Conçu pour les processus d’agents
Grok 4.1 Fast (Reasoning) est la configuration de raisonnement de la famille Grok 4.1 Fast de xAI. Elle privilégie l’accomplissement d’une tâche par une séquence de décisions et d’interactions avec des outils, notamment en assistance et en recherche. La fenêtre de contexte annoncée de la famille est de 2 millions de tokens, ce qui est pertinent lorsque les instructions, les références et les résultats des actions précédentes doivent rester réunis. Reasoning et Non-Reasoning sont des configurations nommées séparément avec des approches de réponse différentes.
Entraînement pour des tâches réelles
Le développement du modèle utilise l’apprentissage par renforcement dans des environnements simulés contenant divers outils et domaines de tâches. L’objectif pratique consiste à sélectionner une action appropriée à partir de sa description, à fournir les arguments requis et à poursuivre à partir des informations renvoyées. Une application d’assistance peut lui demander d’identifier une demande client, de récupérer la fiche de service pertinente, de comparer la demande aux règles fournies et de préparer l’étape suivante. Donnez au modèle les politiques et les fiches réelles plutôt que de lui demander d’inventer les règles de fonctionnement manquantes.
Appels d’outils et longues conversations
L’entraînement sur un horizon long et sur plusieurs échanges répond à un problème précis des agents : conserver la tâche lorsque la conversation et l’historique des outils s’allongent. Préparez des descriptions d’outils concises, des champs d’arguments clairs et une définition de ce qui constitue l’achèvement. Gardez les observations renvoyées associées à l’action qui les a produites. Par exemple, un agent qui examine un incident de service peut comparer un extrait de journal à une procédure de dépannage connue et sélectionner la fonction de diagnostic suivante. L’application exécute la fonction sélectionnée ; le modèle interprète son résultat et actualise la réponse.
Récupération, calcul et outils connectés
Les processus du fabricant dotés d’outils combinent récupération sur le Web, recherche dans les documents téléversés, exécution de code et connexions à des outils externes par MCP. Chaque outil fournit des informations ou effectue une opération au-delà de la génération de texte. Une tâche de recherche documentaire peut utiliser des passages récupérés pour comparer des exigences produit ; une tâche de calcul peut utiliser un résultat de code pour expliquer une tendance numérique. Ces capacités dépendent des outils effectivement connectés au processus. Décrivez la source de récupération, l’action autorisée et le résultat attendu afin que le modèle puisse relier son raisonnement aux preuves disponibles.
Résultat de recherche et exactitude factuelle
L’usage de recherche annoncé vise à trouver des informations, à combiner des preuves au fil des étapes et à fournir une réponse à une question définie. Un exemple de consigne utile consiste à comparer plusieurs propositions techniques fournies, à identifier les exigences contradictoires et à renvoyer une recommandation accompagnée des passages justificatifs et des questions ouvertes. Précisez les critères de comparaison et la date ou le périmètre des informations pertinentes. Le travail du fabricant sur l’exactitude factuelle vise les affirmations non étayées, mais il reste utile de vérifier quelles conclusions sont étayées par les éléments récupérés.
Mode et préparation de la sortie
Choisissez cette configuration Reasoning nommée lorsque la tâche exige une analyse avant la réponse finale, et définissez le livrable final : une réponse d’assistance, un tableau de preuves, un plan de diagnostic ou une explication de recherche. Le modèle produit du texte ; les actions externes relèvent des outils de l’application connectée. La capacité de contexte annoncée décrit le périmètre d’entrée et d’historique du modèle nommé d’origine, sans indiquer la taille d’une réponse unique ni promettre que chaque intégration accepte ce volume. Préservez l’identité exacte du modèle et l’historique des outils plutôt que de substituer une autre famille Grok en raison d’un nom similaire.
", "aboutText": "Conçu pour les processus d’agents\n\nGrok 4.1 Fast (Reasoning) est la configuration de raisonnement de la famille Grok 4.1 Fast de xAI. Elle privilégie l’accomplissement d’une tâche par une séquence de décisions et d’interactions avec des outils, notamment en assistance et en recherche. La fenêtre de contexte annoncée de la famille est de 2 millions de tokens, ce qui est pertinent lorsque les instructions, les références et les résultats des actions précédentes doivent rester réunis. Reasoning et Non-Reasoning sont des configurations nommées séparément avec des approches de réponse différentes.\n\nEntraînement pour des tâches réelles\n\nLe développement du modèle utilise l’apprentissage par renforcement dans des environnements simulés contenant divers outils et domaines de tâches. L’objectif pratique consiste à sélectionner une action appropriée à partir de sa description, à fournir les arguments requis et à poursuivre à partir des informations renvoyées. Une application d’assistance peut lui demander d’identifier une demande client, de récupérer la fiche de service pertinente, de comparer la demande aux règles fournies et de préparer l’étape suivante. Donnez au modèle les politiques et les fiches réelles plutôt que de lui demander d’inventer les règles de fonctionnement manquantes.\n\nAppels d’outils et longues conversations\n\nL’entraînement sur un horizon long et sur plusieurs échanges répond à un problème précis des agents : conserver la tâche lorsque la conversation et l’historique des outils s’allongent. Préparez des descriptions d’outils concises, des champs d’arguments clairs et une définition de ce qui constitue l’achèvement. Gardez les observations renvoyées associées à l’action qui les a produites. Par exemple, un agent qui examine un incident de service peut comparer un extrait de journal à une procédure de dépannage connue et sélectionner la fonction de diagnostic suivante. L’application exécute la fonction sélectionnée ; le modèle interprète son résultat et actualise la réponse.\n\nRécupération, calcul et outils connectés\n\nLes processus du fabricant dotés d’outils combinent récupération sur le Web, recherche dans les documents téléversés, exécution de code et connexions à des outils externes par MCP. Chaque outil fournit des informations ou effectue une opération au-delà de la génération de texte. Une tâche de recherche documentaire peut utiliser des passages récupérés pour comparer des exigences produit ; une tâche de calcul peut utiliser un résultat de code pour expliquer une tendance numérique. Ces capacités dépendent des outils effectivement connectés au processus. Décrivez la source de récupération, l’action autorisée et le résultat attendu afin que le modèle puisse relier son raisonnement aux preuves disponibles.\n\nRésultat de recherche et exactitude factuelle\n\nL’usage de recherche annoncé vise à trouver des informations, à combiner des preuves au fil des étapes et à fournir une réponse à une question définie. Un exemple de consigne utile consiste à comparer plusieurs propositions techniques fournies, à identifier les exigences contradictoires et à renvoyer une recommandation accompagnée des passages justificatifs et des questions ouvertes. Précisez les critères de comparaison et la date ou le périmètre des informations pertinentes. Le travail du fabricant sur l’exactitude factuelle vise les affirmations non étayées, mais il reste utile de vérifier quelles conclusions sont étayées par les éléments récupérés.\n\nMode et préparation de la sortie\n\nChoisissez cette configuration Reasoning nommée lorsque la tâche exige une analyse avant la réponse finale, et définissez le livrable final : une réponse d’assistance, un tableau de preuves, un plan de diagnostic ou une explication de recherche. Le modèle produit du texte ; les actions externes relèvent des outils de l’application connectée. La capacité de contexte annoncée décrit le périmètre d’entrée et d’historique du modèle nommé d’origine, sans indiquer la taille d’une réponse unique ni promettre que chaque intégration accepte ce volume. Préservez l’identité exacte du modèle et l’historique des outils plutôt que de substituer une autre famille Grok en raison d’un nom similaire.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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) est le modèle de xAI centré sur les outils pour les processus d’assistance, de récupération d’informations et de recherche en plusieurs étapes. Son contexte annoncé de 2 millions de tokens aide à relier les instructions, une longue conversation et les résultats successifs des outils tout en raisonnant sur la tâche.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Conçu pour les processus d’agents
Grok 4.1 Fast (Reasoning) est la configuration de raisonnement de la famille Grok 4.1 Fast de xAI. Elle privilégie l’accomplissement d’une tâche par une séquence de décisions et d’interactions avec des outils, notamment en assistance et en recherche. La fenêtre de contexte annoncée de la famille est de 2 millions de tokens, ce qui est pertinent lorsque les instructions, les références et les résultats des actions précédentes doivent rester réunis. Reasoning et Non-Reasoning sont des configurations nommées séparément avec des approches de réponse différentes.
Entraînement pour des tâches réelles
Le développement du modèle utilise l’apprentissage par renforcement dans des environnements simulés contenant divers outils et domaines de tâches. L’objectif pratique consiste à sélectionner une action appropriée à partir de sa description, à fournir les arguments requis et à poursuivre à partir des informations renvoyées. Une application d’assistance peut lui demander d’identifier une demande client, de récupérer la fiche de service pertinente, de comparer la demande aux règles fournies et de préparer l’étape suivante. Donnez au modèle les politiques et les fiches réelles plutôt que de lui demander d’inventer les règles de fonctionnement manquantes.
Appels d’outils et longues conversations
L’entraînement sur un horizon long et sur plusieurs échanges répond à un problème précis des agents : conserver la tâche lorsque la conversation et l’historique des outils s’allongent. Préparez des descriptions d’outils concises, des champs d’arguments clairs et une définition de ce qui constitue l’achèvement. Gardez les observations renvoyées associées à l’action qui les a produites. Par exemple, un agent qui examine un incident de service peut comparer un extrait de journal à une procédure de dépannage connue et sélectionner la fonction de diagnostic suivante. L’application exécute la fonction sélectionnée ; le modèle interprète son résultat et actualise la réponse.
Récupération, calcul et outils connectés
Les processus du fabricant dotés d’outils combinent récupération sur le Web, recherche dans les documents téléversés, exécution de code et connexions à des outils externes par MCP. Chaque outil fournit des informations ou effectue une opération au-delà de la génération de texte. Une tâche de recherche documentaire peut utiliser des passages récupérés pour comparer des exigences produit ; une tâche de calcul peut utiliser un résultat de code pour expliquer une tendance numérique. Ces capacités dépendent des outils effectivement connectés au processus. Décrivez la source de récupération, l’action autorisée et le résultat attendu afin que le modèle puisse relier son raisonnement aux preuves disponibles.
Résultat de recherche et exactitude factuelle
L’usage de recherche annoncé vise à trouver des informations, à combiner des preuves au fil des étapes et à fournir une réponse à une question définie. Un exemple de consigne utile consiste à comparer plusieurs propositions techniques fournies, à identifier les exigences contradictoires et à renvoyer une recommandation accompagnée des passages justificatifs et des questions ouvertes. Précisez les critères de comparaison et la date ou le périmètre des informations pertinentes. Le travail du fabricant sur l’exactitude factuelle vise les affirmations non étayées, mais il reste utile de vérifier quelles conclusions sont étayées par les éléments récupérés.
Mode et préparation de la sortie
Choisissez cette configuration Reasoning nommée lorsque la tâche exige une analyse avant la réponse finale, et définissez le livrable final : une réponse d’assistance, un tableau de preuves, un plan de diagnostic ou une explication de recherche. Le modèle produit du texte ; les actions externes relèvent des outils de l’application connectée. La capacité de contexte annoncée décrit le périmètre d’entrée et d’historique du modèle nommé d’origine, sans indiquer la taille d’une réponse unique ni promettre que chaque intégration accepte ce volume. Préservez l’identité exacte du modèle et l’historique des outils plutôt que de substituer une autre famille Grok en raison d’un nom similaire.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites grok-4-1-fast-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-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 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-reasoning
Utilisez les chemins de méthode indiqués ci-dessus.
grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) est le modèle de xAI centré sur les outils pour les processus d’assistance, de récupération d’informations et de recherche en plusieurs étapes. Son contexte annoncé de 2 millions de tokens aide à relier les instructions, une longue conversation et les résultats successifs des outils tout en raisonnant sur la tâche.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Conçu pour les processus d’agents
Grok 4.1 Fast (Reasoning) est la configuration de raisonnement de la famille Grok 4.1 Fast de xAI. Elle privilégie l’accomplissement d’une tâche par une séquence de décisions et d’interactions avec des outils, notamment en assistance et en recherche. La fenêtre de contexte annoncée de la famille est de 2 millions de tokens, ce qui est pertinent lorsque les instructions, les références et les résultats des actions précédentes doivent rester réunis. Reasoning et Non-Reasoning sont des configurations nommées séparément avec des approches de réponse différentes.
Entraînement pour des tâches réelles
Le développement du modèle utilise l’apprentissage par renforcement dans des environnements simulés contenant divers outils et domaines de tâches. L’objectif pratique consiste à sélectionner une action appropriée à partir de sa description, à fournir les arguments requis et à poursuivre à partir des informations renvoyées. Une application d’assistance peut lui demander d’identifier une demande client, de récupérer la fiche de service pertinente, de comparer la demande aux règles fournies et de préparer l’étape suivante. Donnez au modèle les politiques et les fiches réelles plutôt que de lui demander d’inventer les règles de fonctionnement manquantes.
Appels d’outils et longues conversations
L’entraînement sur un horizon long et sur plusieurs échanges répond à un problème précis des agents : conserver la tâche lorsque la conversation et l’historique des outils s’allongent. Préparez des descriptions d’outils concises, des champs d’arguments clairs et une définition de ce qui constitue l’achèvement. Gardez les observations renvoyées associées à l’action qui les a produites. Par exemple, un agent qui examine un incident de service peut comparer un extrait de journal à une procédure de dépannage connue et sélectionner la fonction de diagnostic suivante. L’application exécute la fonction sélectionnée ; le modèle interprète son résultat et actualise la réponse.
Récupération, calcul et outils connectés
Les processus du fabricant dotés d’outils combinent récupération sur le Web, recherche dans les documents téléversés, exécution de code et connexions à des outils externes par MCP. Chaque outil fournit des informations ou effectue une opération au-delà de la génération de texte. Une tâche de recherche documentaire peut utiliser des passages récupérés pour comparer des exigences produit ; une tâche de calcul peut utiliser un résultat de code pour expliquer une tendance numérique. Ces capacités dépendent des outils effectivement connectés au processus. Décrivez la source de récupération, l’action autorisée et le résultat attendu afin que le modèle puisse relier son raisonnement aux preuves disponibles.
Résultat de recherche et exactitude factuelle
L’usage de recherche annoncé vise à trouver des informations, à combiner des preuves au fil des étapes et à fournir une réponse à une question définie. Un exemple de consigne utile consiste à comparer plusieurs propositions techniques fournies, à identifier les exigences contradictoires et à renvoyer une recommandation accompagnée des passages justificatifs et des questions ouvertes. Précisez les critères de comparaison et la date ou le périmètre des informations pertinentes. Le travail du fabricant sur l’exactitude factuelle vise les affirmations non étayées, mais il reste utile de vérifier quelles conclusions sont étayées par les éléments récupérés.
Mode et préparation de la sortie
Choisissez cette configuration Reasoning nommée lorsque la tâche exige une analyse avant la réponse finale, et définissez le livrable final : une réponse d’assistance, un tableau de preuves, un plan de diagnostic ou une explication de recherche. Le modèle produit du texte ; les actions externes relèvent des outils de l’application connectée. La capacité de contexte annoncée décrit le périmètre d’entrée et d’historique du modèle nommé d’origine, sans indiquer la taille d’une réponse unique ni promettre que chaque intégration accepte ce volume. Préservez l’identité exacte du modèle et l’historique des outils plutôt que de substituer une autre famille Grok en raison d’un nom similaire.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites grok-4-1-fast-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 $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "grok-4-1-fast-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-reasoning
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.