Grok 4.1 Fast Non-Reasoning ist die benannte, direkt antwortende Variante von xAI innerhalb der Familie Grok 4.1 Fast. Der Hersteller veröffentlicht sie getrennt von der Reasoning-Variante und kennzeichnet sie als Wahl für unmittelbare Antworten. Sie eignet sich für ein Textgespräch oder einen werkzeuggestützten Schritt mit einer klaren Anweisung, bekannten Eingaben und einem definierten Ergebnis. Non-Reasoning wählt den Antwortmodus; Grok 4.1 Fast bleibt eine eigenständige Familie gegenüber dem regulären Modell Grok 4.1 und Grok 4 Fast.
xAI entwickelt Grok 4.1 Fast mit Blick auf den realen Werkzeugeinsatz. Beim Training mit bestärkendem Lernen werden simulierte Umgebungen mit unterschiedlichen Werkzeugen in zahlreichen Bereichen verwendet; Kundensupport wird als praktische Anwendung hervorgehoben. Geben Sie dem Modell für eine solche Aufgabe die Anfrage des Nutzers, die relevanten Regeln und die von der Anwendung zugelassenen Funktionen. Legen Sie fest, welche Informationen für die Wahl der nächsten Aktion erforderlich sind. Ein beispielhafter Ablauf besteht darin, das aktuelle Problem des Nutzers zu bestimmen, eine fehlende Angabe anzufordern, einen Datenabruf auszuwählen und anschliessend anhand der zurückgegebenen Informationen eine kurze Antwort vorzubereiten.
Der Hersteller betont ausserdem bestärkendes Lernen über lange Handlungshorizonte und Szenarien mit mehreren Gesprächsrunden. Das ist relevant, wenn sich eine Anfrage über mehrere Aktionen oder Klärungen erstreckt. Bewahren Sie das ursprüngliche Ziel, wichtige Einschränkungen, bisherige Antworten und tatsächliche Funktionsergebnisse, damit die nächste Antwort den aktuellen Aufgabenstand berücksichtigen kann. Meldet ein Werkzeug fehlende Informationen oder eine gescheiterte Aktion, nehmen Sie dieses Ergebnis auf, statt Erfolg anzunehmen. Bitten Sie das Modell, den nächsten erforderlichen Schritt anhand des beobachteten Zustands zu erklären, und unterscheiden Sie eine vorgeschlagene Aktion von einer Aktion, die die Anwendung bereits abgeschlossen hat.
Die Familie verfügt laut Hersteller über einen Kontext von zwei Millionen Tokens. Ein grosses Fenster kann umfangreiche Gesprächsverläufe, Anweisungen und unterstützende Dokumente aufnehmen; dennoch sollte die aktuelle Frage im Prompt leicht zu finden sein. Geben Sie Dokumenten beständige Titel, bewahren Sie relevante Kennungen und benennen Sie die Quelle einer Tatsachenbehauptung. Bei einem langen Supportfall können Sie nach dem aktuellen Problemstand, den bereits gesicherten Fakten und der nächsten unbeantworteten Frage fragen. Legen Sie bei der Dokumentenverarbeitung die zu extrahierenden Felder fest und bestimmen Sie, wie fehlende oder widersprüchliche Werte darzustellen sind.
Mit der Ankündigung von Grok 4.1 Fast wird auch ein separater Werkzeugdienst für Suche, Codeausführung und Dokumentenabruf vorgestellt. Die Fähigkeit des Modells zu Werkzeugaufrufen und die Verfügbarkeit eines bestimmten Werkzeugs sind unterschiedliche Bestandteile des Ablaufs. Beschreiben Sie die Werkzeuge, die Ihre Anwendung tatsächlich bereitstellt, und führen Sie deren Ergebnisse in das Gespräch zurück. Definieren Sie bei einer Recherche die Frage, den Umfang und die benötigte Evidenz und fordern Sie anschliessend eine Zusammenführung auf Grundlage des abgerufenen Materials an. Verwenden Sie bei Datenaufgaben tatsächliche Berechnungsergebnisse als Eingabe für die Erklärung, statt eine erzeugte Zahl als abgeschlossene Berechnung zu behandeln.
Formulieren Sie bei einer direkten Textoperation den Ausgabeauftrag knapp und präzise. Sie können etwa einen überarbeiteten Absatz verlangen, der bestimmte Fakten bewahrt, eine kurze Zusammenfassung bereitgestellten Materials, eine nach ausdrücklichen Regeln gewählte Kategorie oder eine Tabelle extrahierter Angaben. Fügen Sie Beispiele hinzu, wenn das erwartete Format wichtige Grenzfälle hat. Dies sind beispielhafte Anwendungen der Text- und Agentenabläufe und keine Behauptungen, dass jede Eingabe ein korrektes Ergebnis hervorbringt. Der direkte Antwortmodus kann das Ergebnis fokussiert halten, wenn die Aufgabe bereits klar spezifiziert ist.
Bitten Sie das Modell bei faktenbezogenen Aufgaben, quellenbelegte Informationen von Annahmen zu unterscheiden und fehlende Evidenz zu kennzeichnen. Prüfen Sie wichtige Namen, Kennungen, Werte und behauptete Aktionsergebnisse anhand des Originalmaterials oder der tatsächlichen Werkzeugantwort. Ein grosser Kontext und ein schneller Antwortprozess ersetzen diese Prüfung nicht. Wählen Sie die separat benannte Reasoning-Variante, wenn Sie einen anderen Problemlösungsprozess wünschen, und verwenden Sie Non-Reasoning für klare Anweisungen und eine direkte endgültige Antwort. Definieren Sie den Abschluss anhand des angeforderten Ergebnisses und eines gegebenenfalls bestätigten Operationsausgangs, nicht allein anhand der Tatsache, dass das Modell eine Antwort erzeugt hat.
", "aboutText": "Grok 4.1 Fast Non-Reasoning ist die benannte, direkt antwortende Variante von xAI innerhalb der Familie Grok 4.1 Fast. Der Hersteller veröffentlicht sie getrennt von der Reasoning-Variante und kennzeichnet sie als Wahl für unmittelbare Antworten. Sie eignet sich für ein Textgespräch oder einen werkzeuggestützten Schritt mit einer klaren Anweisung, bekannten Eingaben und einem definierten Ergebnis. Non-Reasoning wählt den Antwortmodus; Grok 4.1 Fast bleibt eine eigenständige Familie gegenüber dem regulären Modell Grok 4.1 und Grok 4 Fast.\n\nxAI entwickelt Grok 4.1 Fast mit Blick auf den realen Werkzeugeinsatz. Beim Training mit bestärkendem Lernen werden simulierte Umgebungen mit unterschiedlichen Werkzeugen in zahlreichen Bereichen verwendet; Kundensupport wird als praktische Anwendung hervorgehoben. Geben Sie dem Modell für eine solche Aufgabe die Anfrage des Nutzers, die relevanten Regeln und die von der Anwendung zugelassenen Funktionen. Legen Sie fest, welche Informationen für die Wahl der nächsten Aktion erforderlich sind. Ein beispielhafter Ablauf besteht darin, das aktuelle Problem des Nutzers zu bestimmen, eine fehlende Angabe anzufordern, einen Datenabruf auszuwählen und anschliessend anhand der zurückgegebenen Informationen eine kurze Antwort vorzubereiten.\n\nDer Hersteller betont ausserdem bestärkendes Lernen über lange Handlungshorizonte und Szenarien mit mehreren Gesprächsrunden. Das ist relevant, wenn sich eine Anfrage über mehrere Aktionen oder Klärungen erstreckt. Bewahren Sie das ursprüngliche Ziel, wichtige Einschränkungen, bisherige Antworten und tatsächliche Funktionsergebnisse, damit die nächste Antwort den aktuellen Aufgabenstand berücksichtigen kann. Meldet ein Werkzeug fehlende Informationen oder eine gescheiterte Aktion, nehmen Sie dieses Ergebnis auf, statt Erfolg anzunehmen. Bitten Sie das Modell, den nächsten erforderlichen Schritt anhand des beobachteten Zustands zu erklären, und unterscheiden Sie eine vorgeschlagene Aktion von einer Aktion, die die Anwendung bereits abgeschlossen hat.\n\nDie Familie verfügt laut Hersteller über einen Kontext von zwei Millionen Tokens. Ein grosses Fenster kann umfangreiche Gesprächsverläufe, Anweisungen und unterstützende Dokumente aufnehmen; dennoch sollte die aktuelle Frage im Prompt leicht zu finden sein. Geben Sie Dokumenten beständige Titel, bewahren Sie relevante Kennungen und benennen Sie die Quelle einer Tatsachenbehauptung. Bei einem langen Supportfall können Sie nach dem aktuellen Problemstand, den bereits gesicherten Fakten und der nächsten unbeantworteten Frage fragen. Legen Sie bei der Dokumentenverarbeitung die zu extrahierenden Felder fest und bestimmen Sie, wie fehlende oder widersprüchliche Werte darzustellen sind.\n\nMit der Ankündigung von Grok 4.1 Fast wird auch ein separater Werkzeugdienst für Suche, Codeausführung und Dokumentenabruf vorgestellt. Die Fähigkeit des Modells zu Werkzeugaufrufen und die Verfügbarkeit eines bestimmten Werkzeugs sind unterschiedliche Bestandteile des Ablaufs. Beschreiben Sie die Werkzeuge, die Ihre Anwendung tatsächlich bereitstellt, und führen Sie deren Ergebnisse in das Gespräch zurück. Definieren Sie bei einer Recherche die Frage, den Umfang und die benötigte Evidenz und fordern Sie anschliessend eine Zusammenführung auf Grundlage des abgerufenen Materials an. Verwenden Sie bei Datenaufgaben tatsächliche Berechnungsergebnisse als Eingabe für die Erklärung, statt eine erzeugte Zahl als abgeschlossene Berechnung zu behandeln.\n\nFormulieren Sie bei einer direkten Textoperation den Ausgabeauftrag knapp und präzise. Sie können etwa einen überarbeiteten Absatz verlangen, der bestimmte Fakten bewahrt, eine kurze Zusammenfassung bereitgestellten Materials, eine nach ausdrücklichen Regeln gewählte Kategorie oder eine Tabelle extrahierter Angaben. Fügen Sie Beispiele hinzu, wenn das erwartete Format wichtige Grenzfälle hat. Dies sind beispielhafte Anwendungen der Text- und Agentenabläufe und keine Behauptungen, dass jede Eingabe ein korrektes Ergebnis hervorbringt. Der direkte Antwortmodus kann das Ergebnis fokussiert halten, wenn die Aufgabe bereits klar spezifiziert ist.\n\nBitten Sie das Modell bei faktenbezogenen Aufgaben, quellenbelegte Informationen von Annahmen zu unterscheiden und fehlende Evidenz zu kennzeichnen. Prüfen Sie wichtige Namen, Kennungen, Werte und behauptete Aktionsergebnisse anhand des Originalmaterials oder der tatsächlichen Werkzeugantwort. Ein grosser Kontext und ein schneller Antwortprozess ersetzen diese Prüfung nicht. Wählen Sie die separat benannte Reasoning-Variante, wenn Sie einen anderen Problemlösungsprozess wünschen, und verwenden Sie Non-Reasoning für klare Anweisungen und eine direkte endgültige Antwort. Definieren Sie den Abschluss anhand des angeforderten Ergebnisses und eines gegebenenfalls bestätigten Operationsausgangs, nicht allein anhand der Tatsache, dass das Modell eine Antwort erzeugt hat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Continue a support case from its state\n\nContinue this support conversation with one concise reply. Customer: I cannot find order K19. Earlier reply: Please confirm the checkout email. Customer: It is pat@example.test. Supplied lookup result: No order found for K19 and that email. Ask for the next useful detail without saying the order was cancelled, refunded or located.One customer-facing reply acknowledging the unsuccessful lookup and asking for a relevant missing order detail.Check that the reply reflects the supplied no-match result and claims no completed account or order action.grok-4-1-fast-non-reasoningGrok 4.1 Fast Non-Reasoning ist die direkt antwortende Variante von xAI für Textgespräche und werkzeuggestützte Aufgaben. Der Kontext von zwei Millionen Tokens und das Training über mehrere Gesprächsrunden helfen dabei, umfangreiche Aufgabenverläufe, Anweisungen und zurückgegebene Werkzeugdaten zusammenzuhalten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grok 4.1 Fast Non-Reasoning ist die benannte, direkt antwortende Variante von xAI innerhalb der Familie Grok 4.1 Fast. Der Hersteller veröffentlicht sie getrennt von der Reasoning-Variante und kennzeichnet sie als Wahl für unmittelbare Antworten. Sie eignet sich für ein Textgespräch oder einen werkzeuggestützten Schritt mit einer klaren Anweisung, bekannten Eingaben und einem definierten Ergebnis. Non-Reasoning wählt den Antwortmodus; Grok 4.1 Fast bleibt eine eigenständige Familie gegenüber dem regulären Modell Grok 4.1 und Grok 4 Fast.
xAI entwickelt Grok 4.1 Fast mit Blick auf den realen Werkzeugeinsatz. Beim Training mit bestärkendem Lernen werden simulierte Umgebungen mit unterschiedlichen Werkzeugen in zahlreichen Bereichen verwendet; Kundensupport wird als praktische Anwendung hervorgehoben. Geben Sie dem Modell für eine solche Aufgabe die Anfrage des Nutzers, die relevanten Regeln und die von der Anwendung zugelassenen Funktionen. Legen Sie fest, welche Informationen für die Wahl der nächsten Aktion erforderlich sind. Ein beispielhafter Ablauf besteht darin, das aktuelle Problem des Nutzers zu bestimmen, eine fehlende Angabe anzufordern, einen Datenabruf auszuwählen und anschliessend anhand der zurückgegebenen Informationen eine kurze Antwort vorzubereiten.
Der Hersteller betont ausserdem bestärkendes Lernen über lange Handlungshorizonte und Szenarien mit mehreren Gesprächsrunden. Das ist relevant, wenn sich eine Anfrage über mehrere Aktionen oder Klärungen erstreckt. Bewahren Sie das ursprüngliche Ziel, wichtige Einschränkungen, bisherige Antworten und tatsächliche Funktionsergebnisse, damit die nächste Antwort den aktuellen Aufgabenstand berücksichtigen kann. Meldet ein Werkzeug fehlende Informationen oder eine gescheiterte Aktion, nehmen Sie dieses Ergebnis auf, statt Erfolg anzunehmen. Bitten Sie das Modell, den nächsten erforderlichen Schritt anhand des beobachteten Zustands zu erklären, und unterscheiden Sie eine vorgeschlagene Aktion von einer Aktion, die die Anwendung bereits abgeschlossen hat.
Die Familie verfügt laut Hersteller über einen Kontext von zwei Millionen Tokens. Ein grosses Fenster kann umfangreiche Gesprächsverläufe, Anweisungen und unterstützende Dokumente aufnehmen; dennoch sollte die aktuelle Frage im Prompt leicht zu finden sein. Geben Sie Dokumenten beständige Titel, bewahren Sie relevante Kennungen und benennen Sie die Quelle einer Tatsachenbehauptung. Bei einem langen Supportfall können Sie nach dem aktuellen Problemstand, den bereits gesicherten Fakten und der nächsten unbeantworteten Frage fragen. Legen Sie bei der Dokumentenverarbeitung die zu extrahierenden Felder fest und bestimmen Sie, wie fehlende oder widersprüchliche Werte darzustellen sind.
Mit der Ankündigung von Grok 4.1 Fast wird auch ein separater Werkzeugdienst für Suche, Codeausführung und Dokumentenabruf vorgestellt. Die Fähigkeit des Modells zu Werkzeugaufrufen und die Verfügbarkeit eines bestimmten Werkzeugs sind unterschiedliche Bestandteile des Ablaufs. Beschreiben Sie die Werkzeuge, die Ihre Anwendung tatsächlich bereitstellt, und führen Sie deren Ergebnisse in das Gespräch zurück. Definieren Sie bei einer Recherche die Frage, den Umfang und die benötigte Evidenz und fordern Sie anschliessend eine Zusammenführung auf Grundlage des abgerufenen Materials an. Verwenden Sie bei Datenaufgaben tatsächliche Berechnungsergebnisse als Eingabe für die Erklärung, statt eine erzeugte Zahl als abgeschlossene Berechnung zu behandeln.
Formulieren Sie bei einer direkten Textoperation den Ausgabeauftrag knapp und präzise. Sie können etwa einen überarbeiteten Absatz verlangen, der bestimmte Fakten bewahrt, eine kurze Zusammenfassung bereitgestellten Materials, eine nach ausdrücklichen Regeln gewählte Kategorie oder eine Tabelle extrahierter Angaben. Fügen Sie Beispiele hinzu, wenn das erwartete Format wichtige Grenzfälle hat. Dies sind beispielhafte Anwendungen der Text- und Agentenabläufe und keine Behauptungen, dass jede Eingabe ein korrektes Ergebnis hervorbringt. Der direkte Antwortmodus kann das Ergebnis fokussiert halten, wenn die Aufgabe bereits klar spezifiziert ist.
Bitten Sie das Modell bei faktenbezogenen Aufgaben, quellenbelegte Informationen von Annahmen zu unterscheiden und fehlende Evidenz zu kennzeichnen. Prüfen Sie wichtige Namen, Kennungen, Werte und behauptete Aktionsergebnisse anhand des Originalmaterials oder der tatsächlichen Werkzeugantwort. Ein grosser Kontext und ein schneller Antwortprozess ersetzen diese Prüfung nicht. Wählen Sie die separat benannte Reasoning-Variante, wenn Sie einen anderen Problemlösungsprozess wünschen, und verwenden Sie Non-Reasoning für klare Anweisungen und eine direkte endgültige Antwort. Definieren Sie den Abschluss anhand des angeforderten Ergebnisses und eines gegebenenfalls bestätigten Operationsausgangs, nicht allein anhand der Tatsache, dass das Modell eine Antwort erzeugt hat.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-4-1-fast-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 $0.0004 / 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-4-1-fast-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-4-1-fast-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-4-1-fast-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-4-1-fast-non-reasoning
Verwenden Sie die oben angezeigten Methodenpfade.
grok-4-1-fast-non-reasoningGrok 4.1 Fast Non-Reasoning ist die direkt antwortende Variante von xAI für Textgespräche und werkzeuggestützte Aufgaben. Der Kontext von zwei Millionen Tokens und das Training über mehrere Gesprächsrunden helfen dabei, umfangreiche Aufgabenverläufe, Anweisungen und zurückgegebene Werkzeugdaten zusammenzuhalten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grok 4.1 Fast Non-Reasoning ist die benannte, direkt antwortende Variante von xAI innerhalb der Familie Grok 4.1 Fast. Der Hersteller veröffentlicht sie getrennt von der Reasoning-Variante und kennzeichnet sie als Wahl für unmittelbare Antworten. Sie eignet sich für ein Textgespräch oder einen werkzeuggestützten Schritt mit einer klaren Anweisung, bekannten Eingaben und einem definierten Ergebnis. Non-Reasoning wählt den Antwortmodus; Grok 4.1 Fast bleibt eine eigenständige Familie gegenüber dem regulären Modell Grok 4.1 und Grok 4 Fast.
xAI entwickelt Grok 4.1 Fast mit Blick auf den realen Werkzeugeinsatz. Beim Training mit bestärkendem Lernen werden simulierte Umgebungen mit unterschiedlichen Werkzeugen in zahlreichen Bereichen verwendet; Kundensupport wird als praktische Anwendung hervorgehoben. Geben Sie dem Modell für eine solche Aufgabe die Anfrage des Nutzers, die relevanten Regeln und die von der Anwendung zugelassenen Funktionen. Legen Sie fest, welche Informationen für die Wahl der nächsten Aktion erforderlich sind. Ein beispielhafter Ablauf besteht darin, das aktuelle Problem des Nutzers zu bestimmen, eine fehlende Angabe anzufordern, einen Datenabruf auszuwählen und anschliessend anhand der zurückgegebenen Informationen eine kurze Antwort vorzubereiten.
Der Hersteller betont ausserdem bestärkendes Lernen über lange Handlungshorizonte und Szenarien mit mehreren Gesprächsrunden. Das ist relevant, wenn sich eine Anfrage über mehrere Aktionen oder Klärungen erstreckt. Bewahren Sie das ursprüngliche Ziel, wichtige Einschränkungen, bisherige Antworten und tatsächliche Funktionsergebnisse, damit die nächste Antwort den aktuellen Aufgabenstand berücksichtigen kann. Meldet ein Werkzeug fehlende Informationen oder eine gescheiterte Aktion, nehmen Sie dieses Ergebnis auf, statt Erfolg anzunehmen. Bitten Sie das Modell, den nächsten erforderlichen Schritt anhand des beobachteten Zustands zu erklären, und unterscheiden Sie eine vorgeschlagene Aktion von einer Aktion, die die Anwendung bereits abgeschlossen hat.
Die Familie verfügt laut Hersteller über einen Kontext von zwei Millionen Tokens. Ein grosses Fenster kann umfangreiche Gesprächsverläufe, Anweisungen und unterstützende Dokumente aufnehmen; dennoch sollte die aktuelle Frage im Prompt leicht zu finden sein. Geben Sie Dokumenten beständige Titel, bewahren Sie relevante Kennungen und benennen Sie die Quelle einer Tatsachenbehauptung. Bei einem langen Supportfall können Sie nach dem aktuellen Problemstand, den bereits gesicherten Fakten und der nächsten unbeantworteten Frage fragen. Legen Sie bei der Dokumentenverarbeitung die zu extrahierenden Felder fest und bestimmen Sie, wie fehlende oder widersprüchliche Werte darzustellen sind.
Mit der Ankündigung von Grok 4.1 Fast wird auch ein separater Werkzeugdienst für Suche, Codeausführung und Dokumentenabruf vorgestellt. Die Fähigkeit des Modells zu Werkzeugaufrufen und die Verfügbarkeit eines bestimmten Werkzeugs sind unterschiedliche Bestandteile des Ablaufs. Beschreiben Sie die Werkzeuge, die Ihre Anwendung tatsächlich bereitstellt, und führen Sie deren Ergebnisse in das Gespräch zurück. Definieren Sie bei einer Recherche die Frage, den Umfang und die benötigte Evidenz und fordern Sie anschliessend eine Zusammenführung auf Grundlage des abgerufenen Materials an. Verwenden Sie bei Datenaufgaben tatsächliche Berechnungsergebnisse als Eingabe für die Erklärung, statt eine erzeugte Zahl als abgeschlossene Berechnung zu behandeln.
Formulieren Sie bei einer direkten Textoperation den Ausgabeauftrag knapp und präzise. Sie können etwa einen überarbeiteten Absatz verlangen, der bestimmte Fakten bewahrt, eine kurze Zusammenfassung bereitgestellten Materials, eine nach ausdrücklichen Regeln gewählte Kategorie oder eine Tabelle extrahierter Angaben. Fügen Sie Beispiele hinzu, wenn das erwartete Format wichtige Grenzfälle hat. Dies sind beispielhafte Anwendungen der Text- und Agentenabläufe und keine Behauptungen, dass jede Eingabe ein korrektes Ergebnis hervorbringt. Der direkte Antwortmodus kann das Ergebnis fokussiert halten, wenn die Aufgabe bereits klar spezifiziert ist.
Bitten Sie das Modell bei faktenbezogenen Aufgaben, quellenbelegte Informationen von Annahmen zu unterscheiden und fehlende Evidenz zu kennzeichnen. Prüfen Sie wichtige Namen, Kennungen, Werte und behauptete Aktionsergebnisse anhand des Originalmaterials oder der tatsächlichen Werkzeugantwort. Ein grosser Kontext und ein schneller Antwortprozess ersetzen diese Prüfung nicht. Wählen Sie die separat benannte Reasoning-Variante, wenn Sie einen anderen Problemlösungsprozess wünschen, und verwenden Sie Non-Reasoning für klare Anweisungen und eine direkte endgültige Antwort. Definieren Sie den Abschluss anhand des angeforderten Ergebnisses und eines gegebenenfalls bestätigten Operationsausgangs, nicht allein anhand der Tatsache, dass das Modell eine Antwort erzeugt hat.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-4-1-fast-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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "grok-4-1-fast-non-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-1-fast-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-4-1-fast-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-4-1-fast-non-reasoning
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Continue a support case from its state\n\nContinue this support conversation with one concise reply. Customer: I cannot find order K19. Earlier reply: Please confirm the checkout email. Customer: It is pat@example.test. Supplied lookup result: No order found for K19 and that email. Ask for the next useful detail without saying the order was cancelled, refunded or located.One customer-facing reply acknowledging the unsuccessful lookup and asking for a relevant missing order detail.Check that the reply reflects the supplied no-match result and claims no completed account or order action.