Grok 3 ist die Modellfamilie von xAI für Sprachaufgaben, Allgemeinwissen, Programmieren und Problemlösung. Die Einführungsbeschreibung unterscheidet das regulär antwortende Modell von den ausdrücklich als Think bezeichneten Varianten der Familie, die vor der endgültigen Antwort zusätzliches Reasoning einsetzen. Der hier beschriebene benannte Eintrag grok-3 ist die Textchat-Edition: Der Hersteller nennt Texteingabe und Textausgabe und führt für diesen Eintrag keine separate Reasoning-Funktion auf.
Das Vortraining der Familie soll ein breites Spektrum an Fragen und Anweisungen unterstützen. In der Veröffentlichungsbeschreibung hebt xAI Mathematik, Programmieren, Wissen und stilistische Steuerung hervor. Bei einer Schreibaufgabe bietet das eine nützliche Grundlage, um das Modell eine Erklärung für eine bestimmte Leserschaft überarbeiten, festgelegte Fakten bewahren oder aus einer Reihe von Punkten einen zusammenhängenden Entwurf entwickeln zu lassen. Stellen Sie für einen technischen Assistenten das relevante Material bereit und nennen Sie die Frage, die die Antwort klären muss, statt sich nur auf eine allgemeine Bitte zu verlassen, das Thema zu besprechen.
Eine beispielhafte Dokumentenaufgabe lautet: „Vergleiche diese beiden Beschreibungen des Arbeitsablaufs. Liste Übereinstimmungen, Widersprüche und fehlende Informationen auf und verfasse anschließend eine kurze Erklärung für ein neues Teammitglied.“ Kennzeichnen Sie die Quellenabschnitte, damit die Antwort jede Beobachtung der richtigen Passage zuordnen kann. Eine Codeaufgabe kann die Funktion, das erwartete Verhalten und eine konkrete Eingabe enthalten, bei der das aktuelle Ergebnis falsch ist. Bitten Sie um einen Korrekturvorschlag und erläutern Sie, mit welchen Beispielen er geprüft werden soll. Diese Beispiele nutzen die dokumentierten Sprach- und Programmieraufgabenbereiche und bedeuten nicht, dass generierter Code bereits ausgeführt wurde.
Die Unterscheidung zu Think ist wichtig. Die Ankündigung der Grok-3-Familie beschreibt auch Grok 3 Think und Grok 3 mini Think, die darauf trainiert wurden, zusätzlichen Aufwand in das Reasoning zu investieren. Ihr erweitertes Denkverhalten sollte als eigene Modus- oder Modellwahl beschrieben werden. Der reguläre Texteintrag kann Erklärungen liefern und Fragen lösen; das ist jedoch nicht mit der Auswahl einer ausdrücklich dokumentierten Konfiguration für erweitertes Reasoning gleichzusetzen.
Das Metadaten-Beispiel des Herstellers zum benannten Modell nennt für grok-3 eine maximale Promptlänge von 131.072 Tokens und verzeichnet die Unterstützung strukturierter Ausgaben und von Funktionsaufrufen. Das Feld für die Promptlänge beschreibt das in diesem Beispiel veröffentlichte Eingabebudget; es stellt keine separate Obergrenze für Ausgabetokens dar. Die Familienankündigung behandelt eine größere Langkontext-Konfiguration. Halten Sie deshalb beim Vorbereiten einer Anfrage die genaue Spezifikation des benannten Modells und die allgemeinere Familienbeschreibung auseinander. Fügen Sie den für die Frage benötigten Kontext hinzu und legen Sie Format und Länge der Antwort ausdrücklich fest.
Strukturierte Ausgabe ist hilfreich, wenn ein Gespräch mit Feldern enden soll, die die Anwendung verarbeiten kann, etwa einer Zusammenfassung, extrahierten Fakten und noch zu klärenden Fragen. Funktionsaufrufe ermöglichen einer Anwendung, zulässige Operationen anzubieten und vorgeschlagene Argumente zu empfangen. Die Anwendung führt die Operation aus und gibt das Ergebnis für eine nachfolgende Antwort zurück. Das unterscheidet sich davon, dass ein Modell selbstständig auf eine beliebige Datenbank, einen Browser oder einen Codeinterpreter zugreifen kann.
Der Einführungsartikel behandelt DeepSearch und mit Werkzeugen ausgestattete Agenten als Systeme, die auf der Grok-Familie aufbauen. Ihre Abläufe für Suche, Ausführung und Berichtserstellung bilden einen Integrationskontext und sind kein Grund, jede Anwendungsfunktion auf den reinen Texteintrag grok-3 zu übertragen. Geben Sie für eine nützliche Aufgabe an, welches bereitgestellte Material oder welche zurückgegebenen Werkzeugdaten das Modell verwenden soll, unterscheiden Sie Fakten von angeforderten Interpretationen und bitten Sie um die Kennzeichnung fehlender Informationen. Schließen Sie mit einem konkreten Arbeitsergebnis ab: einem überarbeiteten Dokument, einem Codevorschlag, einem Extraktionsdatensatz oder einer Erklärung, die anhand der ursprünglichen Eingaben geprüft werden kann.
", "aboutText": "Grok 3 ist die Modellfamilie von xAI für Sprachaufgaben, Allgemeinwissen, Programmieren und Problemlösung. Die Einführungsbeschreibung unterscheidet das regulär antwortende Modell von den ausdrücklich als Think bezeichneten Varianten der Familie, die vor der endgültigen Antwort zusätzliches Reasoning einsetzen. Der hier beschriebene benannte Eintrag grok-3 ist die Textchat-Edition: Der Hersteller nennt Texteingabe und Textausgabe und führt für diesen Eintrag keine separate Reasoning-Funktion auf.\n\nDas Vortraining der Familie soll ein breites Spektrum an Fragen und Anweisungen unterstützen. In der Veröffentlichungsbeschreibung hebt xAI Mathematik, Programmieren, Wissen und stilistische Steuerung hervor. Bei einer Schreibaufgabe bietet das eine nützliche Grundlage, um das Modell eine Erklärung für eine bestimmte Leserschaft überarbeiten, festgelegte Fakten bewahren oder aus einer Reihe von Punkten einen zusammenhängenden Entwurf entwickeln zu lassen. Stellen Sie für einen technischen Assistenten das relevante Material bereit und nennen Sie die Frage, die die Antwort klären muss, statt sich nur auf eine allgemeine Bitte zu verlassen, das Thema zu besprechen.\n\nEine beispielhafte Dokumentenaufgabe lautet: „Vergleiche diese beiden Beschreibungen des Arbeitsablaufs. Liste Übereinstimmungen, Widersprüche und fehlende Informationen auf und verfasse anschließend eine kurze Erklärung für ein neues Teammitglied.“ Kennzeichnen Sie die Quellenabschnitte, damit die Antwort jede Beobachtung der richtigen Passage zuordnen kann. Eine Codeaufgabe kann die Funktion, das erwartete Verhalten und eine konkrete Eingabe enthalten, bei der das aktuelle Ergebnis falsch ist. Bitten Sie um einen Korrekturvorschlag und erläutern Sie, mit welchen Beispielen er geprüft werden soll. Diese Beispiele nutzen die dokumentierten Sprach- und Programmieraufgabenbereiche und bedeuten nicht, dass generierter Code bereits ausgeführt wurde.\n\nDie Unterscheidung zu Think ist wichtig. Die Ankündigung der Grok-3-Familie beschreibt auch Grok 3 Think und Grok 3 mini Think, die darauf trainiert wurden, zusätzlichen Aufwand in das Reasoning zu investieren. Ihr erweitertes Denkverhalten sollte als eigene Modus- oder Modellwahl beschrieben werden. Der reguläre Texteintrag kann Erklärungen liefern und Fragen lösen; das ist jedoch nicht mit der Auswahl einer ausdrücklich dokumentierten Konfiguration für erweitertes Reasoning gleichzusetzen.\n\nDas Metadaten-Beispiel des Herstellers zum benannten Modell nennt für grok-3 eine maximale Promptlänge von 131.072 Tokens und verzeichnet die Unterstützung strukturierter Ausgaben und von Funktionsaufrufen. Das Feld für die Promptlänge beschreibt das in diesem Beispiel veröffentlichte Eingabebudget; es stellt keine separate Obergrenze für Ausgabetokens dar. Die Familienankündigung behandelt eine größere Langkontext-Konfiguration. Halten Sie deshalb beim Vorbereiten einer Anfrage die genaue Spezifikation des benannten Modells und die allgemeinere Familienbeschreibung auseinander. Fügen Sie den für die Frage benötigten Kontext hinzu und legen Sie Format und Länge der Antwort ausdrücklich fest.\n\nStrukturierte Ausgabe ist hilfreich, wenn ein Gespräch mit Feldern enden soll, die die Anwendung verarbeiten kann, etwa einer Zusammenfassung, extrahierten Fakten und noch zu klärenden Fragen. Funktionsaufrufe ermöglichen einer Anwendung, zulässige Operationen anzubieten und vorgeschlagene Argumente zu empfangen. Die Anwendung führt die Operation aus und gibt das Ergebnis für eine nachfolgende Antwort zurück. Das unterscheidet sich davon, dass ein Modell selbstständig auf eine beliebige Datenbank, einen Browser oder einen Codeinterpreter zugreifen kann.\n\nDer Einführungsartikel behandelt DeepSearch und mit Werkzeugen ausgestattete Agenten als Systeme, die auf der Grok-Familie aufbauen. Ihre Abläufe für Suche, Ausführung und Berichtserstellung bilden einen Integrationskontext und sind kein Grund, jede Anwendungsfunktion auf den reinen Texteintrag grok-3 zu übertragen. Geben Sie für eine nützliche Aufgabe an, welches bereitgestellte Material oder welche zurückgegebenen Werkzeugdaten das Modell verwenden soll, unterscheiden Sie Fakten von angeforderten Interpretationen und bitten Sie um die Kennzeichnung fehlender Informationen. Schließen Sie mit einem konkreten Arbeitsergebnis ab: einem überarbeiteten Dokument, einem Codevorschlag, einem Extraktionsdatensatz oder einer Erklärung, die anhand der ursprünglichen Eingaben geprüft werden kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Revise a technical explanation\n\nRewrite this for a nontechnical office manager in at most 75 words: 'The synchronisation job retries transient transport failures using exponential backoff; repeated requests carry the same operation key to prevent duplicate entries.' Preserve the difference between retrying a failed connection and creating a second record. Use one everyday comparison and no unsupported guarantees.A concise plain-language explanation with one comparison and both retry and duplicate-prevention concepts intact.The rewrite does not imply that every failure is recoverable or that retries always succeed.grok-3Grok 3 ist die Textchat-Edition von xAI für Erklärungen, Schreiben, Programmieren und Fragen zu bereitgestelltem Material. Der benannte Modelleintrag unterstützt strukturierte Ausgaben und Funktionsaufrufe und unterscheidet sich von den ausdrücklich als Think bezeichneten Modellen der Familie.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grok 3 ist die Modellfamilie von xAI für Sprachaufgaben, Allgemeinwissen, Programmieren und Problemlösung. Die Einführungsbeschreibung unterscheidet das regulär antwortende Modell von den ausdrücklich als Think bezeichneten Varianten der Familie, die vor der endgültigen Antwort zusätzliches Reasoning einsetzen. Der hier beschriebene benannte Eintrag grok-3 ist die Textchat-Edition: Der Hersteller nennt Texteingabe und Textausgabe und führt für diesen Eintrag keine separate Reasoning-Funktion auf.
Das Vortraining der Familie soll ein breites Spektrum an Fragen und Anweisungen unterstützen. In der Veröffentlichungsbeschreibung hebt xAI Mathematik, Programmieren, Wissen und stilistische Steuerung hervor. Bei einer Schreibaufgabe bietet das eine nützliche Grundlage, um das Modell eine Erklärung für eine bestimmte Leserschaft überarbeiten, festgelegte Fakten bewahren oder aus einer Reihe von Punkten einen zusammenhängenden Entwurf entwickeln zu lassen. Stellen Sie für einen technischen Assistenten das relevante Material bereit und nennen Sie die Frage, die die Antwort klären muss, statt sich nur auf eine allgemeine Bitte zu verlassen, das Thema zu besprechen.
Eine beispielhafte Dokumentenaufgabe lautet: „Vergleiche diese beiden Beschreibungen des Arbeitsablaufs. Liste Übereinstimmungen, Widersprüche und fehlende Informationen auf und verfasse anschließend eine kurze Erklärung für ein neues Teammitglied.“ Kennzeichnen Sie die Quellenabschnitte, damit die Antwort jede Beobachtung der richtigen Passage zuordnen kann. Eine Codeaufgabe kann die Funktion, das erwartete Verhalten und eine konkrete Eingabe enthalten, bei der das aktuelle Ergebnis falsch ist. Bitten Sie um einen Korrekturvorschlag und erläutern Sie, mit welchen Beispielen er geprüft werden soll. Diese Beispiele nutzen die dokumentierten Sprach- und Programmieraufgabenbereiche und bedeuten nicht, dass generierter Code bereits ausgeführt wurde.
Die Unterscheidung zu Think ist wichtig. Die Ankündigung der Grok-3-Familie beschreibt auch Grok 3 Think und Grok 3 mini Think, die darauf trainiert wurden, zusätzlichen Aufwand in das Reasoning zu investieren. Ihr erweitertes Denkverhalten sollte als eigene Modus- oder Modellwahl beschrieben werden. Der reguläre Texteintrag kann Erklärungen liefern und Fragen lösen; das ist jedoch nicht mit der Auswahl einer ausdrücklich dokumentierten Konfiguration für erweitertes Reasoning gleichzusetzen.
Das Metadaten-Beispiel des Herstellers zum benannten Modell nennt für grok-3 eine maximale Promptlänge von 131.072 Tokens und verzeichnet die Unterstützung strukturierter Ausgaben und von Funktionsaufrufen. Das Feld für die Promptlänge beschreibt das in diesem Beispiel veröffentlichte Eingabebudget; es stellt keine separate Obergrenze für Ausgabetokens dar. Die Familienankündigung behandelt eine größere Langkontext-Konfiguration. Halten Sie deshalb beim Vorbereiten einer Anfrage die genaue Spezifikation des benannten Modells und die allgemeinere Familienbeschreibung auseinander. Fügen Sie den für die Frage benötigten Kontext hinzu und legen Sie Format und Länge der Antwort ausdrücklich fest.
Strukturierte Ausgabe ist hilfreich, wenn ein Gespräch mit Feldern enden soll, die die Anwendung verarbeiten kann, etwa einer Zusammenfassung, extrahierten Fakten und noch zu klärenden Fragen. Funktionsaufrufe ermöglichen einer Anwendung, zulässige Operationen anzubieten und vorgeschlagene Argumente zu empfangen. Die Anwendung führt die Operation aus und gibt das Ergebnis für eine nachfolgende Antwort zurück. Das unterscheidet sich davon, dass ein Modell selbstständig auf eine beliebige Datenbank, einen Browser oder einen Codeinterpreter zugreifen kann.
Der Einführungsartikel behandelt DeepSearch und mit Werkzeugen ausgestattete Agenten als Systeme, die auf der Grok-Familie aufbauen. Ihre Abläufe für Suche, Ausführung und Berichtserstellung bilden einen Integrationskontext und sind kein Grund, jede Anwendungsfunktion auf den reinen Texteintrag grok-3 zu übertragen. Geben Sie für eine nützliche Aufgabe an, welches bereitgestellte Material oder welche zurückgegebenen Werkzeugdaten das Modell verwenden soll, unterscheiden Sie Fakten von angeforderten Interpretationen und bitten Sie um die Kennzeichnung fehlender Informationen. Schließen Sie mit einem konkreten Arbeitsergebnis ab: einem überarbeiteten Dokument, einem Codevorschlag, einem Extraktionsdatensatz oder einer Erklärung, die anhand der ursprünglichen Eingaben geprüft werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-3 | 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 $0.006 / 1K Token Ausgabe · Ausgabetoken $0.03 / 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-3", "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',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',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
Verwenden Sie die oben angezeigten Methodenpfade.
grok-3Grok 3 ist die Textchat-Edition von xAI für Erklärungen, Schreiben, Programmieren und Fragen zu bereitgestelltem Material. Der benannte Modelleintrag unterstützt strukturierte Ausgaben und Funktionsaufrufe und unterscheidet sich von den ausdrücklich als Think bezeichneten Modellen der Familie.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grok 3 ist die Modellfamilie von xAI für Sprachaufgaben, Allgemeinwissen, Programmieren und Problemlösung. Die Einführungsbeschreibung unterscheidet das regulär antwortende Modell von den ausdrücklich als Think bezeichneten Varianten der Familie, die vor der endgültigen Antwort zusätzliches Reasoning einsetzen. Der hier beschriebene benannte Eintrag grok-3 ist die Textchat-Edition: Der Hersteller nennt Texteingabe und Textausgabe und führt für diesen Eintrag keine separate Reasoning-Funktion auf.
Das Vortraining der Familie soll ein breites Spektrum an Fragen und Anweisungen unterstützen. In der Veröffentlichungsbeschreibung hebt xAI Mathematik, Programmieren, Wissen und stilistische Steuerung hervor. Bei einer Schreibaufgabe bietet das eine nützliche Grundlage, um das Modell eine Erklärung für eine bestimmte Leserschaft überarbeiten, festgelegte Fakten bewahren oder aus einer Reihe von Punkten einen zusammenhängenden Entwurf entwickeln zu lassen. Stellen Sie für einen technischen Assistenten das relevante Material bereit und nennen Sie die Frage, die die Antwort klären muss, statt sich nur auf eine allgemeine Bitte zu verlassen, das Thema zu besprechen.
Eine beispielhafte Dokumentenaufgabe lautet: „Vergleiche diese beiden Beschreibungen des Arbeitsablaufs. Liste Übereinstimmungen, Widersprüche und fehlende Informationen auf und verfasse anschließend eine kurze Erklärung für ein neues Teammitglied.“ Kennzeichnen Sie die Quellenabschnitte, damit die Antwort jede Beobachtung der richtigen Passage zuordnen kann. Eine Codeaufgabe kann die Funktion, das erwartete Verhalten und eine konkrete Eingabe enthalten, bei der das aktuelle Ergebnis falsch ist. Bitten Sie um einen Korrekturvorschlag und erläutern Sie, mit welchen Beispielen er geprüft werden soll. Diese Beispiele nutzen die dokumentierten Sprach- und Programmieraufgabenbereiche und bedeuten nicht, dass generierter Code bereits ausgeführt wurde.
Die Unterscheidung zu Think ist wichtig. Die Ankündigung der Grok-3-Familie beschreibt auch Grok 3 Think und Grok 3 mini Think, die darauf trainiert wurden, zusätzlichen Aufwand in das Reasoning zu investieren. Ihr erweitertes Denkverhalten sollte als eigene Modus- oder Modellwahl beschrieben werden. Der reguläre Texteintrag kann Erklärungen liefern und Fragen lösen; das ist jedoch nicht mit der Auswahl einer ausdrücklich dokumentierten Konfiguration für erweitertes Reasoning gleichzusetzen.
Das Metadaten-Beispiel des Herstellers zum benannten Modell nennt für grok-3 eine maximale Promptlänge von 131.072 Tokens und verzeichnet die Unterstützung strukturierter Ausgaben und von Funktionsaufrufen. Das Feld für die Promptlänge beschreibt das in diesem Beispiel veröffentlichte Eingabebudget; es stellt keine separate Obergrenze für Ausgabetokens dar. Die Familienankündigung behandelt eine größere Langkontext-Konfiguration. Halten Sie deshalb beim Vorbereiten einer Anfrage die genaue Spezifikation des benannten Modells und die allgemeinere Familienbeschreibung auseinander. Fügen Sie den für die Frage benötigten Kontext hinzu und legen Sie Format und Länge der Antwort ausdrücklich fest.
Strukturierte Ausgabe ist hilfreich, wenn ein Gespräch mit Feldern enden soll, die die Anwendung verarbeiten kann, etwa einer Zusammenfassung, extrahierten Fakten und noch zu klärenden Fragen. Funktionsaufrufe ermöglichen einer Anwendung, zulässige Operationen anzubieten und vorgeschlagene Argumente zu empfangen. Die Anwendung führt die Operation aus und gibt das Ergebnis für eine nachfolgende Antwort zurück. Das unterscheidet sich davon, dass ein Modell selbstständig auf eine beliebige Datenbank, einen Browser oder einen Codeinterpreter zugreifen kann.
Der Einführungsartikel behandelt DeepSearch und mit Werkzeugen ausgestattete Agenten als Systeme, die auf der Grok-Familie aufbauen. Ihre Abläufe für Suche, Ausführung und Berichtserstellung bilden einen Integrationskontext und sind kein Grund, jede Anwendungsfunktion auf den reinen Texteintrag grok-3 zu übertragen. Geben Sie für eine nützliche Aufgabe an, welches bereitgestellte Material oder welche zurückgegebenen Werkzeugdaten das Modell verwenden soll, unterscheiden Sie Fakten von angeforderten Interpretationen und bitten Sie um die Kennzeichnung fehlender Informationen. Schließen Sie mit einem konkreten Arbeitsergebnis ab: einem überarbeiteten Dokument, einem Codevorschlag, einem Extraktionsdatensatz oder einer Erklärung, die anhand der ursprünglichen Eingaben geprüft werden kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-3 | 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 $0.006 / 1K Token Ausgabe · Ausgabetoken $0.03 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "grok-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Revise a technical explanation\n\nRewrite this for a nontechnical office manager in at most 75 words: 'The synchronisation job retries transient transport failures using exponential backoff; repeated requests carry the same operation key to prevent duplicate entries.' Preserve the difference between retrying a failed connection and creating a second record. Use one everyday comparison and no unsupported guarantees.A concise plain-language explanation with one comparison and both retry and duplicate-prevention concepts intact.The rewrite does not imply that every failure is recoverable or that retries always succeed.