Grok 2 Vision 1212 ist die Edition mit visueller Eingabe der Grok-2-Familie von xAI und trägt den Namen grok-2-vision-1212. Der Hersteller präsentiert Grok 2 als Modell für Text- und Bildverständnis, mit Aufgaben wie Fragen zu Dokumenten und mathematischem Schlussfolgern anhand visuellen Materials. Die spätere Ankündigung der Version 1212 beschreibt Verbesserungen bei der Anweisungsbefolgung und im mehrsprachigen Verhalten. Diese Modellkarte behandelt die benannte Vision-Edition und ihr Textergebnis.
Die Modellmetadaten des Herstellers führen Text und Bilder als Eingabe sowie Text als Ausgabe auf. Eine praktische Aufgabe beginnt daher sowohl mit visueller Evidenz als auch mit einer präzisen Frage. Geben Sie bei einer Dokumentenseite das Feld, den Abschnitt oder den Zusammenhang an, den Sie erklärt haben möchten; benennen Sie bei einem Diagramm die wichtigen Beschriftungen und Größen; beschreiben Sie bei einem Screenshot das Nutzerziel und das zu untersuchende Element. Ziel ist, sichtbare Inhalte mit dem Auftrag in Beziehung zu setzen, statt eine ungerichtete Beschreibung des gesamten Bildes anzufordern.
Eine beispielhafte Dokumentenanfrage lautet: „Lies die Überschriften und beschrifteten Felder auf dieser Seite. Gib die sichtbaren Werte zurück, kennzeichne Einträge, die sich nicht sicher lesen lassen, und erkläre, welche Passage deine Antwort stützt.“ Bei einem Diagramm könnte nach dem Zusammenhang zwischen zwei Datenreihen gefragt und eine Unterscheidung zwischen unmittelbar sichtbaren Werten und Interpretation verlangt werden. Bitten Sie bei einem Produktfoto um sichtbare Merkmale und einen Vergleich mit der bereitgestellten schriftlichen Spezifikation. Dies sind Vorbereitungs- und Ausgabebeispiele auf Grundlage der visuellen Aufgabenbereiche des Herstellers, keine Versprechen, jedes Detail aus jedem Bild rekonstruieren zu können.
Das Beispiel zum benannten Modell verzeichnet außerdem Unterstützung für strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für eine Extraktion das gewünschte Ergebnis: etwa eine Liste von Feldern, deren sichtbaren Text und einen Hinweis auf Unsicherheit. Stellen Sie für eine werkzeuggestützte Aufgabe die Beschreibungen zulässiger Werkzeuge und die für eine Operation erforderlichen Informationen bereit. Die Anwendung führt die Operation aus und gibt ihr Ergebnis zurück; das Modell kann diese Informationen dann in der nächsten Textantwort verwenden. Die Vision-Funktion selbst besteht darin, das bereitgestellte Bild zu interpretieren, während die externe Operation zur umgebenden Anwendung gehört.
Diese Edition wird in diesem Herstellerbeispiel ohne separaten Reasoning-Modus aufgeführt. Sie kann dennoch Fragen beantworten, die Zusammenhänge und Erklärungen verlangen; die für andere Grok-Versionen beschriebenen ausdrücklichen Modi für erweitertes Denken sind davon getrennt zu halten. Dasselbe Beispiel nennt eine maximale Promptlänge von 32.768 Tokens. Das ist das veröffentlichte Eingabefeld für das benannte Modell, keine separat dokumentierte maximale Antwortlänge. Die gelesenen Primärquellen belegen für Vision 1212 weder eine genaue allgemeine Bildanzahl noch eine Bildauflösung oder eine Obergrenze für Ausgabetokens. Diese Werte sollten daher aus einer konkreten Anfragespezifikation stammen und nicht von einem neueren Vision-Modell übernommen werden.
Der feste Name 1212 ist auch bei der Auswahl einer Edition wichtig. Die reine Textversion von Grok 2 und seine Bilderzeugungsprodukte bedienen unterschiedliche Ein- und Ausgaben. Das hier beschriebene Ergebnis ist eine schriftliche Antwort zu visuellem Material. In der Grok-Anwendung gezeigte Funktionen, etwa zusätzliche Such- oder Bilderzeugungsangebote, sind separate Integrationen rund um die Familie und sollten von den Fähigkeiten dieses benannten Modelleintrags unterschieden werden.
Bereiten Sie gut lesbare Seiten vor und kennzeichnen Sie jedes Bild, wenn Sie Material vergleichen. Geben Sie an, welcher Bildbereich relevant ist, nehmen Sie notwendige Definitionen oder Einheiten in die Frage auf und bitten Sie die Antwort, ursprüngliche Namen beizubehalten. Wählen Sie als nützliches endgültiges Arbeitsergebnis eine Erklärung, eine Extraktionstabelle oder eine Liste von Beobachtungen mit Bezug zur Evidenz. Ist das Bild mehrdeutig, bewahren Sie diese Unsicherheit in der Ausgabe und prüfen Sie folgenreiche Lesungen anhand des Originalmaterials.
", "aboutText": "Grok 2 Vision 1212 ist die Edition mit visueller Eingabe der Grok-2-Familie von xAI und trägt den Namen grok-2-vision-1212. Der Hersteller präsentiert Grok 2 als Modell für Text- und Bildverständnis, mit Aufgaben wie Fragen zu Dokumenten und mathematischem Schlussfolgern anhand visuellen Materials. Die spätere Ankündigung der Version 1212 beschreibt Verbesserungen bei der Anweisungsbefolgung und im mehrsprachigen Verhalten. Diese Modellkarte behandelt die benannte Vision-Edition und ihr Textergebnis.\n\nDie Modellmetadaten des Herstellers führen Text und Bilder als Eingabe sowie Text als Ausgabe auf. Eine praktische Aufgabe beginnt daher sowohl mit visueller Evidenz als auch mit einer präzisen Frage. Geben Sie bei einer Dokumentenseite das Feld, den Abschnitt oder den Zusammenhang an, den Sie erklärt haben möchten; benennen Sie bei einem Diagramm die wichtigen Beschriftungen und Größen; beschreiben Sie bei einem Screenshot das Nutzerziel und das zu untersuchende Element. Ziel ist, sichtbare Inhalte mit dem Auftrag in Beziehung zu setzen, statt eine ungerichtete Beschreibung des gesamten Bildes anzufordern.\n\nEine beispielhafte Dokumentenanfrage lautet: „Lies die Überschriften und beschrifteten Felder auf dieser Seite. Gib die sichtbaren Werte zurück, kennzeichne Einträge, die sich nicht sicher lesen lassen, und erkläre, welche Passage deine Antwort stützt.“ Bei einem Diagramm könnte nach dem Zusammenhang zwischen zwei Datenreihen gefragt und eine Unterscheidung zwischen unmittelbar sichtbaren Werten und Interpretation verlangt werden. Bitten Sie bei einem Produktfoto um sichtbare Merkmale und einen Vergleich mit der bereitgestellten schriftlichen Spezifikation. Dies sind Vorbereitungs- und Ausgabebeispiele auf Grundlage der visuellen Aufgabenbereiche des Herstellers, keine Versprechen, jedes Detail aus jedem Bild rekonstruieren zu können.\n\nDas Beispiel zum benannten Modell verzeichnet außerdem Unterstützung für strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für eine Extraktion das gewünschte Ergebnis: etwa eine Liste von Feldern, deren sichtbaren Text und einen Hinweis auf Unsicherheit. Stellen Sie für eine werkzeuggestützte Aufgabe die Beschreibungen zulässiger Werkzeuge und die für eine Operation erforderlichen Informationen bereit. Die Anwendung führt die Operation aus und gibt ihr Ergebnis zurück; das Modell kann diese Informationen dann in der nächsten Textantwort verwenden. Die Vision-Funktion selbst besteht darin, das bereitgestellte Bild zu interpretieren, während die externe Operation zur umgebenden Anwendung gehört.\n\nDiese Edition wird in diesem Herstellerbeispiel ohne separaten Reasoning-Modus aufgeführt. Sie kann dennoch Fragen beantworten, die Zusammenhänge und Erklärungen verlangen; die für andere Grok-Versionen beschriebenen ausdrücklichen Modi für erweitertes Denken sind davon getrennt zu halten. Dasselbe Beispiel nennt eine maximale Promptlänge von 32.768 Tokens. Das ist das veröffentlichte Eingabefeld für das benannte Modell, keine separat dokumentierte maximale Antwortlänge. Die gelesenen Primärquellen belegen für Vision 1212 weder eine genaue allgemeine Bildanzahl noch eine Bildauflösung oder eine Obergrenze für Ausgabetokens. Diese Werte sollten daher aus einer konkreten Anfragespezifikation stammen und nicht von einem neueren Vision-Modell übernommen werden.\n\nDer feste Name 1212 ist auch bei der Auswahl einer Edition wichtig. Die reine Textversion von Grok 2 und seine Bilderzeugungsprodukte bedienen unterschiedliche Ein- und Ausgaben. Das hier beschriebene Ergebnis ist eine schriftliche Antwort zu visuellem Material. In der Grok-Anwendung gezeigte Funktionen, etwa zusätzliche Such- oder Bilderzeugungsangebote, sind separate Integrationen rund um die Familie und sollten von den Fähigkeiten dieses benannten Modelleintrags unterschieden werden.\n\nBereiten Sie gut lesbare Seiten vor und kennzeichnen Sie jedes Bild, wenn Sie Material vergleichen. Geben Sie an, welcher Bildbereich relevant ist, nehmen Sie notwendige Definitionen oder Einheiten in die Frage auf und bitten Sie die Antwort, ursprüngliche Namen beizubehalten. Wählen Sie als nützliches endgültiges Arbeitsergebnis eine Erklärung, eine Extraktionstabelle oder eine Liste von Beobachtungen mit Bezug zur Evidenz. Ist das Bild mehrdeutig, bewahren Sie diese Unsicherheit in der Ausgabe und prüfen Sie folgenreiche Lesungen anhand des Originalmaterials.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Interpret a transcribed sales chart\n\nUse this chart transcription: January sales 80 units, February 100, March 90. The vertical axis is units, not currency. Write a three-sentence chart caption covering the peak, the change from January to March and one conclusion about revenue that cannot be drawn from these values.A three-sentence caption separating stated sales values, a calculated change and the revenue-information limit.Check that the caption retains units and does not infer revenue or prices from unit counts.grok-2-vision-1212Grok 2 Vision 1212 ist die Bildverständnis-Edition von xAI für Fragen zu Dokumenten, Diagrammen, Fotos und Screenshots. Sie kombiniert eine schriftliche Frage mit visueller Eingabe und liefert eine Textantwort; 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 2 Vision 1212 ist die Edition mit visueller Eingabe der Grok-2-Familie von xAI und trägt den Namen grok-2-vision-1212. Der Hersteller präsentiert Grok 2 als Modell für Text- und Bildverständnis, mit Aufgaben wie Fragen zu Dokumenten und mathematischem Schlussfolgern anhand visuellen Materials. Die spätere Ankündigung der Version 1212 beschreibt Verbesserungen bei der Anweisungsbefolgung und im mehrsprachigen Verhalten. Diese Modellkarte behandelt die benannte Vision-Edition und ihr Textergebnis.
Die Modellmetadaten des Herstellers führen Text und Bilder als Eingabe sowie Text als Ausgabe auf. Eine praktische Aufgabe beginnt daher sowohl mit visueller Evidenz als auch mit einer präzisen Frage. Geben Sie bei einer Dokumentenseite das Feld, den Abschnitt oder den Zusammenhang an, den Sie erklärt haben möchten; benennen Sie bei einem Diagramm die wichtigen Beschriftungen und Größen; beschreiben Sie bei einem Screenshot das Nutzerziel und das zu untersuchende Element. Ziel ist, sichtbare Inhalte mit dem Auftrag in Beziehung zu setzen, statt eine ungerichtete Beschreibung des gesamten Bildes anzufordern.
Eine beispielhafte Dokumentenanfrage lautet: „Lies die Überschriften und beschrifteten Felder auf dieser Seite. Gib die sichtbaren Werte zurück, kennzeichne Einträge, die sich nicht sicher lesen lassen, und erkläre, welche Passage deine Antwort stützt.“ Bei einem Diagramm könnte nach dem Zusammenhang zwischen zwei Datenreihen gefragt und eine Unterscheidung zwischen unmittelbar sichtbaren Werten und Interpretation verlangt werden. Bitten Sie bei einem Produktfoto um sichtbare Merkmale und einen Vergleich mit der bereitgestellten schriftlichen Spezifikation. Dies sind Vorbereitungs- und Ausgabebeispiele auf Grundlage der visuellen Aufgabenbereiche des Herstellers, keine Versprechen, jedes Detail aus jedem Bild rekonstruieren zu können.
Das Beispiel zum benannten Modell verzeichnet außerdem Unterstützung für strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für eine Extraktion das gewünschte Ergebnis: etwa eine Liste von Feldern, deren sichtbaren Text und einen Hinweis auf Unsicherheit. Stellen Sie für eine werkzeuggestützte Aufgabe die Beschreibungen zulässiger Werkzeuge und die für eine Operation erforderlichen Informationen bereit. Die Anwendung führt die Operation aus und gibt ihr Ergebnis zurück; das Modell kann diese Informationen dann in der nächsten Textantwort verwenden. Die Vision-Funktion selbst besteht darin, das bereitgestellte Bild zu interpretieren, während die externe Operation zur umgebenden Anwendung gehört.
Diese Edition wird in diesem Herstellerbeispiel ohne separaten Reasoning-Modus aufgeführt. Sie kann dennoch Fragen beantworten, die Zusammenhänge und Erklärungen verlangen; die für andere Grok-Versionen beschriebenen ausdrücklichen Modi für erweitertes Denken sind davon getrennt zu halten. Dasselbe Beispiel nennt eine maximale Promptlänge von 32.768 Tokens. Das ist das veröffentlichte Eingabefeld für das benannte Modell, keine separat dokumentierte maximale Antwortlänge. Die gelesenen Primärquellen belegen für Vision 1212 weder eine genaue allgemeine Bildanzahl noch eine Bildauflösung oder eine Obergrenze für Ausgabetokens. Diese Werte sollten daher aus einer konkreten Anfragespezifikation stammen und nicht von einem neueren Vision-Modell übernommen werden.
Der feste Name 1212 ist auch bei der Auswahl einer Edition wichtig. Die reine Textversion von Grok 2 und seine Bilderzeugungsprodukte bedienen unterschiedliche Ein- und Ausgaben. Das hier beschriebene Ergebnis ist eine schriftliche Antwort zu visuellem Material. In der Grok-Anwendung gezeigte Funktionen, etwa zusätzliche Such- oder Bilderzeugungsangebote, sind separate Integrationen rund um die Familie und sollten von den Fähigkeiten dieses benannten Modelleintrags unterschieden werden.
Bereiten Sie gut lesbare Seiten vor und kennzeichnen Sie jedes Bild, wenn Sie Material vergleichen. Geben Sie an, welcher Bildbereich relevant ist, nehmen Sie notwendige Definitionen oder Einheiten in die Frage auf und bitten Sie die Antwort, ursprüngliche Namen beizubehalten. Wählen Sie als nützliches endgültiges Arbeitsergebnis eine Erklärung, eine Extraktionstabelle oder eine Liste von Beobachtungen mit Bezug zur Evidenz. Ist das Bild mehrdeutig, bewahren Sie diese Unsicherheit in der Ausgabe und prüfen Sie folgenreiche Lesungen anhand des Originalmaterials.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-2-vision-1212 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "grok-2-vision-1212", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='grok-2-vision-1212',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='grok-2-vision-1212',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra grok-2-vision-1212
Verwenden Sie die oben angezeigten Methodenpfade.
grok-2-vision-1212Grok 2 Vision 1212 ist die Bildverständnis-Edition von xAI für Fragen zu Dokumenten, Diagrammen, Fotos und Screenshots. Sie kombiniert eine schriftliche Frage mit visueller Eingabe und liefert eine Textantwort; 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 2 Vision 1212 ist die Edition mit visueller Eingabe der Grok-2-Familie von xAI und trägt den Namen grok-2-vision-1212. Der Hersteller präsentiert Grok 2 als Modell für Text- und Bildverständnis, mit Aufgaben wie Fragen zu Dokumenten und mathematischem Schlussfolgern anhand visuellen Materials. Die spätere Ankündigung der Version 1212 beschreibt Verbesserungen bei der Anweisungsbefolgung und im mehrsprachigen Verhalten. Diese Modellkarte behandelt die benannte Vision-Edition und ihr Textergebnis.
Die Modellmetadaten des Herstellers führen Text und Bilder als Eingabe sowie Text als Ausgabe auf. Eine praktische Aufgabe beginnt daher sowohl mit visueller Evidenz als auch mit einer präzisen Frage. Geben Sie bei einer Dokumentenseite das Feld, den Abschnitt oder den Zusammenhang an, den Sie erklärt haben möchten; benennen Sie bei einem Diagramm die wichtigen Beschriftungen und Größen; beschreiben Sie bei einem Screenshot das Nutzerziel und das zu untersuchende Element. Ziel ist, sichtbare Inhalte mit dem Auftrag in Beziehung zu setzen, statt eine ungerichtete Beschreibung des gesamten Bildes anzufordern.
Eine beispielhafte Dokumentenanfrage lautet: „Lies die Überschriften und beschrifteten Felder auf dieser Seite. Gib die sichtbaren Werte zurück, kennzeichne Einträge, die sich nicht sicher lesen lassen, und erkläre, welche Passage deine Antwort stützt.“ Bei einem Diagramm könnte nach dem Zusammenhang zwischen zwei Datenreihen gefragt und eine Unterscheidung zwischen unmittelbar sichtbaren Werten und Interpretation verlangt werden. Bitten Sie bei einem Produktfoto um sichtbare Merkmale und einen Vergleich mit der bereitgestellten schriftlichen Spezifikation. Dies sind Vorbereitungs- und Ausgabebeispiele auf Grundlage der visuellen Aufgabenbereiche des Herstellers, keine Versprechen, jedes Detail aus jedem Bild rekonstruieren zu können.
Das Beispiel zum benannten Modell verzeichnet außerdem Unterstützung für strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für eine Extraktion das gewünschte Ergebnis: etwa eine Liste von Feldern, deren sichtbaren Text und einen Hinweis auf Unsicherheit. Stellen Sie für eine werkzeuggestützte Aufgabe die Beschreibungen zulässiger Werkzeuge und die für eine Operation erforderlichen Informationen bereit. Die Anwendung führt die Operation aus und gibt ihr Ergebnis zurück; das Modell kann diese Informationen dann in der nächsten Textantwort verwenden. Die Vision-Funktion selbst besteht darin, das bereitgestellte Bild zu interpretieren, während die externe Operation zur umgebenden Anwendung gehört.
Diese Edition wird in diesem Herstellerbeispiel ohne separaten Reasoning-Modus aufgeführt. Sie kann dennoch Fragen beantworten, die Zusammenhänge und Erklärungen verlangen; die für andere Grok-Versionen beschriebenen ausdrücklichen Modi für erweitertes Denken sind davon getrennt zu halten. Dasselbe Beispiel nennt eine maximale Promptlänge von 32.768 Tokens. Das ist das veröffentlichte Eingabefeld für das benannte Modell, keine separat dokumentierte maximale Antwortlänge. Die gelesenen Primärquellen belegen für Vision 1212 weder eine genaue allgemeine Bildanzahl noch eine Bildauflösung oder eine Obergrenze für Ausgabetokens. Diese Werte sollten daher aus einer konkreten Anfragespezifikation stammen und nicht von einem neueren Vision-Modell übernommen werden.
Der feste Name 1212 ist auch bei der Auswahl einer Edition wichtig. Die reine Textversion von Grok 2 und seine Bilderzeugungsprodukte bedienen unterschiedliche Ein- und Ausgaben. Das hier beschriebene Ergebnis ist eine schriftliche Antwort zu visuellem Material. In der Grok-Anwendung gezeigte Funktionen, etwa zusätzliche Such- oder Bilderzeugungsangebote, sind separate Integrationen rund um die Familie und sollten von den Fähigkeiten dieses benannten Modelleintrags unterschieden werden.
Bereiten Sie gut lesbare Seiten vor und kennzeichnen Sie jedes Bild, wenn Sie Material vergleichen. Geben Sie an, welcher Bildbereich relevant ist, nehmen Sie notwendige Definitionen oder Einheiten in die Frage auf und bitten Sie die Antwort, ursprüngliche Namen beizubehalten. Wählen Sie als nützliches endgültiges Arbeitsergebnis eine Erklärung, eine Extraktionstabelle oder eine Liste von Beobachtungen mit Bezug zur Evidenz. Ist das Bild mehrdeutig, bewahren Sie diese Unsicherheit in der Ausgabe und prüfen Sie folgenreiche Lesungen anhand des Originalmaterials.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-2-vision-1212 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "grok-2-vision-1212",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'grok-2-vision-1212', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'grok-2-vision-1212', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra grok-2-vision-1212
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Interpret a transcribed sales chart\n\nUse this chart transcription: January sales 80 units, February 100, March 90. The vertical axis is units, not currency. Write a three-sentence chart caption covering the peak, the change from January to March and one conclusion about revenue that cannot be drawn from these values.A three-sentence caption separating stated sales values, a calculated change and the revenue-information limit.Check that the caption retains units and does not infer revenue or prices from unit counts.