Grok 3 mini ist das kompakte Reasoning-Modell von xAI innerhalb der Grok-3-Familie. Der Hersteller stellt es zusammen mit dem grösseren Modell Grok 3 Think vor und entwickelt sein Problemlösungsverhalten durch bestärkendes Lernen. Der besondere Schwerpunkt liegt auf technischen Aufgaben: Mathematik, Programmieren und weiteren MINT-Aufgaben, bei denen eindeutig festgelegte 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. Daher kommt diese Edition für Fragen mit voneinander abhängigen Schritten infrage: einen Wert aus mehreren Bedingungen herzuleiten, zu untersuchen, ob ein Algorithmus eine Anforderung erfüllt, oder eine vorgeschlagene logische Argumentation zu prüfen. xAI stellt mini als eigenständige Modellwahl dar und nicht bloss als Einstellung, die die reguläre Textedition grok-3 verkleinert. Bewahren Sie diese Unterscheidung, wenn Sie Eingabe und benötigtes Ergebnis wählen.
Geben Sie bei mathematischen Aufgaben die vollständigen Bedingungen, Definitionen, zulässigen Annahmen und die zu bestimmende Grösse oder nachzuweisende Aussage an. Eine beispielhafte Anfrage lautet: «Bewerte diese Lösung. Ermittle 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. Bitten Sie um eine Erklärung der Abweichung und eine vorgeschlagene Änderung, die sich mit diesen Eingaben testen lässt. Unterscheiden Sie bei logischen Aufgaben Prämissen und Schlussfolgerung und fragen Sie, welche Zwischenaussagen einer Begründung bedürfen.
Die Antwort lässt sich um ein nützliches endgültiges Arbeitsergebnis herum aufbauen: die hergeleitete Formel, ein Codefragment, eine Liste verworfener Annahmen oder eine knappe Erklärung der ausgewählten Methode. Ein Auftrag, der dieses Arbeitsergebnis festlegt, hilft, das Reasoning auf die Aufgabe des Nutzers auszurichten. Geben Sie für einen Lernassistenten an, ob der Lernende einen Hinweis, eine Methodenerklärung oder eine vollständige Lösung benötigt; nennen Sie für eine technische Prüfung die Kriterien, die die vorgeschlagene Antwort erfüllen muss. Dies sind beispielhafte Vorbereitungsentscheidungen auf Grundlage des vom Hersteller genannten Aufgabenschwerpunkts und keine Zusicherungen, dass eine zurückgegebene Argumentation ohne Prüfung korrekt ist.
Das Modellmetadaten-Beispiel des Herstellers verzeichnet Reasoning, strukturierte Ausgaben und Funktionsaufrufe für grok-3-mini. Es nennt eine maximale Promptlänge von 131’072 Tokens und führt Text sowohl als Eingabe als auch als Ausgabe auf. Die gelesenen Quellen zur genauen Edition belegen kein separates allgemeingültiges Maximum für die generierte Ausgabe. Nehmen Sie die erforderlichen Bedingungen und das relevante Material in den Prompt auf, legen Sie die gewünschte Ergebnisstruktur fest und bestimmen Sie ausführungsabhängige Grenzen anhand der ausgewählten Konfiguration, statt sie von einem grösseren Grok-Modell zu übernehmen.
Eine strukturierte Ausgabe kann ein Reasoning-Ergebnis für eine Anwendung leichter verarbeitbar machen: beispielsweise indem vorgeschlagenes Ergebnis, Annahmen, Prüfungen und offene Fragen in festgelegte Felder aufgeteilt werden. Bei Funktionsaufrufen beschreibt die Anwendung die verfügbaren Operationen, empfängt einen vorgeschlagenen Aufruf und stellt dessen Ergebnis für die nächste Modellantwort bereit. Eine externe Berechnung oder Abfrage wird durch dieses Anwendungswerkzeug ausgeführt; eine schriftliche Aussage, eine Berechnung sei geprüft worden, ist für sich genommen kein Nachweis dafür, dass das Werkzeug gelaufen ist.
Der technische Schwerpunkt der mini-Edition stellt zugleich eine relevante Grenze dar. Liefern Sie die Fachinformationen mit, von denen die Lösung abhängt, insbesondere wenn sie aktuell sind oder ausserhalb der ausdrücklich genannten Aufgabenbedingungen liegen. Trennen Sie Quellenfakten von Anweisungen und bitten Sie das Modell, Unsicherheit beizubehalten, wenn eine erforderliche Prämisse fehlt. Der Einführungsartikel beschreibt Reasoning-Modelle und separate, mit Werkzeugen ausgestattete Agenten. Deren Browser-, Such- oder Ausführungsfunktionen sollten deshalb ihren tatsächlichen Integrationen zugeordnet bleiben. Wählen Sie Grok 3 mini für die dokumentierte Text-Reasoning-Aufgabe und prüfen Sie folgenreiche Berechnungen, Argumentationen und Code anhand des ursprünglichen Problems oder der Prüfungen der Anwendung.
", "aboutText": "Grok 3 mini ist das kompakte Reasoning-Modell von xAI innerhalb der Grok-3-Familie. Der Hersteller stellt es zusammen mit dem grösseren Modell Grok 3 Think vor und entwickelt sein Problemlösungsverhalten durch bestärkendes Lernen. Der besondere Schwerpunkt liegt auf technischen Aufgaben: Mathematik, Programmieren und weiteren MINT-Aufgaben, bei denen eindeutig festgelegte 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. Daher kommt diese Edition für Fragen mit voneinander abhängigen Schritten infrage: einen Wert aus mehreren Bedingungen herzuleiten, zu untersuchen, ob ein Algorithmus eine Anforderung erfüllt, oder eine vorgeschlagene logische Argumentation zu prüfen. xAI stellt mini als eigenständige Modellwahl dar und nicht bloss als Einstellung, die die reguläre Textedition grok-3 verkleinert. Bewahren Sie diese Unterscheidung, wenn Sie Eingabe und benötigtes Ergebnis wählen.\n\nGeben Sie bei mathematischen Aufgaben die vollständigen Bedingungen, Definitionen, zulässigen Annahmen und die zu bestimmende Grösse oder nachzuweisende Aussage an. Eine beispielhafte Anfrage lautet: «Bewerte diese Lösung. Ermittle 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. Bitten Sie um eine Erklärung der Abweichung und eine vorgeschlagene Änderung, die sich mit diesen Eingaben testen lässt. Unterscheiden Sie bei logischen Aufgaben Prämissen und Schlussfolgerung und fragen Sie, welche Zwischenaussagen einer Begründung bedürfen.\n\nDie Antwort lässt sich um ein nützliches endgültiges Arbeitsergebnis herum aufbauen: die hergeleitete Formel, ein Codefragment, eine Liste verworfener Annahmen oder eine knappe Erklärung der ausgewählten Methode. Ein Auftrag, der dieses Arbeitsergebnis festlegt, hilft, das Reasoning auf die Aufgabe des Nutzers auszurichten. Geben Sie für einen Lernassistenten an, ob der Lernende einen Hinweis, eine Methodenerklärung oder eine vollständige Lösung benötigt; nennen Sie für eine technische Prüfung die Kriterien, die die vorgeschlagene Antwort erfüllen muss. Dies sind beispielhafte Vorbereitungsentscheidungen auf Grundlage des vom Hersteller genannten Aufgabenschwerpunkts und keine Zusicherungen, dass eine zurückgegebene Argumentation ohne Prüfung korrekt ist.\n\nDas Modellmetadaten-Beispiel des Herstellers verzeichnet Reasoning, strukturierte Ausgaben und Funktionsaufrufe für grok-3-mini. Es nennt eine maximale Promptlänge von 131’072 Tokens und führt Text sowohl als Eingabe als auch als Ausgabe auf. Die gelesenen Quellen zur genauen Edition belegen kein separates allgemeingültiges Maximum für die generierte Ausgabe. Nehmen Sie die erforderlichen Bedingungen und das relevante Material in den Prompt auf, legen Sie die gewünschte Ergebnisstruktur fest und bestimmen Sie ausführungsabhängige Grenzen anhand der ausgewählten Konfiguration, statt sie von einem grösseren Grok-Modell zu übernehmen.\n\nEine strukturierte Ausgabe kann ein Reasoning-Ergebnis für eine Anwendung leichter verarbeitbar machen: beispielsweise indem vorgeschlagenes Ergebnis, Annahmen, Prüfungen und offene Fragen in festgelegte Felder aufgeteilt werden. Bei Funktionsaufrufen beschreibt die Anwendung die verfügbaren Operationen, empfängt einen vorgeschlagenen Aufruf und stellt dessen Ergebnis für die nächste Modellantwort bereit. Eine externe Berechnung oder Abfrage wird durch dieses Anwendungswerkzeug ausgeführt; eine schriftliche Aussage, eine Berechnung sei geprüft worden, ist für sich genommen kein Nachweis dafür, dass das Werkzeug gelaufen ist.\n\nDer technische Schwerpunkt der mini-Edition stellt zugleich eine relevante Grenze dar. Liefern Sie die Fachinformationen mit, von denen die Lösung abhängt, insbesondere wenn sie aktuell sind oder ausserhalb der ausdrücklich genannten Aufgabenbedingungen liegen. Trennen Sie Quellenfakten von Anweisungen und bitten Sie das Modell, Unsicherheit beizubehalten, wenn eine erforderliche Prämisse fehlt. Der Einführungsartikel beschreibt Reasoning-Modelle und separate, mit Werkzeugen ausgestattete Agenten. Deren Browser-, Such- oder Ausführungsfunktionen sollten deshalb ihren tatsächlichen Integrationen zugeordnet bleiben. Wählen Sie Grok 3 mini für die dokumentierte Text-Reasoning-Aufgabe und prüfen Sie folgenreiche Berechnungen, Argumentationen und Code anhand des ursprünglichen Problems 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 das kompakte Text-Reasoning-Modell von xAI für Mathematik, Programmieren und Aufgaben mit logischem Schwerpunkt. Es soll ein Problem vor der Antwort gedanklich durcharbeiten; für die benannte Edition 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 das kompakte Reasoning-Modell von xAI innerhalb der Grok-3-Familie. Der Hersteller stellt es zusammen mit dem grösseren Modell Grok 3 Think vor und entwickelt sein Problemlösungsverhalten durch bestärkendes Lernen. Der besondere Schwerpunkt liegt auf technischen Aufgaben: Mathematik, Programmieren und weiteren MINT-Aufgaben, bei denen eindeutig festgelegte 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. Daher kommt diese Edition für Fragen mit voneinander abhängigen Schritten infrage: einen Wert aus mehreren Bedingungen herzuleiten, zu untersuchen, ob ein Algorithmus eine Anforderung erfüllt, oder eine vorgeschlagene logische Argumentation zu prüfen. xAI stellt mini als eigenständige Modellwahl dar und nicht bloss als Einstellung, die die reguläre Textedition grok-3 verkleinert. Bewahren Sie diese Unterscheidung, wenn Sie Eingabe und benötigtes Ergebnis wählen.
Geben Sie bei mathematischen Aufgaben die vollständigen Bedingungen, Definitionen, zulässigen Annahmen und die zu bestimmende Grösse oder nachzuweisende Aussage an. Eine beispielhafte Anfrage lautet: «Bewerte diese Lösung. Ermittle 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. Bitten Sie um eine Erklärung der Abweichung und eine vorgeschlagene Änderung, die sich mit diesen Eingaben testen lässt. Unterscheiden Sie bei logischen Aufgaben Prämissen und Schlussfolgerung und fragen Sie, welche Zwischenaussagen einer Begründung bedürfen.
Die Antwort lässt sich um ein nützliches endgültiges Arbeitsergebnis herum aufbauen: die hergeleitete Formel, ein Codefragment, eine Liste verworfener Annahmen oder eine knappe Erklärung der ausgewählten Methode. Ein Auftrag, der dieses Arbeitsergebnis festlegt, hilft, das Reasoning auf die Aufgabe des Nutzers auszurichten. Geben Sie für einen Lernassistenten an, ob der Lernende einen Hinweis, eine Methodenerklärung oder eine vollständige Lösung benötigt; nennen Sie für eine technische Prüfung die Kriterien, die die vorgeschlagene Antwort erfüllen muss. Dies sind beispielhafte Vorbereitungsentscheidungen auf Grundlage des vom Hersteller genannten Aufgabenschwerpunkts und keine Zusicherungen, dass eine zurückgegebene Argumentation ohne Prüfung korrekt ist.
Das Modellmetadaten-Beispiel des Herstellers verzeichnet Reasoning, strukturierte Ausgaben und Funktionsaufrufe für grok-3-mini. Es nennt eine maximale Promptlänge von 131’072 Tokens und führt Text sowohl als Eingabe als auch als Ausgabe auf. Die gelesenen Quellen zur genauen Edition belegen kein separates allgemeingültiges Maximum für die generierte Ausgabe. Nehmen Sie die erforderlichen Bedingungen und das relevante Material in den Prompt auf, legen Sie die gewünschte Ergebnisstruktur fest und bestimmen Sie ausführungsabhängige Grenzen anhand der ausgewählten Konfiguration, statt sie von einem grösseren Grok-Modell zu übernehmen.
Eine strukturierte Ausgabe kann ein Reasoning-Ergebnis für eine Anwendung leichter verarbeitbar machen: beispielsweise indem vorgeschlagenes Ergebnis, Annahmen, Prüfungen und offene Fragen in festgelegte Felder aufgeteilt werden. Bei Funktionsaufrufen beschreibt die Anwendung die verfügbaren Operationen, empfängt einen vorgeschlagenen Aufruf und stellt dessen Ergebnis für die nächste Modellantwort bereit. Eine externe Berechnung oder Abfrage wird durch dieses Anwendungswerkzeug ausgeführt; eine schriftliche Aussage, eine Berechnung sei geprüft worden, ist für sich genommen kein Nachweis dafür, dass das Werkzeug gelaufen ist.
Der technische Schwerpunkt der mini-Edition stellt zugleich eine relevante Grenze dar. Liefern Sie die Fachinformationen mit, von denen die Lösung abhängt, insbesondere wenn sie aktuell sind oder ausserhalb der ausdrücklich genannten Aufgabenbedingungen liegen. Trennen Sie Quellenfakten von Anweisungen und bitten Sie das Modell, Unsicherheit beizubehalten, wenn eine erforderliche Prämisse fehlt. Der Einführungsartikel beschreibt Reasoning-Modelle und separate, mit Werkzeugen ausgestattete Agenten. Deren Browser-, Such- oder Ausführungsfunktionen sollten deshalb ihren tatsächlichen Integrationen zugeordnet bleiben. Wählen Sie Grok 3 mini für die dokumentierte Text-Reasoning-Aufgabe und prüfen Sie folgenreiche Berechnungen, Argumentationen und Code anhand des ursprünglichen Problems 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 · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 das kompakte Text-Reasoning-Modell von xAI für Mathematik, Programmieren und Aufgaben mit logischem Schwerpunkt. Es soll ein Problem vor der Antwort gedanklich durcharbeiten; für die benannte Edition 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 das kompakte Reasoning-Modell von xAI innerhalb der Grok-3-Familie. Der Hersteller stellt es zusammen mit dem grösseren Modell Grok 3 Think vor und entwickelt sein Problemlösungsverhalten durch bestärkendes Lernen. Der besondere Schwerpunkt liegt auf technischen Aufgaben: Mathematik, Programmieren und weiteren MINT-Aufgaben, bei denen eindeutig festgelegte 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. Daher kommt diese Edition für Fragen mit voneinander abhängigen Schritten infrage: einen Wert aus mehreren Bedingungen herzuleiten, zu untersuchen, ob ein Algorithmus eine Anforderung erfüllt, oder eine vorgeschlagene logische Argumentation zu prüfen. xAI stellt mini als eigenständige Modellwahl dar und nicht bloss als Einstellung, die die reguläre Textedition grok-3 verkleinert. Bewahren Sie diese Unterscheidung, wenn Sie Eingabe und benötigtes Ergebnis wählen.
Geben Sie bei mathematischen Aufgaben die vollständigen Bedingungen, Definitionen, zulässigen Annahmen und die zu bestimmende Grösse oder nachzuweisende Aussage an. Eine beispielhafte Anfrage lautet: «Bewerte diese Lösung. Ermittle 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. Bitten Sie um eine Erklärung der Abweichung und eine vorgeschlagene Änderung, die sich mit diesen Eingaben testen lässt. Unterscheiden Sie bei logischen Aufgaben Prämissen und Schlussfolgerung und fragen Sie, welche Zwischenaussagen einer Begründung bedürfen.
Die Antwort lässt sich um ein nützliches endgültiges Arbeitsergebnis herum aufbauen: die hergeleitete Formel, ein Codefragment, eine Liste verworfener Annahmen oder eine knappe Erklärung der ausgewählten Methode. Ein Auftrag, der dieses Arbeitsergebnis festlegt, hilft, das Reasoning auf die Aufgabe des Nutzers auszurichten. Geben Sie für einen Lernassistenten an, ob der Lernende einen Hinweis, eine Methodenerklärung oder eine vollständige Lösung benötigt; nennen Sie für eine technische Prüfung die Kriterien, die die vorgeschlagene Antwort erfüllen muss. Dies sind beispielhafte Vorbereitungsentscheidungen auf Grundlage des vom Hersteller genannten Aufgabenschwerpunkts und keine Zusicherungen, dass eine zurückgegebene Argumentation ohne Prüfung korrekt ist.
Das Modellmetadaten-Beispiel des Herstellers verzeichnet Reasoning, strukturierte Ausgaben und Funktionsaufrufe für grok-3-mini. Es nennt eine maximale Promptlänge von 131’072 Tokens und führt Text sowohl als Eingabe als auch als Ausgabe auf. Die gelesenen Quellen zur genauen Edition belegen kein separates allgemeingültiges Maximum für die generierte Ausgabe. Nehmen Sie die erforderlichen Bedingungen und das relevante Material in den Prompt auf, legen Sie die gewünschte Ergebnisstruktur fest und bestimmen Sie ausführungsabhängige Grenzen anhand der ausgewählten Konfiguration, statt sie von einem grösseren Grok-Modell zu übernehmen.
Eine strukturierte Ausgabe kann ein Reasoning-Ergebnis für eine Anwendung leichter verarbeitbar machen: beispielsweise indem vorgeschlagenes Ergebnis, Annahmen, Prüfungen und offene Fragen in festgelegte Felder aufgeteilt werden. Bei Funktionsaufrufen beschreibt die Anwendung die verfügbaren Operationen, empfängt einen vorgeschlagenen Aufruf und stellt dessen Ergebnis für die nächste Modellantwort bereit. Eine externe Berechnung oder Abfrage wird durch dieses Anwendungswerkzeug ausgeführt; eine schriftliche Aussage, eine Berechnung sei geprüft worden, ist für sich genommen kein Nachweis dafür, dass das Werkzeug gelaufen ist.
Der technische Schwerpunkt der mini-Edition stellt zugleich eine relevante Grenze dar. Liefern Sie die Fachinformationen mit, von denen die Lösung abhängt, insbesondere wenn sie aktuell sind oder ausserhalb der ausdrücklich genannten Aufgabenbedingungen liegen. Trennen Sie Quellenfakten von Anweisungen und bitten Sie das Modell, Unsicherheit beizubehalten, wenn eine erforderliche Prämisse fehlt. Der Einführungsartikel beschreibt Reasoning-Modelle und separate, mit Werkzeugen ausgestattete Agenten. Deren Browser-, Such- oder Ausführungsfunktionen sollten deshalb ihren tatsächlichen Integrationen zugeordnet bleiben. Wählen Sie Grok 3 mini für die dokumentierte Text-Reasoning-Aufgabe und prüfen Sie folgenreiche Berechnungen, Argumentationen und Code anhand des ursprünglichen Problems 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 · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "grok-3-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.