Grok 4.1 Fast Non-Reasoning est la variante nommée à réponse directe de xAI dans la famille Grok 4.1 Fast. Le fabricant la publie séparément de la variante de raisonnement et la présente comme le choix pour des réponses immédiates. Elle convient à une conversation textuelle ou à une étape assistée par des outils avec une instruction claire, des entrées connues et un résultat défini. Non-Reasoning sélectionne le mode de réponse ; Grok 4.1 Fast reste une famille distincte du modèle Grok 4.1 ordinaire et de Grok 4 Fast.
xAI développe Grok 4.1 Fast autour de l’utilisation d’outils dans des situations réelles. Son entraînement par apprentissage par renforcement utilise des environnements simulés avec divers outils dans de nombreux domaines, l’assistance client étant mise en avant comme application pratique. Pour ce type de tâche, fournissez au modèle la demande de l’utilisateur, les règles pertinentes et les fonctions autorisées par l’application. Précisez les informations nécessaires au choix de l’action suivante. Un exemple de processus consiste à identifier le problème actuel de l’utilisateur, à demander un détail manquant, à sélectionner une recherche, puis à préparer une réponse courte fondée sur les informations renvoyées.
Le producteur souligne aussi l’apprentissage par renforcement sur un horizon long et les scénarios à plusieurs échanges. Cela compte lorsqu’une demande se poursuit à travers plusieurs actions ou clarifications. Préservez l’objectif d’origine, les contraintes importantes, les réponses précédentes et les résultats effectifs des fonctions afin que la réponse suivante reflète l’état actuel de la tâche. Si un outil signale un manque d’informations ou l’échec d’une action, incluez ce résultat plutôt que de supposer la réussite. Demandez au modèle d’expliquer la prochaine étape requise à partir de l’état observé, et distinguez une action proposée d’une action accomplie par l’application.
La famille possède un contexte de deux millions de tokens décrit par le fabricant. Une grande fenêtre peut contenir un historique de conversation important, des instructions et des documents justificatifs, mais le prompt doit toujours rendre la question actuelle facile à trouver. Donnez aux documents des titres stables, préservez les identifiants pertinents et indiquez la source d’une affirmation factuelle. Pour un long dossier d’assistance, demandez le problème dans son état actuel, les faits déjà établis et la prochaine question sans réponse. Pour le traitement documentaire, précisez les champs à extraire et la représentation d’une valeur absente ou contradictoire.
L’annonce de Grok 4.1 Fast présente également un service d’outils distinct pour la recherche, l’exécution de code et la récupération documentaire. La capacité d’appel d’outils du modèle et la disponibilité d’un outil particulier sont deux composantes différentes du processus. Décrivez les outils réellement fournis par votre application et renvoyez leurs résultats dans la conversation. Pour une tâche de recherche, définissez la question, le périmètre et les preuves nécessaires, puis demandez une synthèse rattachée aux éléments récupérés. Pour une tâche de données, utilisez les résultats de calcul effectifs comme entrée de l’explication au lieu de traiter un nombre généré comme un calcul accompli.
Pour une opération textuelle directe, formulez la consigne de sortie de manière compacte et précise. Vous pouvez demander un paragraphe réécrit préservant certains faits, un court résumé des éléments fournis, une catégorie choisie selon des règles explicites ou un tableau de détails extraits. Incluez des exemples lorsque le format attendu comporte des cas limites importants. Ce sont des exemples d’application du processus textuel et des agents, plutôt que des affirmations selon lesquelles toute entrée produira un résultat correct. Le mode à réponse directe peut garder le résultat ciblé lorsque la tâche est déjà bien spécifiée.
Pour un travail factuel, demandez au modèle de distinguer les informations étayées par les sources des hypothèses et de signaler les preuves manquantes. Vérifiez les noms importants, les identifiants, les valeurs et les résultats d’actions annoncés par rapport aux éléments d’origine ou à la réponse effective de l’outil. Un vaste contexte et un processus de réponse rapide ne remplacent pas cette vérification. Choisissez la variante de raisonnement nommée séparément lorsque vous souhaitez une autre démarche de résolution, tout en gardant Non-Reasoning pour des instructions claires et une réponse finale directe. Définissez l’achèvement par le résultat demandé et tout résultat d’opération confirmé, plutôt que par la seule production d’une réponse par le modèle.
", "aboutText": "Grok 4.1 Fast Non-Reasoning est la variante nommée à réponse directe de xAI dans la famille Grok 4.1 Fast. Le fabricant la publie séparément de la variante de raisonnement et la présente comme le choix pour des réponses immédiates. Elle convient à une conversation textuelle ou à une étape assistée par des outils avec une instruction claire, des entrées connues et un résultat défini. Non-Reasoning sélectionne le mode de réponse ; Grok 4.1 Fast reste une famille distincte du modèle Grok 4.1 ordinaire et de Grok 4 Fast.\n\nxAI développe Grok 4.1 Fast autour de l’utilisation d’outils dans des situations réelles. Son entraînement par apprentissage par renforcement utilise des environnements simulés avec divers outils dans de nombreux domaines, l’assistance client étant mise en avant comme application pratique. Pour ce type de tâche, fournissez au modèle la demande de l’utilisateur, les règles pertinentes et les fonctions autorisées par l’application. Précisez les informations nécessaires au choix de l’action suivante. Un exemple de processus consiste à identifier le problème actuel de l’utilisateur, à demander un détail manquant, à sélectionner une recherche, puis à préparer une réponse courte fondée sur les informations renvoyées.\n\nLe producteur souligne aussi l’apprentissage par renforcement sur un horizon long et les scénarios à plusieurs échanges. Cela compte lorsqu’une demande se poursuit à travers plusieurs actions ou clarifications. Préservez l’objectif d’origine, les contraintes importantes, les réponses précédentes et les résultats effectifs des fonctions afin que la réponse suivante reflète l’état actuel de la tâche. Si un outil signale un manque d’informations ou l’échec d’une action, incluez ce résultat plutôt que de supposer la réussite. Demandez au modèle d’expliquer la prochaine étape requise à partir de l’état observé, et distinguez une action proposée d’une action accomplie par l’application.\n\nLa famille possède un contexte de deux millions de tokens décrit par le fabricant. Une grande fenêtre peut contenir un historique de conversation important, des instructions et des documents justificatifs, mais le prompt doit toujours rendre la question actuelle facile à trouver. Donnez aux documents des titres stables, préservez les identifiants pertinents et indiquez la source d’une affirmation factuelle. Pour un long dossier d’assistance, demandez le problème dans son état actuel, les faits déjà établis et la prochaine question sans réponse. Pour le traitement documentaire, précisez les champs à extraire et la représentation d’une valeur absente ou contradictoire.\n\nL’annonce de Grok 4.1 Fast présente également un service d’outils distinct pour la recherche, l’exécution de code et la récupération documentaire. La capacité d’appel d’outils du modèle et la disponibilité d’un outil particulier sont deux composantes différentes du processus. Décrivez les outils réellement fournis par votre application et renvoyez leurs résultats dans la conversation. Pour une tâche de recherche, définissez la question, le périmètre et les preuves nécessaires, puis demandez une synthèse rattachée aux éléments récupérés. Pour une tâche de données, utilisez les résultats de calcul effectifs comme entrée de l’explication au lieu de traiter un nombre généré comme un calcul accompli.\n\nPour une opération textuelle directe, formulez la consigne de sortie de manière compacte et précise. Vous pouvez demander un paragraphe réécrit préservant certains faits, un court résumé des éléments fournis, une catégorie choisie selon des règles explicites ou un tableau de détails extraits. Incluez des exemples lorsque le format attendu comporte des cas limites importants. Ce sont des exemples d’application du processus textuel et des agents, plutôt que des affirmations selon lesquelles toute entrée produira un résultat correct. Le mode à réponse directe peut garder le résultat ciblé lorsque la tâche est déjà bien spécifiée.\n\nPour un travail factuel, demandez au modèle de distinguer les informations étayées par les sources des hypothèses et de signaler les preuves manquantes. Vérifiez les noms importants, les identifiants, les valeurs et les résultats d’actions annoncés par rapport aux éléments d’origine ou à la réponse effective de l’outil. Un vaste contexte et un processus de réponse rapide ne remplacent pas cette vérification. Choisissez la variante de raisonnement nommée séparément lorsque vous souhaitez une autre démarche de résolution, tout en gardant Non-Reasoning pour des instructions claires et une réponse finale directe. Définissez l’achèvement par le résultat demandé et tout résultat d’opération confirmé, plutôt que par la seule production d’une réponse par le modèle.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est la variante à réponse directe de xAI pour les conversations textuelles et les tâches assistées par des outils. Le contexte de deux millions de tokens de la famille et son entraînement sur plusieurs échanges aident à réunir un historique de tâche substantiel, les instructions et les informations renvoyées par les outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Grok 4.1 Fast Non-Reasoning est la variante nommée à réponse directe de xAI dans la famille Grok 4.1 Fast. Le fabricant la publie séparément de la variante de raisonnement et la présente comme le choix pour des réponses immédiates. Elle convient à une conversation textuelle ou à une étape assistée par des outils avec une instruction claire, des entrées connues et un résultat défini. Non-Reasoning sélectionne le mode de réponse ; Grok 4.1 Fast reste une famille distincte du modèle Grok 4.1 ordinaire et de Grok 4 Fast.
xAI développe Grok 4.1 Fast autour de l’utilisation d’outils dans des situations réelles. Son entraînement par apprentissage par renforcement utilise des environnements simulés avec divers outils dans de nombreux domaines, l’assistance client étant mise en avant comme application pratique. Pour ce type de tâche, fournissez au modèle la demande de l’utilisateur, les règles pertinentes et les fonctions autorisées par l’application. Précisez les informations nécessaires au choix de l’action suivante. Un exemple de processus consiste à identifier le problème actuel de l’utilisateur, à demander un détail manquant, à sélectionner une recherche, puis à préparer une réponse courte fondée sur les informations renvoyées.
Le producteur souligne aussi l’apprentissage par renforcement sur un horizon long et les scénarios à plusieurs échanges. Cela compte lorsqu’une demande se poursuit à travers plusieurs actions ou clarifications. Préservez l’objectif d’origine, les contraintes importantes, les réponses précédentes et les résultats effectifs des fonctions afin que la réponse suivante reflète l’état actuel de la tâche. Si un outil signale un manque d’informations ou l’échec d’une action, incluez ce résultat plutôt que de supposer la réussite. Demandez au modèle d’expliquer la prochaine étape requise à partir de l’état observé, et distinguez une action proposée d’une action accomplie par l’application.
La famille possède un contexte de deux millions de tokens décrit par le fabricant. Une grande fenêtre peut contenir un historique de conversation important, des instructions et des documents justificatifs, mais le prompt doit toujours rendre la question actuelle facile à trouver. Donnez aux documents des titres stables, préservez les identifiants pertinents et indiquez la source d’une affirmation factuelle. Pour un long dossier d’assistance, demandez le problème dans son état actuel, les faits déjà établis et la prochaine question sans réponse. Pour le traitement documentaire, précisez les champs à extraire et la représentation d’une valeur absente ou contradictoire.
L’annonce de Grok 4.1 Fast présente également un service d’outils distinct pour la recherche, l’exécution de code et la récupération documentaire. La capacité d’appel d’outils du modèle et la disponibilité d’un outil particulier sont deux composantes différentes du processus. Décrivez les outils réellement fournis par votre application et renvoyez leurs résultats dans la conversation. Pour une tâche de recherche, définissez la question, le périmètre et les preuves nécessaires, puis demandez une synthèse rattachée aux éléments récupérés. Pour une tâche de données, utilisez les résultats de calcul effectifs comme entrée de l’explication au lieu de traiter un nombre généré comme un calcul accompli.
Pour une opération textuelle directe, formulez la consigne de sortie de manière compacte et précise. Vous pouvez demander un paragraphe réécrit préservant certains faits, un court résumé des éléments fournis, une catégorie choisie selon des règles explicites ou un tableau de détails extraits. Incluez des exemples lorsque le format attendu comporte des cas limites importants. Ce sont des exemples d’application du processus textuel et des agents, plutôt que des affirmations selon lesquelles toute entrée produira un résultat correct. Le mode à réponse directe peut garder le résultat ciblé lorsque la tâche est déjà bien spécifiée.
Pour un travail factuel, demandez au modèle de distinguer les informations étayées par les sources des hypothèses et de signaler les preuves manquantes. Vérifiez les noms importants, les identifiants, les valeurs et les résultats d’actions annoncés par rapport aux éléments d’origine ou à la réponse effective de l’outil. Un vaste contexte et un processus de réponse rapide ne remplacent pas cette vérification. Choisissez la variante de raisonnement nommée séparément lorsque vous souhaitez une autre démarche de résolution, tout en gardant Non-Reasoning pour des instructions claires et une réponse finale directe. Définissez l’achèvement par le résultat demandé et tout résultat d’opération confirmé, plutôt que par la seule production d’une réponse par le modèle.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites grok-4-1-fast-non-reasoning | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra grok-4-1-fast-non-reasoning
Utilisez les chemins de méthode indiqués ci-dessus.
grok-4-1-fast-non-reasoningGrok 4.1 Fast Non-Reasoning est la variante à réponse directe de xAI pour les conversations textuelles et les tâches assistées par des outils. Le contexte de deux millions de tokens de la famille et son entraînement sur plusieurs échanges aident à réunir un historique de tâche substantiel, les instructions et les informations renvoyées par les outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Grok 4.1 Fast Non-Reasoning est la variante nommée à réponse directe de xAI dans la famille Grok 4.1 Fast. Le fabricant la publie séparément de la variante de raisonnement et la présente comme le choix pour des réponses immédiates. Elle convient à une conversation textuelle ou à une étape assistée par des outils avec une instruction claire, des entrées connues et un résultat défini. Non-Reasoning sélectionne le mode de réponse ; Grok 4.1 Fast reste une famille distincte du modèle Grok 4.1 ordinaire et de Grok 4 Fast.
xAI développe Grok 4.1 Fast autour de l’utilisation d’outils dans des situations réelles. Son entraînement par apprentissage par renforcement utilise des environnements simulés avec divers outils dans de nombreux domaines, l’assistance client étant mise en avant comme application pratique. Pour ce type de tâche, fournissez au modèle la demande de l’utilisateur, les règles pertinentes et les fonctions autorisées par l’application. Précisez les informations nécessaires au choix de l’action suivante. Un exemple de processus consiste à identifier le problème actuel de l’utilisateur, à demander un détail manquant, à sélectionner une recherche, puis à préparer une réponse courte fondée sur les informations renvoyées.
Le producteur souligne aussi l’apprentissage par renforcement sur un horizon long et les scénarios à plusieurs échanges. Cela compte lorsqu’une demande se poursuit à travers plusieurs actions ou clarifications. Préservez l’objectif d’origine, les contraintes importantes, les réponses précédentes et les résultats effectifs des fonctions afin que la réponse suivante reflète l’état actuel de la tâche. Si un outil signale un manque d’informations ou l’échec d’une action, incluez ce résultat plutôt que de supposer la réussite. Demandez au modèle d’expliquer la prochaine étape requise à partir de l’état observé, et distinguez une action proposée d’une action accomplie par l’application.
La famille possède un contexte de deux millions de tokens décrit par le fabricant. Une grande fenêtre peut contenir un historique de conversation important, des instructions et des documents justificatifs, mais le prompt doit toujours rendre la question actuelle facile à trouver. Donnez aux documents des titres stables, préservez les identifiants pertinents et indiquez la source d’une affirmation factuelle. Pour un long dossier d’assistance, demandez le problème dans son état actuel, les faits déjà établis et la prochaine question sans réponse. Pour le traitement documentaire, précisez les champs à extraire et la représentation d’une valeur absente ou contradictoire.
L’annonce de Grok 4.1 Fast présente également un service d’outils distinct pour la recherche, l’exécution de code et la récupération documentaire. La capacité d’appel d’outils du modèle et la disponibilité d’un outil particulier sont deux composantes différentes du processus. Décrivez les outils réellement fournis par votre application et renvoyez leurs résultats dans la conversation. Pour une tâche de recherche, définissez la question, le périmètre et les preuves nécessaires, puis demandez une synthèse rattachée aux éléments récupérés. Pour une tâche de données, utilisez les résultats de calcul effectifs comme entrée de l’explication au lieu de traiter un nombre généré comme un calcul accompli.
Pour une opération textuelle directe, formulez la consigne de sortie de manière compacte et précise. Vous pouvez demander un paragraphe réécrit préservant certains faits, un court résumé des éléments fournis, une catégorie choisie selon des règles explicites ou un tableau de détails extraits. Incluez des exemples lorsque le format attendu comporte des cas limites importants. Ce sont des exemples d’application du processus textuel et des agents, plutôt que des affirmations selon lesquelles toute entrée produira un résultat correct. Le mode à réponse directe peut garder le résultat ciblé lorsque la tâche est déjà bien spécifiée.
Pour un travail factuel, demandez au modèle de distinguer les informations étayées par les sources des hypothèses et de signaler les preuves manquantes. Vérifiez les noms importants, les identifiants, les valeurs et les résultats d’actions annoncés par rapport aux éléments d’origine ou à la réponse effective de l’outil. Un vaste contexte et un processus de réponse rapide ne remplacent pas cette vérification. Choisissez la variante de raisonnement nommée séparément lorsque vous souhaitez une autre démarche de résolution, tout en gardant Non-Reasoning pour des instructions claires et une réponse finale directe. Définissez l’achèvement par le résultat demandé et tout résultat d’opération confirmé, plutôt que par la seule production d’une réponse par le modèle.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites grok-4-1-fast-non-reasoning | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "grok-4-1-fast-non-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra grok-4-1-fast-non-reasoning
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.