zu extrahierenden Felder oder die unverändert zu haltenden Details. Stellen Sie bei einer langen Diskussion den relevanten Verlauf und frühere Toolergebnisse bereit, damit die nächste Antwort den aktuellen Zustand aufgreift. Verlangen Sie ein konkretes endgültiges Arbeitsergebnis, etwa eine Supporterklärung, eine Liste beobachteter Abweichungen oder einen strukturierten Datensatz für den nächsten Anwendungsschritt.
Grenzen der Modellversion und ihrer Fähigkeiten
Non-Reasoning bleibt als Identität der Konfiguration erhalten und sollte bewusst neben eigenständig benannten Konfigurationen mit Schlussfolgern ausgewählt werden. Text- und Bildeingabe legt keine Audio- oder Videoverarbeitung fest, und das Kontextfenster ist keine maximale Antwortlänge. Funktionsaufrufe benötigen tatsächlich verbundene Tools, während strukturierter Text ein von der Integration unterstütztes Ausgabeformat erfordert. Bewahren Sie den genauen 0309-Alias bei der Dokumentation der Aufgabe, damit Änderungen der Modellversion oder des Anwendungsverhaltens von den hier beschriebenen Modellfähigkeiten unterscheidbar bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-4.20-beta-0309-non-reasoning | 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 $0.012 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "grok-4.20-beta-0309-non-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4.20-beta-0309-non-reasoning', '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-4.20-beta-0309-non-reasoning', '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-4.20-beta-0309-non-reasoning
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a source-grounded return record\n\nExtract a return record from this message: 'Order R-204 arrived on 8 May. One blue bowl was cracked; the other two are fine. I want a replacement, not a refund.' Return the order ID, affected item, affected quantity and requested resolution. Mark any absent field 'not stated' and do not infer a cause of damage.A four-field text record preserving the customer's requested resolution and affected quantity.The record distinguishes the one damaged bowl from the two undamaged bowls and does not invent a damage cause.