Grok 2 Vision 1212 es la edición de entrada visual de la familia Grok 2 de xAI, identificada por el nombre grok-2-vision-1212. El fabricante presenta Grok 2 como un modelo de comprensión textual y visual, con tareas que incluyen preguntas sobre documentos y razonamiento matemático a partir de material visual. El anuncio de la versión posterior 1212 describe mejoras en el seguimiento de instrucciones y el comportamiento multilingüe. Esta ficha se refiere a la edición de visión identificada por nombre y a su resultado de texto.
Los metadatos del modelo del productor enumeran texto e imágenes como entrada y texto como salida. Por lo tanto, una tarea práctica comienza tanto con la evidencia visual como con una pregunta precisa. Para una página documental, especifica el campo, la sección o la relación que necesitas explicar; para una gráfica, identifica las etiquetas y cantidades importantes; para una captura de pantalla, describe el objetivo del usuario y el elemento que deseas examinar. El objetivo es relacionar el contenido visible con la solicitud, en lugar de pedir una descripción sin dirección de todo lo que aparece en la imagen.
Un ejemplo de solicitud documental es: “Lee los encabezados y los campos etiquetados de esta página. Devuelve los valores visibles, señala las entradas que no puedan leerse con confianza y explica qué pasaje respalda tu respuesta”. Una solicitud sobre una gráfica podría preguntar por la relación entre dos series y pedir una distinción entre los valores directamente visibles y la interpretación. Para una fotografía de producto, solicita características visibles y una comparación con la especificación escrita proporcionada. Estos son ejemplos de preparación y salida basados en las familias de tareas visuales del fabricante, no promesas de que se pueda recuperar cada detalle de cualquier imagen.
El ejemplo del modelo identificado por nombre también registra compatibilidad con salidas estructuradas y llamadas a funciones. Para extracción, define el resultado deseado: por ejemplo, una lista de campos, su texto visible y una nota de incertidumbre. Para una tarea asistida por herramientas, proporciona las descripciones de las herramientas permitidas y la información necesaria para una operación. La aplicación realiza la operación y devuelve su resultado; después el modelo puede utilizar esa información en la siguiente respuesta textual. La función de visión en sí es la capacidad de interpretar la imagen proporcionada, mientras que la operación externa corresponde a la aplicación que lo integra.
Esta edición aparece sin un modo de razonamiento independiente en ese ejemplo del productor. Aun así puede responder preguntas que requieren relaciones y explicaciones, pero los modos explícitos de razonamiento extendido descritos para otras versiones de Grok deben mantenerse separados. El mismo ejemplo indica una longitud máxima de prompt de 32,768 tokens. Ese es el campo de entrada publicado para el modelo identificado por nombre, no una longitud máxima de respuesta documentada por separado. Las fuentes primarias consultadas no establecen un límite global exacto de cantidad de imágenes, resolución de imagen o tokens de salida para Vision 1212; por ello, esos valores deben provenir de una especificación de solicitud concreta en lugar de tomarse de un modelo de visión más reciente.
El nombre fijo 1212 también importa al elegir una edición. La versión de Grok 2 de solo texto y sus productos de generación de imágenes trabajan con entradas y salidas diferentes. El resultado descrito aquí es una respuesta escrita sobre material visual. Las funciones mostradas en la aplicación Grok, como experiencias adicionales de búsqueda o generación de imágenes, son integraciones independientes en torno a la familia y deben distinguirse de las capacidades de esta entrada de modelo identificada por nombre.
Prepara páginas legibles y asigna una etiqueta a cada imagen al comparar material. Indica qué parte de la imagen es pertinente, incluye en la pregunta cualquier definición o unidad necesaria y pide que la respuesta conserve los nombres originales. Para un entregable final útil, elige una explicación, una tabla de extracción o una lista de observaciones vinculadas con la evidencia. Si la imagen es ambigua, conserva esa incertidumbre en la salida y verifica las lecturas con consecuencias importantes contra el material original.
", "aboutText": "Grok 2 Vision 1212 es la edición de entrada visual de la familia Grok 2 de xAI, identificada por el nombre grok-2-vision-1212. El fabricante presenta Grok 2 como un modelo de comprensión textual y visual, con tareas que incluyen preguntas sobre documentos y razonamiento matemático a partir de material visual. El anuncio de la versión posterior 1212 describe mejoras en el seguimiento de instrucciones y el comportamiento multilingüe. Esta ficha se refiere a la edición de visión identificada por nombre y a su resultado de texto.\n\nLos metadatos del modelo del productor enumeran texto e imágenes como entrada y texto como salida. Por lo tanto, una tarea práctica comienza tanto con la evidencia visual como con una pregunta precisa. Para una página documental, especifica el campo, la sección o la relación que necesitas explicar; para una gráfica, identifica las etiquetas y cantidades importantes; para una captura de pantalla, describe el objetivo del usuario y el elemento que deseas examinar. El objetivo es relacionar el contenido visible con la solicitud, en lugar de pedir una descripción sin dirección de todo lo que aparece en la imagen.\n\nUn ejemplo de solicitud documental es: “Lee los encabezados y los campos etiquetados de esta página. Devuelve los valores visibles, señala las entradas que no puedan leerse con confianza y explica qué pasaje respalda tu respuesta”. Una solicitud sobre una gráfica podría preguntar por la relación entre dos series y pedir una distinción entre los valores directamente visibles y la interpretación. Para una fotografía de producto, solicita características visibles y una comparación con la especificación escrita proporcionada. Estos son ejemplos de preparación y salida basados en las familias de tareas visuales del fabricante, no promesas de que se pueda recuperar cada detalle de cualquier imagen.\n\nEl ejemplo del modelo identificado por nombre también registra compatibilidad con salidas estructuradas y llamadas a funciones. Para extracción, define el resultado deseado: por ejemplo, una lista de campos, su texto visible y una nota de incertidumbre. Para una tarea asistida por herramientas, proporciona las descripciones de las herramientas permitidas y la información necesaria para una operación. La aplicación realiza la operación y devuelve su resultado; después el modelo puede utilizar esa información en la siguiente respuesta textual. La función de visión en sí es la capacidad de interpretar la imagen proporcionada, mientras que la operación externa corresponde a la aplicación que lo integra.\n\nEsta edición aparece sin un modo de razonamiento independiente en ese ejemplo del productor. Aun así puede responder preguntas que requieren relaciones y explicaciones, pero los modos explícitos de razonamiento extendido descritos para otras versiones de Grok deben mantenerse separados. El mismo ejemplo indica una longitud máxima de prompt de 32,768 tokens. Ese es el campo de entrada publicado para el modelo identificado por nombre, no una longitud máxima de respuesta documentada por separado. Las fuentes primarias consultadas no establecen un límite global exacto de cantidad de imágenes, resolución de imagen o tokens de salida para Vision 1212; por ello, esos valores deben provenir de una especificación de solicitud concreta en lugar de tomarse de un modelo de visión más reciente.\n\nEl nombre fijo 1212 también importa al elegir una edición. La versión de Grok 2 de solo texto y sus productos de generación de imágenes trabajan con entradas y salidas diferentes. El resultado descrito aquí es una respuesta escrita sobre material visual. Las funciones mostradas en la aplicación Grok, como experiencias adicionales de búsqueda o generación de imágenes, son integraciones independientes en torno a la familia y deben distinguirse de las capacidades de esta entrada de modelo identificada por nombre.\n\nPrepara páginas legibles y asigna una etiqueta a cada imagen al comparar material. Indica qué parte de la imagen es pertinente, incluye en la pregunta cualquier definición o unidad necesaria y pide que la respuesta conserve los nombres originales. Para un entregable final útil, elige una explicación, una tabla de extracción o una lista de observaciones vinculadas con la evidencia. Si la imagen es ambigua, conserva esa incertidumbre en la salida y verifica las lecturas con consecuencias importantes contra el material original.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es la edición de comprensión de imágenes de xAI para preguntas sobre documentos, gráficas, fotografías y capturas de pantalla. Combina una pregunta escrita con entrada visual y devuelve una respuesta de texto, con funciones de salida estructurada y llamadas a funciones documentadas para esta edición identificada por nombre.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Grok 2 Vision 1212 es la edición de entrada visual de la familia Grok 2 de xAI, identificada por el nombre grok-2-vision-1212. El fabricante presenta Grok 2 como un modelo de comprensión textual y visual, con tareas que incluyen preguntas sobre documentos y razonamiento matemático a partir de material visual. El anuncio de la versión posterior 1212 describe mejoras en el seguimiento de instrucciones y el comportamiento multilingüe. Esta ficha se refiere a la edición de visión identificada por nombre y a su resultado de texto.
Los metadatos del modelo del productor enumeran texto e imágenes como entrada y texto como salida. Por lo tanto, una tarea práctica comienza tanto con la evidencia visual como con una pregunta precisa. Para una página documental, especifica el campo, la sección o la relación que necesitas explicar; para una gráfica, identifica las etiquetas y cantidades importantes; para una captura de pantalla, describe el objetivo del usuario y el elemento que deseas examinar. El objetivo es relacionar el contenido visible con la solicitud, en lugar de pedir una descripción sin dirección de todo lo que aparece en la imagen.
Un ejemplo de solicitud documental es: “Lee los encabezados y los campos etiquetados de esta página. Devuelve los valores visibles, señala las entradas que no puedan leerse con confianza y explica qué pasaje respalda tu respuesta”. Una solicitud sobre una gráfica podría preguntar por la relación entre dos series y pedir una distinción entre los valores directamente visibles y la interpretación. Para una fotografía de producto, solicita características visibles y una comparación con la especificación escrita proporcionada. Estos son ejemplos de preparación y salida basados en las familias de tareas visuales del fabricante, no promesas de que se pueda recuperar cada detalle de cualquier imagen.
El ejemplo del modelo identificado por nombre también registra compatibilidad con salidas estructuradas y llamadas a funciones. Para extracción, define el resultado deseado: por ejemplo, una lista de campos, su texto visible y una nota de incertidumbre. Para una tarea asistida por herramientas, proporciona las descripciones de las herramientas permitidas y la información necesaria para una operación. La aplicación realiza la operación y devuelve su resultado; después el modelo puede utilizar esa información en la siguiente respuesta textual. La función de visión en sí es la capacidad de interpretar la imagen proporcionada, mientras que la operación externa corresponde a la aplicación que lo integra.
Esta edición aparece sin un modo de razonamiento independiente en ese ejemplo del productor. Aun así puede responder preguntas que requieren relaciones y explicaciones, pero los modos explícitos de razonamiento extendido descritos para otras versiones de Grok deben mantenerse separados. El mismo ejemplo indica una longitud máxima de prompt de 32,768 tokens. Ese es el campo de entrada publicado para el modelo identificado por nombre, no una longitud máxima de respuesta documentada por separado. Las fuentes primarias consultadas no establecen un límite global exacto de cantidad de imágenes, resolución de imagen o tokens de salida para Vision 1212; por ello, esos valores deben provenir de una especificación de solicitud concreta en lugar de tomarse de un modelo de visión más reciente.
El nombre fijo 1212 también importa al elegir una edición. La versión de Grok 2 de solo texto y sus productos de generación de imágenes trabajan con entradas y salidas diferentes. El resultado descrito aquí es una respuesta escrita sobre material visual. Las funciones mostradas en la aplicación Grok, como experiencias adicionales de búsqueda o generación de imágenes, son integraciones independientes en torno a la familia y deben distinguirse de las capacidades de esta entrada de modelo identificada por nombre.
Prepara páginas legibles y asigna una etiqueta a cada imagen al comparar material. Indica qué parte de la imagen es pertinente, incluye en la pregunta cualquier definición o unidad necesaria y pide que la respuesta conserve los nombres originales. Para un entregable final útil, elige una explicación, una tabla de extracción o una lista de observaciones vinculadas con la evidencia. Si la imagen es ambigua, conserva esa incertidumbre en la salida y verifica las lecturas con consecuencias importantes contra el material original.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites grok-2-vision-1212 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.004 / 1K tokens Salida · Tokens de salida $0.02 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra grok-2-vision-1212
Usa las rutas de método indicadas arriba.
grok-2-vision-1212Grok 2 Vision 1212 es la edición de comprensión de imágenes de xAI para preguntas sobre documentos, gráficas, fotografías y capturas de pantalla. Combina una pregunta escrita con entrada visual y devuelve una respuesta de texto, con funciones de salida estructurada y llamadas a funciones documentadas para esta edición identificada por nombre.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Grok 2 Vision 1212 es la edición de entrada visual de la familia Grok 2 de xAI, identificada por el nombre grok-2-vision-1212. El fabricante presenta Grok 2 como un modelo de comprensión textual y visual, con tareas que incluyen preguntas sobre documentos y razonamiento matemático a partir de material visual. El anuncio de la versión posterior 1212 describe mejoras en el seguimiento de instrucciones y el comportamiento multilingüe. Esta ficha se refiere a la edición de visión identificada por nombre y a su resultado de texto.
Los metadatos del modelo del productor enumeran texto e imágenes como entrada y texto como salida. Por lo tanto, una tarea práctica comienza tanto con la evidencia visual como con una pregunta precisa. Para una página documental, especifica el campo, la sección o la relación que necesitas explicar; para una gráfica, identifica las etiquetas y cantidades importantes; para una captura de pantalla, describe el objetivo del usuario y el elemento que deseas examinar. El objetivo es relacionar el contenido visible con la solicitud, en lugar de pedir una descripción sin dirección de todo lo que aparece en la imagen.
Un ejemplo de solicitud documental es: “Lee los encabezados y los campos etiquetados de esta página. Devuelve los valores visibles, señala las entradas que no puedan leerse con confianza y explica qué pasaje respalda tu respuesta”. Una solicitud sobre una gráfica podría preguntar por la relación entre dos series y pedir una distinción entre los valores directamente visibles y la interpretación. Para una fotografía de producto, solicita características visibles y una comparación con la especificación escrita proporcionada. Estos son ejemplos de preparación y salida basados en las familias de tareas visuales del fabricante, no promesas de que se pueda recuperar cada detalle de cualquier imagen.
El ejemplo del modelo identificado por nombre también registra compatibilidad con salidas estructuradas y llamadas a funciones. Para extracción, define el resultado deseado: por ejemplo, una lista de campos, su texto visible y una nota de incertidumbre. Para una tarea asistida por herramientas, proporciona las descripciones de las herramientas permitidas y la información necesaria para una operación. La aplicación realiza la operación y devuelve su resultado; después el modelo puede utilizar esa información en la siguiente respuesta textual. La función de visión en sí es la capacidad de interpretar la imagen proporcionada, mientras que la operación externa corresponde a la aplicación que lo integra.
Esta edición aparece sin un modo de razonamiento independiente en ese ejemplo del productor. Aun así puede responder preguntas que requieren relaciones y explicaciones, pero los modos explícitos de razonamiento extendido descritos para otras versiones de Grok deben mantenerse separados. El mismo ejemplo indica una longitud máxima de prompt de 32,768 tokens. Ese es el campo de entrada publicado para el modelo identificado por nombre, no una longitud máxima de respuesta documentada por separado. Las fuentes primarias consultadas no establecen un límite global exacto de cantidad de imágenes, resolución de imagen o tokens de salida para Vision 1212; por ello, esos valores deben provenir de una especificación de solicitud concreta en lugar de tomarse de un modelo de visión más reciente.
El nombre fijo 1212 también importa al elegir una edición. La versión de Grok 2 de solo texto y sus productos de generación de imágenes trabajan con entradas y salidas diferentes. El resultado descrito aquí es una respuesta escrita sobre material visual. Las funciones mostradas en la aplicación Grok, como experiencias adicionales de búsqueda o generación de imágenes, son integraciones independientes en torno a la familia y deben distinguirse de las capacidades de esta entrada de modelo identificada por nombre.
Prepara páginas legibles y asigna una etiqueta a cada imagen al comparar material. Indica qué parte de la imagen es pertinente, incluye en la pregunta cualquier definición o unidad necesaria y pide que la respuesta conserve los nombres originales. Para un entregable final útil, elige una explicación, una tabla de extracción o una lista de observaciones vinculadas con la evidencia. Si la imagen es ambigua, conserva esa incertidumbre en la salida y verifica las lecturas con consecuencias importantes contra el material original.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites grok-2-vision-1212 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.004 / 1K tokens Salida · Tokens de salida $0.02 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "grok-2-vision-1212",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra grok-2-vision-1212
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.