Grok 4.1 Fast Non-Reasoning es la variante de respuesta directa de xAI identificada por nombre dentro de la familia Grok 4.1 Fast. El fabricante la publica de forma separada de la variante de razonamiento y la identifica como la opción para respuestas inmediatas. Resulta útil para una conversación de texto o un paso asistido por herramientas con una instrucción clara, entradas conocidas y un resultado definido. Non-Reasoning selecciona el modo de respuesta; Grok 4.1 Fast sigue siendo una familia distinta del modelo Grok 4.1 ordinario y de Grok 4 Fast.
xAI desarrolla Grok 4.1 Fast en torno al uso de herramientas en el mundo real. Su entrenamiento por aprendizaje por refuerzo utiliza entornos simulados con herramientas variadas en muchos ámbitos, y destaca la atención al cliente como aplicación práctica. Para una tarea de ese tipo, proporciona al modelo la solicitud del usuario, las reglas pertinentes y las funciones que permite la aplicación. Indica qué información se necesita para elegir la siguiente acción. Un ejemplo de flujo de trabajo consiste en identificar el problema actual del usuario, solicitar un dato faltante, seleccionar una consulta y después preparar una respuesta breve basada en la información devuelta.
El productor también enfatiza el aprendizaje por refuerzo de largo alcance y los escenarios de múltiples turnos. Esto importa cuando una solicitud continúa a través de varias acciones o aclaraciones. Conserva el objetivo original, las restricciones importantes, las respuestas anteriores y los resultados reales de las funciones para que la siguiente respuesta refleje el estado actual de la tarea. Si una herramienta informa que falta información o que una acción falló, incluye ese resultado en lugar de suponer que tuvo éxito. Pide al modelo que explique el siguiente paso requerido en términos del estado observado y mantén diferenciada una acción propuesta de una que la aplicación ha completado.
La familia tiene un contexto de dos millones de tokens descrito por el fabricante. Una ventana amplia puede contener un historial de conversación considerable, instrucciones y documentos de respaldo, pero el prompt debe seguir facilitando encontrar la pregunta actual. Da títulos estables a los documentos, conserva los identificadores pertinentes e identifica la fuente de una afirmación factual. Para un caso de soporte largo, solicita el problema tal como está ahora, los hechos ya establecidos y la siguiente pregunta sin respuesta. Para procesar documentos, especifica los campos que deben extraerse y cómo representar un valor ausente o contradictorio.
El anuncio de Grok 4.1 Fast también presenta un servicio independiente de herramientas para búsqueda, ejecución de código y recuperación de documentos. La capacidad del modelo para llamar herramientas y la disponibilidad de una herramienta concreta son partes distintas del flujo de trabajo. Describe las herramientas que tu aplicación realmente proporciona y devuelve sus resultados a la conversación. En una tarea de investigación, define la pregunta, el alcance y la evidencia necesaria; después solicita una síntesis vinculada con el material recuperado. En una tarea de datos, utiliza resultados reales de cálculo como entrada para la explicación, en lugar de tratar un número generado como un cálculo completado.
Para una operación directa de texto, haz que las instrucciones de salida sean compactas y precisas. Podrías solicitar un párrafo reescrito que conserve hechos específicos, un resumen breve del material proporcionado, una categoría elegida conforme a reglas explícitas o una tabla de detalles extraídos. Incluye ejemplos cuando el formato esperado tenga casos límite importantes. Estos son ejemplos de aplicaciones del flujo de trabajo de texto y agentes, en lugar de afirmaciones de que toda entrada producirá un resultado correcto. El modo de respuesta directa puede mantener el resultado enfocado cuando la tarea ya está bien especificada.
Para trabajo factual, pide que distinga la información respaldada por fuentes de las suposiciones y señale la evidencia faltante. Verifica los nombres, identificadores, valores y resultados de acciones declarados que sean importantes contra el material original o la respuesta real de la herramienta. Un contexto amplio y un proceso de respuesta rápido no reemplazan esa verificación. Elige la variante de razonamiento identificada por separado cuando desees un proceso distinto de resolución de problemas, y conserva Non-Reasoning para instrucciones claras y una respuesta final directa. Define la finalización por el resultado solicitado y cualquier resultado de operación confirmado, no solo porque el modelo haya producido una respuesta.
", "aboutText": "Grok 4.1 Fast Non-Reasoning es la variante de respuesta directa de xAI identificada por nombre dentro de la familia Grok 4.1 Fast. El fabricante la publica de forma separada de la variante de razonamiento y la identifica como la opción para respuestas inmediatas. Resulta útil para una conversación de texto o un paso asistido por herramientas con una instrucción clara, entradas conocidas y un resultado definido. Non-Reasoning selecciona el modo de respuesta; Grok 4.1 Fast sigue siendo una familia distinta del modelo Grok 4.1 ordinario y de Grok 4 Fast.\n\nxAI desarrolla Grok 4.1 Fast en torno al uso de herramientas en el mundo real. Su entrenamiento por aprendizaje por refuerzo utiliza entornos simulados con herramientas variadas en muchos ámbitos, y destaca la atención al cliente como aplicación práctica. Para una tarea de ese tipo, proporciona al modelo la solicitud del usuario, las reglas pertinentes y las funciones que permite la aplicación. Indica qué información se necesita para elegir la siguiente acción. Un ejemplo de flujo de trabajo consiste en identificar el problema actual del usuario, solicitar un dato faltante, seleccionar una consulta y después preparar una respuesta breve basada en la información devuelta.\n\nEl productor también enfatiza el aprendizaje por refuerzo de largo alcance y los escenarios de múltiples turnos. Esto importa cuando una solicitud continúa a través de varias acciones o aclaraciones. Conserva el objetivo original, las restricciones importantes, las respuestas anteriores y los resultados reales de las funciones para que la siguiente respuesta refleje el estado actual de la tarea. Si una herramienta informa que falta información o que una acción falló, incluye ese resultado en lugar de suponer que tuvo éxito. Pide al modelo que explique el siguiente paso requerido en términos del estado observado y mantén diferenciada una acción propuesta de una que la aplicación ha completado.\n\nLa familia tiene un contexto de dos millones de tokens descrito por el fabricante. Una ventana amplia puede contener un historial de conversación considerable, instrucciones y documentos de respaldo, pero el prompt debe seguir facilitando encontrar la pregunta actual. Da títulos estables a los documentos, conserva los identificadores pertinentes e identifica la fuente de una afirmación factual. Para un caso de soporte largo, solicita el problema tal como está ahora, los hechos ya establecidos y la siguiente pregunta sin respuesta. Para procesar documentos, especifica los campos que deben extraerse y cómo representar un valor ausente o contradictorio.\n\nEl anuncio de Grok 4.1 Fast también presenta un servicio independiente de herramientas para búsqueda, ejecución de código y recuperación de documentos. La capacidad del modelo para llamar herramientas y la disponibilidad de una herramienta concreta son partes distintas del flujo de trabajo. Describe las herramientas que tu aplicación realmente proporciona y devuelve sus resultados a la conversación. En una tarea de investigación, define la pregunta, el alcance y la evidencia necesaria; después solicita una síntesis vinculada con el material recuperado. En una tarea de datos, utiliza resultados reales de cálculo como entrada para la explicación, en lugar de tratar un número generado como un cálculo completado.\n\nPara una operación directa de texto, haz que las instrucciones de salida sean compactas y precisas. Podrías solicitar un párrafo reescrito que conserve hechos específicos, un resumen breve del material proporcionado, una categoría elegida conforme a reglas explícitas o una tabla de detalles extraídos. Incluye ejemplos cuando el formato esperado tenga casos límite importantes. Estos son ejemplos de aplicaciones del flujo de trabajo de texto y agentes, en lugar de afirmaciones de que toda entrada producirá un resultado correcto. El modo de respuesta directa puede mantener el resultado enfocado cuando la tarea ya está bien especificada.\n\nPara trabajo factual, pide que distinga la información respaldada por fuentes de las suposiciones y señale la evidencia faltante. Verifica los nombres, identificadores, valores y resultados de acciones declarados que sean importantes contra el material original o la respuesta real de la herramienta. Un contexto amplio y un proceso de respuesta rápido no reemplazan esa verificación. Elige la variante de razonamiento identificada por separado cuando desees un proceso distinto de resolución de problemas, y conserva Non-Reasoning para instrucciones claras y una respuesta final directa. Define la finalización por el resultado solicitado y cualquier resultado de operación confirmado, no solo porque el modelo haya producido una respuesta.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Continue a support case from its state\n\nContinue this support conversation with one concise reply. Customer: I cannot find order K19. Earlier reply: Please confirm the checkout email. Customer: It is pat@example.test. Supplied lookup result: No order found for K19 and that email. Ask for the next useful detail without saying the order was cancelled, refunded or located.One customer-facing reply acknowledging the unsuccessful lookup and asking for a relevant missing order detail.Check that the reply reflects the supplied no-match result and claims no completed account or order action.grok-4-1-fast-non-reasoningGrok 4.1 Fast Non-Reasoning es la variante de respuesta directa de xAI para conversaciones de texto y tareas asistidas por herramientas. El contexto de dos millones de tokens de la familia y su entrenamiento de múltiples turnos ayudan a mantener juntos un historial considerable de la tarea, las instrucciones y la información devuelta por las herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Grok 4.1 Fast Non-Reasoning es la variante de respuesta directa de xAI identificada por nombre dentro de la familia Grok 4.1 Fast. El fabricante la publica de forma separada de la variante de razonamiento y la identifica como la opción para respuestas inmediatas. Resulta útil para una conversación de texto o un paso asistido por herramientas con una instrucción clara, entradas conocidas y un resultado definido. Non-Reasoning selecciona el modo de respuesta; Grok 4.1 Fast sigue siendo una familia distinta del modelo Grok 4.1 ordinario y de Grok 4 Fast.
xAI desarrolla Grok 4.1 Fast en torno al uso de herramientas en el mundo real. Su entrenamiento por aprendizaje por refuerzo utiliza entornos simulados con herramientas variadas en muchos ámbitos, y destaca la atención al cliente como aplicación práctica. Para una tarea de ese tipo, proporciona al modelo la solicitud del usuario, las reglas pertinentes y las funciones que permite la aplicación. Indica qué información se necesita para elegir la siguiente acción. Un ejemplo de flujo de trabajo consiste en identificar el problema actual del usuario, solicitar un dato faltante, seleccionar una consulta y después preparar una respuesta breve basada en la información devuelta.
El productor también enfatiza el aprendizaje por refuerzo de largo alcance y los escenarios de múltiples turnos. Esto importa cuando una solicitud continúa a través de varias acciones o aclaraciones. Conserva el objetivo original, las restricciones importantes, las respuestas anteriores y los resultados reales de las funciones para que la siguiente respuesta refleje el estado actual de la tarea. Si una herramienta informa que falta información o que una acción falló, incluye ese resultado en lugar de suponer que tuvo éxito. Pide al modelo que explique el siguiente paso requerido en términos del estado observado y mantén diferenciada una acción propuesta de una que la aplicación ha completado.
La familia tiene un contexto de dos millones de tokens descrito por el fabricante. Una ventana amplia puede contener un historial de conversación considerable, instrucciones y documentos de respaldo, pero el prompt debe seguir facilitando encontrar la pregunta actual. Da títulos estables a los documentos, conserva los identificadores pertinentes e identifica la fuente de una afirmación factual. Para un caso de soporte largo, solicita el problema tal como está ahora, los hechos ya establecidos y la siguiente pregunta sin respuesta. Para procesar documentos, especifica los campos que deben extraerse y cómo representar un valor ausente o contradictorio.
El anuncio de Grok 4.1 Fast también presenta un servicio independiente de herramientas para búsqueda, ejecución de código y recuperación de documentos. La capacidad del modelo para llamar herramientas y la disponibilidad de una herramienta concreta son partes distintas del flujo de trabajo. Describe las herramientas que tu aplicación realmente proporciona y devuelve sus resultados a la conversación. En una tarea de investigación, define la pregunta, el alcance y la evidencia necesaria; después solicita una síntesis vinculada con el material recuperado. En una tarea de datos, utiliza resultados reales de cálculo como entrada para la explicación, en lugar de tratar un número generado como un cálculo completado.
Para una operación directa de texto, haz que las instrucciones de salida sean compactas y precisas. Podrías solicitar un párrafo reescrito que conserve hechos específicos, un resumen breve del material proporcionado, una categoría elegida conforme a reglas explícitas o una tabla de detalles extraídos. Incluye ejemplos cuando el formato esperado tenga casos límite importantes. Estos son ejemplos de aplicaciones del flujo de trabajo de texto y agentes, en lugar de afirmaciones de que toda entrada producirá un resultado correcto. El modo de respuesta directa puede mantener el resultado enfocado cuando la tarea ya está bien especificada.
Para trabajo factual, pide que distinga la información respaldada por fuentes de las suposiciones y señale la evidencia faltante. Verifica los nombres, identificadores, valores y resultados de acciones declarados que sean importantes contra el material original o la respuesta real de la herramienta. Un contexto amplio y un proceso de respuesta rápido no reemplazan esa verificación. Elige la variante de razonamiento identificada por separado cuando desees un proceso distinto de resolución de problemas, y conserva Non-Reasoning para instrucciones claras y una respuesta final directa. Define la finalización por el resultado solicitado y cualquier resultado de operación confirmado, no solo porque el modelo haya producido una respuesta.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites grok-4-1-fast-non-reasoning | 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.001 / 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-4-1-fast-non-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-non-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-non-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 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-4-1-fast-non-reasoning
Usa las rutas de método indicadas arriba.
grok-4-1-fast-non-reasoningGrok 4.1 Fast Non-Reasoning es la variante de respuesta directa de xAI para conversaciones de texto y tareas asistidas por herramientas. El contexto de dos millones de tokens de la familia y su entrenamiento de múltiples turnos ayudan a mantener juntos un historial considerable de la tarea, las instrucciones y la información devuelta por las herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Grok 4.1 Fast Non-Reasoning es la variante de respuesta directa de xAI identificada por nombre dentro de la familia Grok 4.1 Fast. El fabricante la publica de forma separada de la variante de razonamiento y la identifica como la opción para respuestas inmediatas. Resulta útil para una conversación de texto o un paso asistido por herramientas con una instrucción clara, entradas conocidas y un resultado definido. Non-Reasoning selecciona el modo de respuesta; Grok 4.1 Fast sigue siendo una familia distinta del modelo Grok 4.1 ordinario y de Grok 4 Fast.
xAI desarrolla Grok 4.1 Fast en torno al uso de herramientas en el mundo real. Su entrenamiento por aprendizaje por refuerzo utiliza entornos simulados con herramientas variadas en muchos ámbitos, y destaca la atención al cliente como aplicación práctica. Para una tarea de ese tipo, proporciona al modelo la solicitud del usuario, las reglas pertinentes y las funciones que permite la aplicación. Indica qué información se necesita para elegir la siguiente acción. Un ejemplo de flujo de trabajo consiste en identificar el problema actual del usuario, solicitar un dato faltante, seleccionar una consulta y después preparar una respuesta breve basada en la información devuelta.
El productor también enfatiza el aprendizaje por refuerzo de largo alcance y los escenarios de múltiples turnos. Esto importa cuando una solicitud continúa a través de varias acciones o aclaraciones. Conserva el objetivo original, las restricciones importantes, las respuestas anteriores y los resultados reales de las funciones para que la siguiente respuesta refleje el estado actual de la tarea. Si una herramienta informa que falta información o que una acción falló, incluye ese resultado en lugar de suponer que tuvo éxito. Pide al modelo que explique el siguiente paso requerido en términos del estado observado y mantén diferenciada una acción propuesta de una que la aplicación ha completado.
La familia tiene un contexto de dos millones de tokens descrito por el fabricante. Una ventana amplia puede contener un historial de conversación considerable, instrucciones y documentos de respaldo, pero el prompt debe seguir facilitando encontrar la pregunta actual. Da títulos estables a los documentos, conserva los identificadores pertinentes e identifica la fuente de una afirmación factual. Para un caso de soporte largo, solicita el problema tal como está ahora, los hechos ya establecidos y la siguiente pregunta sin respuesta. Para procesar documentos, especifica los campos que deben extraerse y cómo representar un valor ausente o contradictorio.
El anuncio de Grok 4.1 Fast también presenta un servicio independiente de herramientas para búsqueda, ejecución de código y recuperación de documentos. La capacidad del modelo para llamar herramientas y la disponibilidad de una herramienta concreta son partes distintas del flujo de trabajo. Describe las herramientas que tu aplicación realmente proporciona y devuelve sus resultados a la conversación. En una tarea de investigación, define la pregunta, el alcance y la evidencia necesaria; después solicita una síntesis vinculada con el material recuperado. En una tarea de datos, utiliza resultados reales de cálculo como entrada para la explicación, en lugar de tratar un número generado como un cálculo completado.
Para una operación directa de texto, haz que las instrucciones de salida sean compactas y precisas. Podrías solicitar un párrafo reescrito que conserve hechos específicos, un resumen breve del material proporcionado, una categoría elegida conforme a reglas explícitas o una tabla de detalles extraídos. Incluye ejemplos cuando el formato esperado tenga casos límite importantes. Estos son ejemplos de aplicaciones del flujo de trabajo de texto y agentes, en lugar de afirmaciones de que toda entrada producirá un resultado correcto. El modo de respuesta directa puede mantener el resultado enfocado cuando la tarea ya está bien especificada.
Para trabajo factual, pide que distinga la información respaldada por fuentes de las suposiciones y señale la evidencia faltante. Verifica los nombres, identificadores, valores y resultados de acciones declarados que sean importantes contra el material original o la respuesta real de la herramienta. Un contexto amplio y un proceso de respuesta rápido no reemplazan esa verificación. Elige la variante de razonamiento identificada por separado cuando desees un proceso distinto de resolución de problemas, y conserva Non-Reasoning para instrucciones claras y una respuesta final directa. Define la finalización por el resultado solicitado y cualquier resultado de operación confirmado, no solo porque el modelo haya producido una respuesta.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites grok-4-1-fast-non-reasoning | 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.001 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "grok-4-1-fast-non-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-non-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-non-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 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-4-1-fast-non-reasoning
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Continue a support case from its state\n\nContinue this support conversation with one concise reply. Customer: I cannot find order K19. Earlier reply: Please confirm the checkout email. Customer: It is pat@example.test. Supplied lookup result: No order found for K19 and that email. Ask for the next useful detail without saying the order was cancelled, refunded or located.One customer-facing reply acknowledging the unsuccessful lookup and asking for a relevant missing order detail.Check that the reply reflects the supplied no-match result and claims no completed account or order action.