Diseñado para flujos de trabajo de agentes
Grok 4.1 Fast (Reasoning) es la configuración de razonamiento de la familia Grok 4.1 Fast de xAI. Su énfasis es completar una tarea mediante una secuencia de decisiones e interacciones con herramientas, especialmente en soporte e investigación. La ventana de contexto anunciada de la familia es de 2 millones de tokens, lo que la hace pertinente cuando las instrucciones, el material de referencia y los resultados de acciones anteriores deben permanecer juntos. Reasoning y Non-Reasoning son configuraciones con nombres separados y distintos enfoques de respuesta.
Entrenamiento para tareas reales
El desarrollo del modelo utiliza aprendizaje por refuerzo en entornos simulados que contienen herramientas y ámbitos de tareas variados. El propósito práctico es seleccionar una acción adecuada a partir de su descripción, proporcionar los argumentos requeridos y continuar con la información devuelta. Una aplicación de soporte podría pedirle que identifique una solicitud del cliente, recupere el registro de servicio pertinente, compare la solicitud con reglas proporcionadas y prepare el siguiente paso. Proporciona al modelo políticas y registros reales en lugar de pedirle que invente reglas operativas faltantes.
Llamadas a herramientas y conversaciones largas
El entrenamiento de largo alcance y múltiples turnos aborda un problema específico de los agentes: mantener la tarea a medida que crecen la conversación y el historial de herramientas. Prepara descripciones concisas de las herramientas, campos de argumentos claros y una declaración de lo que cuenta como finalización. Mantén las observaciones devueltas vinculadas con la acción que las produjo. Por ejemplo, un agente que investiga un problema de servicio puede comparar un fragmento de registro con un procedimiento conocido de solución de problemas y seleccionar la siguiente función de diagnóstico. La aplicación ejecuta la función seleccionada; el modelo interpreta su resultado y actualiza la respuesta.
Recuperación, cálculo y herramientas conectadas
Los flujos de trabajo del fabricante habilitados con herramientas combinan recuperación de la web, búsqueda en documentos cargados, ejecución de código y conexiones con herramientas externas mediante MCP. Cada herramienta aporta información o realiza una operación que va más allá de generar texto. Una tarea de investigación documental puede usar pasajes recuperados para comparar requisitos de producto; una tarea de cálculo puede usar un resultado de código para explicar una tendencia numérica. Esas capacidades dependen de las herramientas realmente conectadas al proceso. Describe la fuente de recuperación, la acción permitida y el resultado esperado para que el modelo pueda conectar su razonamiento con la evidencia disponible.
Resultados de investigación y exactitud factual
El uso de investigación anunciado se enfoca en encontrar información, combinar evidencia entre pasos y entregar una respuesta a una pregunta definida. Un ejemplo útil de brief consiste en comparar varias propuestas técnicas proporcionadas, identificar requisitos contradictorios y devolver una recomendación con los pasajes de respaldo y las preguntas abiertas. Especifica los criterios de comparación y la fecha o el alcance de la información pertinente. El trabajo del fabricante sobre exactitud factual aborda afirmaciones sin respaldo, pero el resultado aún se beneficia de comprobar qué conclusiones están respaldadas por el material recuperado.
Preparación del modo y la salida
Elige esta configuración Reasoning identificada por nombre cuando la tarea requiera análisis antes de la respuesta final, y define el entregable final: una respuesta de soporte, una tabla de evidencia, un plan de diagnóstico o una explicación de investigación. El modelo genera texto; las acciones externas corresponden a las herramientas de la aplicación adjunta. La capacidad de contexto anunciada describe el alcance de entrada e historial del modelo original identificado por nombre, no el tamaño de una sola respuesta ni una promesa de que toda integración acepte esa cantidad. Conserva la identidad exacta del modelo y el historial de herramientas, en lugar de sustituirlo por otra familia Grok basándote en un nombre similar.
", "aboutText": "Diseñado para flujos de trabajo de agentes\n\nGrok 4.1 Fast (Reasoning) es la configuración de razonamiento de la familia Grok 4.1 Fast de xAI. Su énfasis es completar una tarea mediante una secuencia de decisiones e interacciones con herramientas, especialmente en soporte e investigación. La ventana de contexto anunciada de la familia es de 2 millones de tokens, lo que la hace pertinente cuando las instrucciones, el material de referencia y los resultados de acciones anteriores deben permanecer juntos. Reasoning y Non-Reasoning son configuraciones con nombres separados y distintos enfoques de respuesta.\n\nEntrenamiento para tareas reales\n\nEl desarrollo del modelo utiliza aprendizaje por refuerzo en entornos simulados que contienen herramientas y ámbitos de tareas variados. El propósito práctico es seleccionar una acción adecuada a partir de su descripción, proporcionar los argumentos requeridos y continuar con la información devuelta. Una aplicación de soporte podría pedirle que identifique una solicitud del cliente, recupere el registro de servicio pertinente, compare la solicitud con reglas proporcionadas y prepare el siguiente paso. Proporciona al modelo políticas y registros reales en lugar de pedirle que invente reglas operativas faltantes.\n\nLlamadas a herramientas y conversaciones largas\n\nEl entrenamiento de largo alcance y múltiples turnos aborda un problema específico de los agentes: mantener la tarea a medida que crecen la conversación y el historial de herramientas. Prepara descripciones concisas de las herramientas, campos de argumentos claros y una declaración de lo que cuenta como finalización. Mantén las observaciones devueltas vinculadas con la acción que las produjo. Por ejemplo, un agente que investiga un problema de servicio puede comparar un fragmento de registro con un procedimiento conocido de solución de problemas y seleccionar la siguiente función de diagnóstico. La aplicación ejecuta la función seleccionada; el modelo interpreta su resultado y actualiza la respuesta.\n\nRecuperación, cálculo y herramientas conectadas\n\nLos flujos de trabajo del fabricante habilitados con herramientas combinan recuperación de la web, búsqueda en documentos cargados, ejecución de código y conexiones con herramientas externas mediante MCP. Cada herramienta aporta información o realiza una operación que va más allá de generar texto. Una tarea de investigación documental puede usar pasajes recuperados para comparar requisitos de producto; una tarea de cálculo puede usar un resultado de código para explicar una tendencia numérica. Esas capacidades dependen de las herramientas realmente conectadas al proceso. Describe la fuente de recuperación, la acción permitida y el resultado esperado para que el modelo pueda conectar su razonamiento con la evidencia disponible.\n\nResultados de investigación y exactitud factual\n\nEl uso de investigación anunciado se enfoca en encontrar información, combinar evidencia entre pasos y entregar una respuesta a una pregunta definida. Un ejemplo útil de brief consiste en comparar varias propuestas técnicas proporcionadas, identificar requisitos contradictorios y devolver una recomendación con los pasajes de respaldo y las preguntas abiertas. Especifica los criterios de comparación y la fecha o el alcance de la información pertinente. El trabajo del fabricante sobre exactitud factual aborda afirmaciones sin respaldo, pero el resultado aún se beneficia de comprobar qué conclusiones están respaldadas por el material recuperado.\n\nPreparación del modo y la salida\n\nElige esta configuración Reasoning identificada por nombre cuando la tarea requiera análisis antes de la respuesta final, y define el entregable final: una respuesta de soporte, una tabla de evidencia, un plan de diagnóstico o una explicación de investigación. El modelo genera texto; las acciones externas corresponden a las herramientas de la aplicación adjunta. La capacidad de contexto anunciada describe el alcance de entrada e historial del modelo original identificado por nombre, no el tamaño de una sola respuesta ni una promesa de que toda integración acepte esa cantidad. Conserva la identidad exacta del modelo y el historial de herramientas, en lugar de sustituirlo por otra familia Grok basándote en un nombre similar.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Choose the next support diagnostic\n\nUse this troubleshooting procedure: if the service process is stopped, restart is the next diagnostic; if running, inspect its last error. Returned observation: "process running; port unreachable; error log not yet read." Identify the next evidence to request and draft a support update. Do not claim that any diagnostic command has run.A proposed next diagnostic with its reason and a brief support update separating known facts from pending evidence.Verify the running-process branch is used and an unread error log does not become a known cause.grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) es el modelo de xAI enfocado en herramientas para flujos de trabajo de soporte, recuperación e investigación de varios pasos. Su contexto anunciado de 2 millones de tokens ayuda a conectar instrucciones, una conversación larga y resultados sucesivos de herramientas mientras razona sobre la tarea.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Diseñado para flujos de trabajo de agentes
Grok 4.1 Fast (Reasoning) es la configuración de razonamiento de la familia Grok 4.1 Fast de xAI. Su énfasis es completar una tarea mediante una secuencia de decisiones e interacciones con herramientas, especialmente en soporte e investigación. La ventana de contexto anunciada de la familia es de 2 millones de tokens, lo que la hace pertinente cuando las instrucciones, el material de referencia y los resultados de acciones anteriores deben permanecer juntos. Reasoning y Non-Reasoning son configuraciones con nombres separados y distintos enfoques de respuesta.
Entrenamiento para tareas reales
El desarrollo del modelo utiliza aprendizaje por refuerzo en entornos simulados que contienen herramientas y ámbitos de tareas variados. El propósito práctico es seleccionar una acción adecuada a partir de su descripción, proporcionar los argumentos requeridos y continuar con la información devuelta. Una aplicación de soporte podría pedirle que identifique una solicitud del cliente, recupere el registro de servicio pertinente, compare la solicitud con reglas proporcionadas y prepare el siguiente paso. Proporciona al modelo políticas y registros reales en lugar de pedirle que invente reglas operativas faltantes.
Llamadas a herramientas y conversaciones largas
El entrenamiento de largo alcance y múltiples turnos aborda un problema específico de los agentes: mantener la tarea a medida que crecen la conversación y el historial de herramientas. Prepara descripciones concisas de las herramientas, campos de argumentos claros y una declaración de lo que cuenta como finalización. Mantén las observaciones devueltas vinculadas con la acción que las produjo. Por ejemplo, un agente que investiga un problema de servicio puede comparar un fragmento de registro con un procedimiento conocido de solución de problemas y seleccionar la siguiente función de diagnóstico. La aplicación ejecuta la función seleccionada; el modelo interpreta su resultado y actualiza la respuesta.
Recuperación, cálculo y herramientas conectadas
Los flujos de trabajo del fabricante habilitados con herramientas combinan recuperación de la web, búsqueda en documentos cargados, ejecución de código y conexiones con herramientas externas mediante MCP. Cada herramienta aporta información o realiza una operación que va más allá de generar texto. Una tarea de investigación documental puede usar pasajes recuperados para comparar requisitos de producto; una tarea de cálculo puede usar un resultado de código para explicar una tendencia numérica. Esas capacidades dependen de las herramientas realmente conectadas al proceso. Describe la fuente de recuperación, la acción permitida y el resultado esperado para que el modelo pueda conectar su razonamiento con la evidencia disponible.
Resultados de investigación y exactitud factual
El uso de investigación anunciado se enfoca en encontrar información, combinar evidencia entre pasos y entregar una respuesta a una pregunta definida. Un ejemplo útil de brief consiste en comparar varias propuestas técnicas proporcionadas, identificar requisitos contradictorios y devolver una recomendación con los pasajes de respaldo y las preguntas abiertas. Especifica los criterios de comparación y la fecha o el alcance de la información pertinente. El trabajo del fabricante sobre exactitud factual aborda afirmaciones sin respaldo, pero el resultado aún se beneficia de comprobar qué conclusiones están respaldadas por el material recuperado.
Preparación del modo y la salida
Elige esta configuración Reasoning identificada por nombre cuando la tarea requiera análisis antes de la respuesta final, y define el entregable final: una respuesta de soporte, una tabla de evidencia, un plan de diagnóstico o una explicación de investigación. El modelo genera texto; las acciones externas corresponden a las herramientas de la aplicación adjunta. La capacidad de contexto anunciada describe el alcance de entrada e historial del modelo original identificado por nombre, no el tamaño de una sola respuesta ni una promesa de que toda integración acepte esa cantidad. Conserva la identidad exacta del modelo y el historial de herramientas, en lugar de sustituirlo por otra familia Grok basándote en un nombre similar.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites grok-4-1-fast-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-reasoning", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='grok-4-1-fast-reasoning',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='grok-4-1-fast-reasoning',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-reasoning
Usa las rutas de método indicadas arriba.
grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) es el modelo de xAI enfocado en herramientas para flujos de trabajo de soporte, recuperación e investigación de varios pasos. Su contexto anunciado de 2 millones de tokens ayuda a conectar instrucciones, una conversación larga y resultados sucesivos de herramientas mientras razona sobre la tarea.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Diseñado para flujos de trabajo de agentes
Grok 4.1 Fast (Reasoning) es la configuración de razonamiento de la familia Grok 4.1 Fast de xAI. Su énfasis es completar una tarea mediante una secuencia de decisiones e interacciones con herramientas, especialmente en soporte e investigación. La ventana de contexto anunciada de la familia es de 2 millones de tokens, lo que la hace pertinente cuando las instrucciones, el material de referencia y los resultados de acciones anteriores deben permanecer juntos. Reasoning y Non-Reasoning son configuraciones con nombres separados y distintos enfoques de respuesta.
Entrenamiento para tareas reales
El desarrollo del modelo utiliza aprendizaje por refuerzo en entornos simulados que contienen herramientas y ámbitos de tareas variados. El propósito práctico es seleccionar una acción adecuada a partir de su descripción, proporcionar los argumentos requeridos y continuar con la información devuelta. Una aplicación de soporte podría pedirle que identifique una solicitud del cliente, recupere el registro de servicio pertinente, compare la solicitud con reglas proporcionadas y prepare el siguiente paso. Proporciona al modelo políticas y registros reales en lugar de pedirle que invente reglas operativas faltantes.
Llamadas a herramientas y conversaciones largas
El entrenamiento de largo alcance y múltiples turnos aborda un problema específico de los agentes: mantener la tarea a medida que crecen la conversación y el historial de herramientas. Prepara descripciones concisas de las herramientas, campos de argumentos claros y una declaración de lo que cuenta como finalización. Mantén las observaciones devueltas vinculadas con la acción que las produjo. Por ejemplo, un agente que investiga un problema de servicio puede comparar un fragmento de registro con un procedimiento conocido de solución de problemas y seleccionar la siguiente función de diagnóstico. La aplicación ejecuta la función seleccionada; el modelo interpreta su resultado y actualiza la respuesta.
Recuperación, cálculo y herramientas conectadas
Los flujos de trabajo del fabricante habilitados con herramientas combinan recuperación de la web, búsqueda en documentos cargados, ejecución de código y conexiones con herramientas externas mediante MCP. Cada herramienta aporta información o realiza una operación que va más allá de generar texto. Una tarea de investigación documental puede usar pasajes recuperados para comparar requisitos de producto; una tarea de cálculo puede usar un resultado de código para explicar una tendencia numérica. Esas capacidades dependen de las herramientas realmente conectadas al proceso. Describe la fuente de recuperación, la acción permitida y el resultado esperado para que el modelo pueda conectar su razonamiento con la evidencia disponible.
Resultados de investigación y exactitud factual
El uso de investigación anunciado se enfoca en encontrar información, combinar evidencia entre pasos y entregar una respuesta a una pregunta definida. Un ejemplo útil de brief consiste en comparar varias propuestas técnicas proporcionadas, identificar requisitos contradictorios y devolver una recomendación con los pasajes de respaldo y las preguntas abiertas. Especifica los criterios de comparación y la fecha o el alcance de la información pertinente. El trabajo del fabricante sobre exactitud factual aborda afirmaciones sin respaldo, pero el resultado aún se beneficia de comprobar qué conclusiones están respaldadas por el material recuperado.
Preparación del modo y la salida
Elige esta configuración Reasoning identificada por nombre cuando la tarea requiera análisis antes de la respuesta final, y define el entregable final: una respuesta de soporte, una tabla de evidencia, un plan de diagnóstico o una explicación de investigación. El modelo genera texto; las acciones externas corresponden a las herramientas de la aplicación adjunta. La capacidad de contexto anunciada describe el alcance de entrada e historial del modelo original identificado por nombre, no el tamaño de una sola respuesta ni una promesa de que toda integración acepte esa cantidad. Conserva la identidad exacta del modelo y el historial de herramientas, en lugar de sustituirlo por otra familia Grok basándote en un nombre similar.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites grok-4-1-fast-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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "grok-4-1-fast-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'grok-4-1-fast-reasoning', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'grok-4-1-fast-reasoning', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-reasoning
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Choose the next support diagnostic\n\nUse this troubleshooting procedure: if the service process is stopped, restart is the next diagnostic; if running, inspect its last error. Returned observation: "process running; port unreachable; error log not yet read." Identify the next evidence to request and draft a support update. Do not claim that any diagnostic command has run.A proposed next diagnostic with its reason and a brief support update separating known facts from pending evidence.Verify the running-process branch is used and an unread error log does not become a known cause.