Für Agentenabläufe entwickelt
Grok 4.1 Fast (Reasoning) ist die Reasoning-Konfiguration der Modellfamilie Grok 4.1 Fast von xAI. Ihr Schwerpunkt liegt darauf, eine Aufgabe durch eine Abfolge von Entscheidungen und Werkzeuginteraktionen abzuschließen, insbesondere im Support und in der Recherche. Das angekündigte Kontextfenster der Familie umfasst 2 Millionen Tokens. Das ist relevant, wenn Anweisungen, Referenzmaterial und Ergebnisse früherer Aktionen zusammen verfügbar bleiben müssen. Reasoning und Non-Reasoning sind getrennt benannte Konfigurationen mit unterschiedlichen Ansätzen für die Antworterstellung.
Training für reale Aufgaben
Bei der Modellentwicklung kommt bestärkendes Lernen in simulierten Umgebungen mit unterschiedlichen Werkzeugen und Aufgabenbereichen zum Einsatz. Der praktische Zweck besteht darin, anhand einer Beschreibung eine geeignete Aktion auszuwählen, die erforderlichen Argumente bereitzustellen und mit den zurückgegebenen Informationen weiterzuarbeiten. Eine Supportanwendung könnte das Modell auffordern, ein Kundenanliegen zu bestimmen, den relevanten Servicevorgang abzurufen, das Anliegen mit vorgegebenen Regeln abzugleichen und den nächsten Schritt vorzubereiten. Geben Sie dem Modell tatsächliche Richtlinien und Datensätze, statt es fehlende Betriebsregeln erfinden zu lassen.
Werkzeugaufrufe und lange Gespräche
Training über lange Handlungshorizonte und mehrere Gesprächsrunden adressiert ein spezifisches Agentenproblem: die Aufgabe beizubehalten, während Gespräch und Werkzeugverlauf wachsen. Bereiten Sie knappe Werkzeugbeschreibungen, eindeutige Argumentfelder und eine Definition des Abschlusskriteriums vor. Ordnen Sie zurückgegebene Beobachtungen weiterhin der Aktion zu, aus der sie entstanden sind. Ein Agent, der ein Serviceproblem untersucht, kann beispielsweise einen Protokollauszug mit einem bekannten Verfahren zur Fehlerbehebung vergleichen und die nächste Diagnosefunktion auswählen. Die Anwendung führt die ausgewählte Funktion aus; das Modell interpretiert ihr Ergebnis und aktualisiert die Antwort.
Informationsabruf, Berechnungen und angebundene Werkzeuge
Die werkzeuggestützten Abläufe des Herstellers verbinden den Abruf von Webinhalten, die Suche in hochgeladenen Dokumenten, Codeausführung und die Anbindung externer Werkzeuge über MCP. Jedes Werkzeug liefert Informationen oder führt eine Operation aus, die über Texterzeugung hinausgeht. Bei einer Dokumentenrecherche können abgerufene Passagen zum Vergleich von Produktanforderungen dienen; bei einer Rechenaufgabe kann ein Codeergebnis einen numerischen Trend erklären helfen. Diese Fähigkeiten hängen von den tatsächlich in den Prozess eingebundenen Werkzeugen ab. Beschreiben Sie Abrufquelle, zulässige Aktion und erwartetes Ergebnis, damit das Modell seine Überlegungen mit der verfügbaren Evidenz verknüpfen kann.
Rechercheergebnisse und Faktentreue
Der angekündigte Rechercheeinsatz konzentriert sich darauf, Informationen zu finden, Evidenz über mehrere Schritte hinweg zusammenzuführen und eine festgelegte Frage zu beantworten. Ein hilfreiches Beispiel für einen Auftrag ist, mehrere bereitgestellte technische Vorschläge zu vergleichen, widersprüchliche Anforderungen zu erkennen und eine Empfehlung mit den unterstützenden Passagen und offenen Fragen zurückzugeben. Legen Sie die Vergleichskriterien und den Zeitpunkt oder Geltungsbereich relevanter Informationen fest. Die Arbeit des Herstellers an der Faktentreue richtet sich gegen unbelegte Behauptungen; dennoch profitiert das Ergebnis davon, zu prüfen, welche Schlussfolgerungen das abgerufene Material tatsächlich stützt.
Modus und Ausgabe vorbereiten
Wählen Sie diese benannte Reasoning-Konfiguration, wenn die Aufgabe eine Analyse vor der endgültigen Antwort erfordert, und definieren Sie das endgültige Arbeitsergebnis: eine Supportantwort, eine Evidenztabelle, einen Diagnoseplan oder eine Rechercheerläuterung. Das Modell gibt Text aus; externe Aktionen erfolgen durch die angebundenen Anwendungswerkzeuge. Die angekündigte Kontextkapazität beschreibt den Umfang von Eingabe und Verlauf des ursprünglich benannten Modells, weder die Größe einer einzelnen Antwort noch ein Versprechen, dass jede Integration diese Menge akzeptiert. Bewahren Sie die genaue Modellidentität und den Werkzeugverlauf, statt aufgrund eines ähnlichen Namens eine andere Grok-Familie einzusetzen.
", "aboutText": "Für Agentenabläufe entwickelt\n\nGrok 4.1 Fast (Reasoning) ist die Reasoning-Konfiguration der Modellfamilie Grok 4.1 Fast von xAI. Ihr Schwerpunkt liegt darauf, eine Aufgabe durch eine Abfolge von Entscheidungen und Werkzeuginteraktionen abzuschließen, insbesondere im Support und in der Recherche. Das angekündigte Kontextfenster der Familie umfasst 2 Millionen Tokens. Das ist relevant, wenn Anweisungen, Referenzmaterial und Ergebnisse früherer Aktionen zusammen verfügbar bleiben müssen. Reasoning und Non-Reasoning sind getrennt benannte Konfigurationen mit unterschiedlichen Ansätzen für die Antworterstellung.\n\nTraining für reale Aufgaben\n\nBei der Modellentwicklung kommt bestärkendes Lernen in simulierten Umgebungen mit unterschiedlichen Werkzeugen und Aufgabenbereichen zum Einsatz. Der praktische Zweck besteht darin, anhand einer Beschreibung eine geeignete Aktion auszuwählen, die erforderlichen Argumente bereitzustellen und mit den zurückgegebenen Informationen weiterzuarbeiten. Eine Supportanwendung könnte das Modell auffordern, ein Kundenanliegen zu bestimmen, den relevanten Servicevorgang abzurufen, das Anliegen mit vorgegebenen Regeln abzugleichen und den nächsten Schritt vorzubereiten. Geben Sie dem Modell tatsächliche Richtlinien und Datensätze, statt es fehlende Betriebsregeln erfinden zu lassen.\n\nWerkzeugaufrufe und lange Gespräche\n\nTraining über lange Handlungshorizonte und mehrere Gesprächsrunden adressiert ein spezifisches Agentenproblem: die Aufgabe beizubehalten, während Gespräch und Werkzeugverlauf wachsen. Bereiten Sie knappe Werkzeugbeschreibungen, eindeutige Argumentfelder und eine Definition des Abschlusskriteriums vor. Ordnen Sie zurückgegebene Beobachtungen weiterhin der Aktion zu, aus der sie entstanden sind. Ein Agent, der ein Serviceproblem untersucht, kann beispielsweise einen Protokollauszug mit einem bekannten Verfahren zur Fehlerbehebung vergleichen und die nächste Diagnosefunktion auswählen. Die Anwendung führt die ausgewählte Funktion aus; das Modell interpretiert ihr Ergebnis und aktualisiert die Antwort.\n\nInformationsabruf, Berechnungen und angebundene Werkzeuge\n\nDie werkzeuggestützten Abläufe des Herstellers verbinden den Abruf von Webinhalten, die Suche in hochgeladenen Dokumenten, Codeausführung und die Anbindung externer Werkzeuge über MCP. Jedes Werkzeug liefert Informationen oder führt eine Operation aus, die über Texterzeugung hinausgeht. Bei einer Dokumentenrecherche können abgerufene Passagen zum Vergleich von Produktanforderungen dienen; bei einer Rechenaufgabe kann ein Codeergebnis einen numerischen Trend erklären helfen. Diese Fähigkeiten hängen von den tatsächlich in den Prozess eingebundenen Werkzeugen ab. Beschreiben Sie Abrufquelle, zulässige Aktion und erwartetes Ergebnis, damit das Modell seine Überlegungen mit der verfügbaren Evidenz verknüpfen kann.\n\nRechercheergebnisse und Faktentreue\n\nDer angekündigte Rechercheeinsatz konzentriert sich darauf, Informationen zu finden, Evidenz über mehrere Schritte hinweg zusammenzuführen und eine festgelegte Frage zu beantworten. Ein hilfreiches Beispiel für einen Auftrag ist, mehrere bereitgestellte technische Vorschläge zu vergleichen, widersprüchliche Anforderungen zu erkennen und eine Empfehlung mit den unterstützenden Passagen und offenen Fragen zurückzugeben. Legen Sie die Vergleichskriterien und den Zeitpunkt oder Geltungsbereich relevanter Informationen fest. Die Arbeit des Herstellers an der Faktentreue richtet sich gegen unbelegte Behauptungen; dennoch profitiert das Ergebnis davon, zu prüfen, welche Schlussfolgerungen das abgerufene Material tatsächlich stützt.\n\nModus und Ausgabe vorbereiten\n\nWählen Sie diese benannte Reasoning-Konfiguration, wenn die Aufgabe eine Analyse vor der endgültigen Antwort erfordert, und definieren Sie das endgültige Arbeitsergebnis: eine Supportantwort, eine Evidenztabelle, einen Diagnoseplan oder eine Rechercheerläuterung. Das Modell gibt Text aus; externe Aktionen erfolgen durch die angebundenen Anwendungswerkzeuge. Die angekündigte Kontextkapazität beschreibt den Umfang von Eingabe und Verlauf des ursprünglich benannten Modells, weder die Größe einer einzelnen Antwort noch ein Versprechen, dass jede Integration diese Menge akzeptiert. Bewahren Sie die genaue Modellidentität und den Werkzeugverlauf, statt aufgrund eines ähnlichen Namens eine andere Grok-Familie einzusetzen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Choose the next support diagnostic\n\nUse this troubleshooting procedure: if the service process is stopped, restart is the next diagnostic; if running, inspect its last error. Returned observation: "process running; port unreachable; error log not yet read." Identify the next evidence to request and draft a support update. Do not claim that any diagnostic command has run.A proposed next diagnostic with its reason and a brief support update separating known facts from pending evidence.Verify the running-process branch is used and an unread error log does not become a known cause.grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) ist das auf Werkzeuge ausgerichtete Modell von xAI für mehrstufige Abläufe in Support, Informationsabruf und Recherche. Der angekündigte Kontext von 2 Millionen Tokens hilft dabei, Anweisungen, ein langes Gespräch und aufeinanderfolgende Werkzeugergebnisse während der gedanklichen Bearbeitung der Aufgabe miteinander zu verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Für Agentenabläufe entwickelt
Grok 4.1 Fast (Reasoning) ist die Reasoning-Konfiguration der Modellfamilie Grok 4.1 Fast von xAI. Ihr Schwerpunkt liegt darauf, eine Aufgabe durch eine Abfolge von Entscheidungen und Werkzeuginteraktionen abzuschließen, insbesondere im Support und in der Recherche. Das angekündigte Kontextfenster der Familie umfasst 2 Millionen Tokens. Das ist relevant, wenn Anweisungen, Referenzmaterial und Ergebnisse früherer Aktionen zusammen verfügbar bleiben müssen. Reasoning und Non-Reasoning sind getrennt benannte Konfigurationen mit unterschiedlichen Ansätzen für die Antworterstellung.
Training für reale Aufgaben
Bei der Modellentwicklung kommt bestärkendes Lernen in simulierten Umgebungen mit unterschiedlichen Werkzeugen und Aufgabenbereichen zum Einsatz. Der praktische Zweck besteht darin, anhand einer Beschreibung eine geeignete Aktion auszuwählen, die erforderlichen Argumente bereitzustellen und mit den zurückgegebenen Informationen weiterzuarbeiten. Eine Supportanwendung könnte das Modell auffordern, ein Kundenanliegen zu bestimmen, den relevanten Servicevorgang abzurufen, das Anliegen mit vorgegebenen Regeln abzugleichen und den nächsten Schritt vorzubereiten. Geben Sie dem Modell tatsächliche Richtlinien und Datensätze, statt es fehlende Betriebsregeln erfinden zu lassen.
Werkzeugaufrufe und lange Gespräche
Training über lange Handlungshorizonte und mehrere Gesprächsrunden adressiert ein spezifisches Agentenproblem: die Aufgabe beizubehalten, während Gespräch und Werkzeugverlauf wachsen. Bereiten Sie knappe Werkzeugbeschreibungen, eindeutige Argumentfelder und eine Definition des Abschlusskriteriums vor. Ordnen Sie zurückgegebene Beobachtungen weiterhin der Aktion zu, aus der sie entstanden sind. Ein Agent, der ein Serviceproblem untersucht, kann beispielsweise einen Protokollauszug mit einem bekannten Verfahren zur Fehlerbehebung vergleichen und die nächste Diagnosefunktion auswählen. Die Anwendung führt die ausgewählte Funktion aus; das Modell interpretiert ihr Ergebnis und aktualisiert die Antwort.
Informationsabruf, Berechnungen und angebundene Werkzeuge
Die werkzeuggestützten Abläufe des Herstellers verbinden den Abruf von Webinhalten, die Suche in hochgeladenen Dokumenten, Codeausführung und die Anbindung externer Werkzeuge über MCP. Jedes Werkzeug liefert Informationen oder führt eine Operation aus, die über Texterzeugung hinausgeht. Bei einer Dokumentenrecherche können abgerufene Passagen zum Vergleich von Produktanforderungen dienen; bei einer Rechenaufgabe kann ein Codeergebnis einen numerischen Trend erklären helfen. Diese Fähigkeiten hängen von den tatsächlich in den Prozess eingebundenen Werkzeugen ab. Beschreiben Sie Abrufquelle, zulässige Aktion und erwartetes Ergebnis, damit das Modell seine Überlegungen mit der verfügbaren Evidenz verknüpfen kann.
Rechercheergebnisse und Faktentreue
Der angekündigte Rechercheeinsatz konzentriert sich darauf, Informationen zu finden, Evidenz über mehrere Schritte hinweg zusammenzuführen und eine festgelegte Frage zu beantworten. Ein hilfreiches Beispiel für einen Auftrag ist, mehrere bereitgestellte technische Vorschläge zu vergleichen, widersprüchliche Anforderungen zu erkennen und eine Empfehlung mit den unterstützenden Passagen und offenen Fragen zurückzugeben. Legen Sie die Vergleichskriterien und den Zeitpunkt oder Geltungsbereich relevanter Informationen fest. Die Arbeit des Herstellers an der Faktentreue richtet sich gegen unbelegte Behauptungen; dennoch profitiert das Ergebnis davon, zu prüfen, welche Schlussfolgerungen das abgerufene Material tatsächlich stützt.
Modus und Ausgabe vorbereiten
Wählen Sie diese benannte Reasoning-Konfiguration, wenn die Aufgabe eine Analyse vor der endgültigen Antwort erfordert, und definieren Sie das endgültige Arbeitsergebnis: eine Supportantwort, eine Evidenztabelle, einen Diagnoseplan oder eine Rechercheerläuterung. Das Modell gibt Text aus; externe Aktionen erfolgen durch die angebundenen Anwendungswerkzeuge. Die angekündigte Kontextkapazität beschreibt den Umfang von Eingabe und Verlauf des ursprünglich benannten Modells, weder die Größe einer einzelnen Antwort noch ein Versprechen, dass jede Integration diese Menge akzeptiert. Bewahren Sie die genaue Modellidentität und den Werkzeugverlauf, statt aufgrund eines ähnlichen Namens eine andere Grok-Familie einzusetzen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-4-1-fast-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 Token Ausgabe · Ausgabetoken $0.001 / 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-4-1-fast-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-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-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-reasoning
Verwenden Sie die oben angezeigten Methodenpfade.
grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) ist das auf Werkzeuge ausgerichtete Modell von xAI für mehrstufige Abläufe in Support, Informationsabruf und Recherche. Der angekündigte Kontext von 2 Millionen Tokens hilft dabei, Anweisungen, ein langes Gespräch und aufeinanderfolgende Werkzeugergebnisse während der gedanklichen Bearbeitung der Aufgabe miteinander zu verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Für Agentenabläufe entwickelt
Grok 4.1 Fast (Reasoning) ist die Reasoning-Konfiguration der Modellfamilie Grok 4.1 Fast von xAI. Ihr Schwerpunkt liegt darauf, eine Aufgabe durch eine Abfolge von Entscheidungen und Werkzeuginteraktionen abzuschließen, insbesondere im Support und in der Recherche. Das angekündigte Kontextfenster der Familie umfasst 2 Millionen Tokens. Das ist relevant, wenn Anweisungen, Referenzmaterial und Ergebnisse früherer Aktionen zusammen verfügbar bleiben müssen. Reasoning und Non-Reasoning sind getrennt benannte Konfigurationen mit unterschiedlichen Ansätzen für die Antworterstellung.
Training für reale Aufgaben
Bei der Modellentwicklung kommt bestärkendes Lernen in simulierten Umgebungen mit unterschiedlichen Werkzeugen und Aufgabenbereichen zum Einsatz. Der praktische Zweck besteht darin, anhand einer Beschreibung eine geeignete Aktion auszuwählen, die erforderlichen Argumente bereitzustellen und mit den zurückgegebenen Informationen weiterzuarbeiten. Eine Supportanwendung könnte das Modell auffordern, ein Kundenanliegen zu bestimmen, den relevanten Servicevorgang abzurufen, das Anliegen mit vorgegebenen Regeln abzugleichen und den nächsten Schritt vorzubereiten. Geben Sie dem Modell tatsächliche Richtlinien und Datensätze, statt es fehlende Betriebsregeln erfinden zu lassen.
Werkzeugaufrufe und lange Gespräche
Training über lange Handlungshorizonte und mehrere Gesprächsrunden adressiert ein spezifisches Agentenproblem: die Aufgabe beizubehalten, während Gespräch und Werkzeugverlauf wachsen. Bereiten Sie knappe Werkzeugbeschreibungen, eindeutige Argumentfelder und eine Definition des Abschlusskriteriums vor. Ordnen Sie zurückgegebene Beobachtungen weiterhin der Aktion zu, aus der sie entstanden sind. Ein Agent, der ein Serviceproblem untersucht, kann beispielsweise einen Protokollauszug mit einem bekannten Verfahren zur Fehlerbehebung vergleichen und die nächste Diagnosefunktion auswählen. Die Anwendung führt die ausgewählte Funktion aus; das Modell interpretiert ihr Ergebnis und aktualisiert die Antwort.
Informationsabruf, Berechnungen und angebundene Werkzeuge
Die werkzeuggestützten Abläufe des Herstellers verbinden den Abruf von Webinhalten, die Suche in hochgeladenen Dokumenten, Codeausführung und die Anbindung externer Werkzeuge über MCP. Jedes Werkzeug liefert Informationen oder führt eine Operation aus, die über Texterzeugung hinausgeht. Bei einer Dokumentenrecherche können abgerufene Passagen zum Vergleich von Produktanforderungen dienen; bei einer Rechenaufgabe kann ein Codeergebnis einen numerischen Trend erklären helfen. Diese Fähigkeiten hängen von den tatsächlich in den Prozess eingebundenen Werkzeugen ab. Beschreiben Sie Abrufquelle, zulässige Aktion und erwartetes Ergebnis, damit das Modell seine Überlegungen mit der verfügbaren Evidenz verknüpfen kann.
Rechercheergebnisse und Faktentreue
Der angekündigte Rechercheeinsatz konzentriert sich darauf, Informationen zu finden, Evidenz über mehrere Schritte hinweg zusammenzuführen und eine festgelegte Frage zu beantworten. Ein hilfreiches Beispiel für einen Auftrag ist, mehrere bereitgestellte technische Vorschläge zu vergleichen, widersprüchliche Anforderungen zu erkennen und eine Empfehlung mit den unterstützenden Passagen und offenen Fragen zurückzugeben. Legen Sie die Vergleichskriterien und den Zeitpunkt oder Geltungsbereich relevanter Informationen fest. Die Arbeit des Herstellers an der Faktentreue richtet sich gegen unbelegte Behauptungen; dennoch profitiert das Ergebnis davon, zu prüfen, welche Schlussfolgerungen das abgerufene Material tatsächlich stützt.
Modus und Ausgabe vorbereiten
Wählen Sie diese benannte Reasoning-Konfiguration, wenn die Aufgabe eine Analyse vor der endgültigen Antwort erfordert, und definieren Sie das endgültige Arbeitsergebnis: eine Supportantwort, eine Evidenztabelle, einen Diagnoseplan oder eine Rechercheerläuterung. Das Modell gibt Text aus; externe Aktionen erfolgen durch die angebundenen Anwendungswerkzeuge. Die angekündigte Kontextkapazität beschreibt den Umfang von Eingabe und Verlauf des ursprünglich benannten Modells, weder die Größe einer einzelnen Antwort noch ein Versprechen, dass jede Integration diese Menge akzeptiert. Bewahren Sie die genaue Modellidentität und den Werkzeugverlauf, statt aufgrund eines ähnlichen Namens eine andere Grok-Familie einzusetzen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits grok-4-1-fast-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 Token Ausgabe · Ausgabetoken $0.001 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "grok-4-1-fast-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-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-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-reasoning
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Choose the next support diagnostic\n\nUse this troubleshooting procedure: if the service process is stopped, restart is the next diagnostic; if running, inspect its last error. Returned observation: "process running; port unreachable; error log not yet read." Identify the next evidence to request and draft a support update. Do not claim that any diagnostic command has run.A proposed next diagnostic with its reason and a brief support update separating known facts from pending evidence.Verify the running-process branch is used and an unread error log does not become a known cause.