Grok 3 es la familia de modelos de xAI para trabajo lingüístico, conocimiento general, programación y resolución de problemas. La descripción de lanzamiento distingue el modelo que responde normalmente de las variantes Think explícitas de la familia, que utilizan razonamiento adicional antes de la respuesta final. La entrada identificada por nombre grok-3 descrita aquí es la edición de chat de texto: el productor enumera entrada de texto, salida de texto y ninguna función independiente de razonamiento para esa entrada.
El preentrenamiento de la familia está pensado para admitir una amplia variedad de preguntas e instrucciones. xAI destaca matemáticas, programación, conocimiento y control del estilo en su descripción de lanzamiento. Para una tarea de redacción, esto da una base útil para pedir al modelo que revise una explicación para un lector particular, conserve hechos específicos o desarrolle un borrador coherente a partir de un conjunto de puntos. Para un asistente técnico, proporciona el material pertinente e indica la pregunta que debe resolver la respuesta, en lugar de depender únicamente de una solicitud general de comentar el tema.
Un ejemplo de tarea documental es: “Compara estas dos descripciones del flujo de trabajo. Enumera coincidencias, contradicciones e información faltante; después escribe una explicación breve para un nuevo integrante del equipo”. Mantén etiquetadas las secciones de origen para que la respuesta pueda asociar cada observación con el pasaje correcto. Una tarea de código puede incluir la función, el comportamiento esperado y una entrada concreta en la que el resultado actual sea incorrecto. Solicita una corrección propuesta y explica qué ejemplos deben usarse para verificarla. Estos ejemplos utilizan las familias documentadas de tareas lingüísticas y de programación, y no implican que el código generado ya se haya ejecutado.
La distinción respecto de Think es importante. El anuncio de la familia Grok 3 también describe Grok 3 Think y Grok 3 mini Think, entrenados para dedicar trabajo adicional al razonamiento. Su comportamiento de razonamiento extendido debe describirse como su propio modo u opción de modelo. La entrada de texto ordinaria puede dar explicaciones y resolver preguntas, pero eso no debe confundirse con seleccionar una configuración de razonamiento extendido explícitamente documentada.
El ejemplo de metadatos del modelo identificado por nombre del productor indica una longitud máxima de prompt de 131,072 tokens para grok-3 y registra compatibilidad con salidas estructuradas y llamadas a funciones. El campo de longitud del prompt describe el presupuesto de entrada publicado en ese ejemplo; no es un límite separado de tokens de salida. El anuncio de la familia comenta una configuración de contexto largo más grande, por lo que debes mantener diferenciadas la especificación precisa del modelo identificado por nombre y la descripción más amplia de la familia al preparar una solicitud. Incluye el contexto necesario para la pregunta y determina explícitamente el formato y la longitud de la respuesta.
La salida estructurada resulta útil cuando una conversación debe terminar con campos que la aplicación pueda procesar, como un resumen, hechos extraídos y preguntas que aún necesitan aclaración. Las llamadas a funciones permiten a una aplicación ofrecer operaciones permitidas y recibir argumentos propuestos. La aplicación realiza la operación y devuelve el resultado para una respuesta posterior. Esto es distinto de que un modelo tenga acceso independiente a cualquier base de datos, navegador o intérprete de código.
El artículo de lanzamiento comenta DeepSearch y agentes equipados con herramientas como sistemas construidos en torno a la familia Grok. Sus flujos de trabajo de búsqueda, ejecución y elaboración de informes son un contexto de integración, en lugar de un motivo para transferir todas las funciones de la aplicación a la entrada de texto grok-3 básica. Para una tarea útil, indica qué material proporcionado o datos devueltos por herramientas debe usar el modelo, distingue los hechos de las interpretaciones solicitadas y pide que marque la información faltante. Termina con un entregable concreto: un documento revisado, una propuesta de código, un registro de extracción o una explicación que pueda verificarse contra las entradas originales.
", "aboutText": "Grok 3 es la familia de modelos de xAI para trabajo lingüístico, conocimiento general, programación y resolución de problemas. La descripción de lanzamiento distingue el modelo que responde normalmente de las variantes Think explícitas de la familia, que utilizan razonamiento adicional antes de la respuesta final. La entrada identificada por nombre grok-3 descrita aquí es la edición de chat de texto: el productor enumera entrada de texto, salida de texto y ninguna función independiente de razonamiento para esa entrada.\n\nEl preentrenamiento de la familia está pensado para admitir una amplia variedad de preguntas e instrucciones. xAI destaca matemáticas, programación, conocimiento y control del estilo en su descripción de lanzamiento. Para una tarea de redacción, esto da una base útil para pedir al modelo que revise una explicación para un lector particular, conserve hechos específicos o desarrolle un borrador coherente a partir de un conjunto de puntos. Para un asistente técnico, proporciona el material pertinente e indica la pregunta que debe resolver la respuesta, en lugar de depender únicamente de una solicitud general de comentar el tema.\n\nUn ejemplo de tarea documental es: “Compara estas dos descripciones del flujo de trabajo. Enumera coincidencias, contradicciones e información faltante; después escribe una explicación breve para un nuevo integrante del equipo”. Mantén etiquetadas las secciones de origen para que la respuesta pueda asociar cada observación con el pasaje correcto. Una tarea de código puede incluir la función, el comportamiento esperado y una entrada concreta en la que el resultado actual sea incorrecto. Solicita una corrección propuesta y explica qué ejemplos deben usarse para verificarla. Estos ejemplos utilizan las familias documentadas de tareas lingüísticas y de programación, y no implican que el código generado ya se haya ejecutado.\n\nLa distinción respecto de Think es importante. El anuncio de la familia Grok 3 también describe Grok 3 Think y Grok 3 mini Think, entrenados para dedicar trabajo adicional al razonamiento. Su comportamiento de razonamiento extendido debe describirse como su propio modo u opción de modelo. La entrada de texto ordinaria puede dar explicaciones y resolver preguntas, pero eso no debe confundirse con seleccionar una configuración de razonamiento extendido explícitamente documentada.\n\nEl ejemplo de metadatos del modelo identificado por nombre del productor indica una longitud máxima de prompt de 131,072 tokens para grok-3 y registra compatibilidad con salidas estructuradas y llamadas a funciones. El campo de longitud del prompt describe el presupuesto de entrada publicado en ese ejemplo; no es un límite separado de tokens de salida. El anuncio de la familia comenta una configuración de contexto largo más grande, por lo que debes mantener diferenciadas la especificación precisa del modelo identificado por nombre y la descripción más amplia de la familia al preparar una solicitud. Incluye el contexto necesario para la pregunta y determina explícitamente el formato y la longitud de la respuesta.\n\nLa salida estructurada resulta útil cuando una conversación debe terminar con campos que la aplicación pueda procesar, como un resumen, hechos extraídos y preguntas que aún necesitan aclaración. Las llamadas a funciones permiten a una aplicación ofrecer operaciones permitidas y recibir argumentos propuestos. La aplicación realiza la operación y devuelve el resultado para una respuesta posterior. Esto es distinto de que un modelo tenga acceso independiente a cualquier base de datos, navegador o intérprete de código.\n\nEl artículo de lanzamiento comenta DeepSearch y agentes equipados con herramientas como sistemas construidos en torno a la familia Grok. Sus flujos de trabajo de búsqueda, ejecución y elaboración de informes son un contexto de integración, en lugar de un motivo para transferir todas las funciones de la aplicación a la entrada de texto grok-3 básica. Para una tarea útil, indica qué material proporcionado o datos devueltos por herramientas debe usar el modelo, distingue los hechos de las interpretaciones solicitadas y pide que marque la información faltante. Termina con un entregable concreto: un documento revisado, una propuesta de código, un registro de extracción o una explicación que pueda verificarse contra las entradas originales.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es la edición de chat de texto de xAI para explicaciones, redacción, programación y preguntas que utilizan material proporcionado. La entrada del modelo identificado por nombre admite salidas estructuradas y llamadas a funciones, y es distinta de los modelos Think explícitos de la familia.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Grok 3 es la familia de modelos de xAI para trabajo lingüístico, conocimiento general, programación y resolución de problemas. La descripción de lanzamiento distingue el modelo que responde normalmente de las variantes Think explícitas de la familia, que utilizan razonamiento adicional antes de la respuesta final. La entrada identificada por nombre grok-3 descrita aquí es la edición de chat de texto: el productor enumera entrada de texto, salida de texto y ninguna función independiente de razonamiento para esa entrada.
El preentrenamiento de la familia está pensado para admitir una amplia variedad de preguntas e instrucciones. xAI destaca matemáticas, programación, conocimiento y control del estilo en su descripción de lanzamiento. Para una tarea de redacción, esto da una base útil para pedir al modelo que revise una explicación para un lector particular, conserve hechos específicos o desarrolle un borrador coherente a partir de un conjunto de puntos. Para un asistente técnico, proporciona el material pertinente e indica la pregunta que debe resolver la respuesta, en lugar de depender únicamente de una solicitud general de comentar el tema.
Un ejemplo de tarea documental es: “Compara estas dos descripciones del flujo de trabajo. Enumera coincidencias, contradicciones e información faltante; después escribe una explicación breve para un nuevo integrante del equipo”. Mantén etiquetadas las secciones de origen para que la respuesta pueda asociar cada observación con el pasaje correcto. Una tarea de código puede incluir la función, el comportamiento esperado y una entrada concreta en la que el resultado actual sea incorrecto. Solicita una corrección propuesta y explica qué ejemplos deben usarse para verificarla. Estos ejemplos utilizan las familias documentadas de tareas lingüísticas y de programación, y no implican que el código generado ya se haya ejecutado.
La distinción respecto de Think es importante. El anuncio de la familia Grok 3 también describe Grok 3 Think y Grok 3 mini Think, entrenados para dedicar trabajo adicional al razonamiento. Su comportamiento de razonamiento extendido debe describirse como su propio modo u opción de modelo. La entrada de texto ordinaria puede dar explicaciones y resolver preguntas, pero eso no debe confundirse con seleccionar una configuración de razonamiento extendido explícitamente documentada.
El ejemplo de metadatos del modelo identificado por nombre del productor indica una longitud máxima de prompt de 131,072 tokens para grok-3 y registra compatibilidad con salidas estructuradas y llamadas a funciones. El campo de longitud del prompt describe el presupuesto de entrada publicado en ese ejemplo; no es un límite separado de tokens de salida. El anuncio de la familia comenta una configuración de contexto largo más grande, por lo que debes mantener diferenciadas la especificación precisa del modelo identificado por nombre y la descripción más amplia de la familia al preparar una solicitud. Incluye el contexto necesario para la pregunta y determina explícitamente el formato y la longitud de la respuesta.
La salida estructurada resulta útil cuando una conversación debe terminar con campos que la aplicación pueda procesar, como un resumen, hechos extraídos y preguntas que aún necesitan aclaración. Las llamadas a funciones permiten a una aplicación ofrecer operaciones permitidas y recibir argumentos propuestos. La aplicación realiza la operación y devuelve el resultado para una respuesta posterior. Esto es distinto de que un modelo tenga acceso independiente a cualquier base de datos, navegador o intérprete de código.
El artículo de lanzamiento comenta DeepSearch y agentes equipados con herramientas como sistemas construidos en torno a la familia Grok. Sus flujos de trabajo de búsqueda, ejecución y elaboración de informes son un contexto de integración, en lugar de un motivo para transferir todas las funciones de la aplicación a la entrada de texto grok-3 básica. Para una tarea útil, indica qué material proporcionado o datos devueltos por herramientas debe usar el modelo, distingue los hechos de las interpretaciones solicitadas y pide que marque la información faltante. Termina con un entregable concreto: un documento revisado, una propuesta de código, un registro de extracción o una explicación que pueda verificarse contra las entradas originales.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites grok-3 | 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 $0.006 / 1K tokens Salida · Tokens de salida $0.03 / 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-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 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-3
Usa las rutas de método indicadas arriba.
grok-3Grok 3 es la edición de chat de texto de xAI para explicaciones, redacción, programación y preguntas que utilizan material proporcionado. La entrada del modelo identificado por nombre admite salidas estructuradas y llamadas a funciones, y es distinta de los modelos Think explícitos de la familia.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Grok 3 es la familia de modelos de xAI para trabajo lingüístico, conocimiento general, programación y resolución de problemas. La descripción de lanzamiento distingue el modelo que responde normalmente de las variantes Think explícitas de la familia, que utilizan razonamiento adicional antes de la respuesta final. La entrada identificada por nombre grok-3 descrita aquí es la edición de chat de texto: el productor enumera entrada de texto, salida de texto y ninguna función independiente de razonamiento para esa entrada.
El preentrenamiento de la familia está pensado para admitir una amplia variedad de preguntas e instrucciones. xAI destaca matemáticas, programación, conocimiento y control del estilo en su descripción de lanzamiento. Para una tarea de redacción, esto da una base útil para pedir al modelo que revise una explicación para un lector particular, conserve hechos específicos o desarrolle un borrador coherente a partir de un conjunto de puntos. Para un asistente técnico, proporciona el material pertinente e indica la pregunta que debe resolver la respuesta, en lugar de depender únicamente de una solicitud general de comentar el tema.
Un ejemplo de tarea documental es: “Compara estas dos descripciones del flujo de trabajo. Enumera coincidencias, contradicciones e información faltante; después escribe una explicación breve para un nuevo integrante del equipo”. Mantén etiquetadas las secciones de origen para que la respuesta pueda asociar cada observación con el pasaje correcto. Una tarea de código puede incluir la función, el comportamiento esperado y una entrada concreta en la que el resultado actual sea incorrecto. Solicita una corrección propuesta y explica qué ejemplos deben usarse para verificarla. Estos ejemplos utilizan las familias documentadas de tareas lingüísticas y de programación, y no implican que el código generado ya se haya ejecutado.
La distinción respecto de Think es importante. El anuncio de la familia Grok 3 también describe Grok 3 Think y Grok 3 mini Think, entrenados para dedicar trabajo adicional al razonamiento. Su comportamiento de razonamiento extendido debe describirse como su propio modo u opción de modelo. La entrada de texto ordinaria puede dar explicaciones y resolver preguntas, pero eso no debe confundirse con seleccionar una configuración de razonamiento extendido explícitamente documentada.
El ejemplo de metadatos del modelo identificado por nombre del productor indica una longitud máxima de prompt de 131,072 tokens para grok-3 y registra compatibilidad con salidas estructuradas y llamadas a funciones. El campo de longitud del prompt describe el presupuesto de entrada publicado en ese ejemplo; no es un límite separado de tokens de salida. El anuncio de la familia comenta una configuración de contexto largo más grande, por lo que debes mantener diferenciadas la especificación precisa del modelo identificado por nombre y la descripción más amplia de la familia al preparar una solicitud. Incluye el contexto necesario para la pregunta y determina explícitamente el formato y la longitud de la respuesta.
La salida estructurada resulta útil cuando una conversación debe terminar con campos que la aplicación pueda procesar, como un resumen, hechos extraídos y preguntas que aún necesitan aclaración. Las llamadas a funciones permiten a una aplicación ofrecer operaciones permitidas y recibir argumentos propuestos. La aplicación realiza la operación y devuelve el resultado para una respuesta posterior. Esto es distinto de que un modelo tenga acceso independiente a cualquier base de datos, navegador o intérprete de código.
El artículo de lanzamiento comenta DeepSearch y agentes equipados con herramientas como sistemas construidos en torno a la familia Grok. Sus flujos de trabajo de búsqueda, ejecución y elaboración de informes son un contexto de integración, en lugar de un motivo para transferir todas las funciones de la aplicación a la entrada de texto grok-3 básica. Para una tarea útil, indica qué material proporcionado o datos devueltos por herramientas debe usar el modelo, distingue los hechos de las interpretaciones solicitadas y pide que marque la información faltante. Termina con un entregable concreto: un documento revisado, una propuesta de código, un registro de extracción o una explicación que pueda verificarse contra las entradas originales.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites grok-3 | 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 $0.006 / 1K tokens Salida · Tokens de salida $0.03 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "grok-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-3
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.