Ügynöki munkafolyamatokhoz készült
A Grok 4.1 Fast (Reasoning) az xAI Grok 4.1 Fast családjának következtető konfigurációja. A hangsúlyt arra helyezi, hogy döntések és eszközműveletek sorozatán keresztül végezzen el egy feladatot, különösen ügyféltámogatási és kutatási helyzetekben. A család bejelentett kontextusablaka 2 millió token, ezért olyan esetekben lehet hasznos, amikor az utasításoknak, a referenciaanyagoknak és a korábbi műveletek eredményeinek együtt kell maradniuk. A Reasoning és a Non-Reasoning külön elnevezett konfigurációk, eltérő válaszadási megközelítéssel.
Tanítás valós feladatokra
A modell fejlesztése változatos eszközöket és feladatterületeket tartalmazó szimulált környezetekben végzett megerősítéses tanulást alkalmaz. Ennek gyakorlati célja a megfelelő művelet kiválasztása a leírása alapján, a szükséges argumentumok megadása, majd a folytatás a visszakapott információból. Egy ügyféltámogatási alkalmazás például megkérheti a modellt, hogy azonosítsa az ügyfél kérését, keresse ki a vonatkozó szolgáltatási rekordot, vesse össze a kérést a megadott szabályokkal, és készítse elő a következő lépést. Adjon a modellnek tényleges szabályzatokat és nyilvántartási adatokat ahelyett, hogy a hiányzó működési szabályok kitalálását kérné tőle.
Eszközhívás és hosszú beszélgetések
A hosszú távú, többfordulós tanítás egy konkrét ügynöki problémát kezel: a feladat követését, miközben a beszélgetés és az eszközhasználati előzmények bővülnek. Készítsen tömör eszközleírásokat, egyértelmű argumentummezőket, és határozza meg, mi számít befejezésnek. A visszakapott megfigyeléseket kapcsolja az őket előállító művelethez. Például egy szolgáltatási hibát vizsgáló ügynök összevethet egy naplórészletet egy ismert hibaelhárítási eljárással, majd kiválaszthatja a következő diagnosztikai függvényt. A kiválasztott függvényt az alkalmazás hajtja végre; a modell értelmezi az eredményét, és frissíti a választ.
Információ-visszakeresés, számítás és csatlakoztatott eszközök
A fejlesztő eszközökkel támogatott munkafolyamatai webes információ-visszakeresést, feltöltött dokumentumokban való keresést, kódfuttatást és MCP-n keresztüli külső eszközkapcsolatokat egyesítenek. Minden eszköz információt szolgáltat, vagy a szöveggeneráláson túlmutató műveletet végez. Egy dokumentumkutatási feladat a visszakeresett szakaszok alapján hasonlíthat össze termékkövetelményeket; egy számítási feladat egy kódfuttatás eredményével magyarázhat meg egy számszerű trendet. Ezek a képességek a folyamathoz ténylegesen csatlakoztatott eszközöktől függenek. Írja le a visszakeresés forrását, az engedélyezett műveletet és az elvárt eredményt, hogy a modell a rendelkezésre álló bizonyítékokhoz kapcsolhassa a következtetését.
Kutatási eredmény és tényszerűség
A bejelentett kutatási felhasználás az információ megtalálására, a több lépésből származó bizonyítékok összekapcsolására és egy meghatározott kérdés megválaszolására összpontosít. Szemléltető feladatként összehasonlíttathat több megadott műszaki javaslatot, azonosíttathatja az egymásnak ellentmondó követelményeket, és ajánlást kérhet az azt alátámasztó szövegrészletekkel és a nyitott kérdésekkel együtt. Határozza meg az összehasonlítás szempontjait és a releváns információk dátumát vagy körét. A fejlesztő tényszerűséget javító munkája a megalapozatlan állításokat célozza, de az eredményt továbbra is érdemes ellenőrizni abból a szempontból, hogy mely következtetéseket támasztja alá a visszakeresett anyag.
A mód és a kimenet előkészítése
Válassza ezt a név szerint meghatározott Reasoning konfigurációt, ha a feladat a végső válasz előtt elemzést kíván, és határozza meg a végső eredményt: ügyféltámogatási választ, bizonyítéktáblázatot, diagnosztikai tervet vagy kutatási magyarázatot. A modell szöveget ad ki; a külső műveletek a kapcsolódó alkalmazáseszközökhöz tartoznak. A bejelentett kontextuskapacitás az eredeti, név szerint meghatározott modell bemeneti és előzménykezelési keretét írja le, nem egyetlen válasz méretét, és nem ígéri, hogy minden integráció elfogad ekkora mennyiséget. Őrizze meg a pontos modellazonosságot és az eszközhasználati előzményeket ahelyett, hogy hasonló név alapján másik Grok családot helyettesítene be.
", "aboutText": "Ügynöki munkafolyamatokhoz készült\n\nA Grok 4.1 Fast (Reasoning) az xAI Grok 4.1 Fast családjának következtető konfigurációja. A hangsúlyt arra helyezi, hogy döntések és eszközműveletek sorozatán keresztül végezzen el egy feladatot, különösen ügyféltámogatási és kutatási helyzetekben. A család bejelentett kontextusablaka 2 millió token, ezért olyan esetekben lehet hasznos, amikor az utasításoknak, a referenciaanyagoknak és a korábbi műveletek eredményeinek együtt kell maradniuk. A Reasoning és a Non-Reasoning külön elnevezett konfigurációk, eltérő válaszadási megközelítéssel.\n\nTanítás valós feladatokra\n\nA modell fejlesztése változatos eszközöket és feladatterületeket tartalmazó szimulált környezetekben végzett megerősítéses tanulást alkalmaz. Ennek gyakorlati célja a megfelelő művelet kiválasztása a leírása alapján, a szükséges argumentumok megadása, majd a folytatás a visszakapott információból. Egy ügyféltámogatási alkalmazás például megkérheti a modellt, hogy azonosítsa az ügyfél kérését, keresse ki a vonatkozó szolgáltatási rekordot, vesse össze a kérést a megadott szabályokkal, és készítse elő a következő lépést. Adjon a modellnek tényleges szabályzatokat és nyilvántartási adatokat ahelyett, hogy a hiányzó működési szabályok kitalálását kérné tőle.\n\nEszközhívás és hosszú beszélgetések\n\nA hosszú távú, többfordulós tanítás egy konkrét ügynöki problémát kezel: a feladat követését, miközben a beszélgetés és az eszközhasználati előzmények bővülnek. Készítsen tömör eszközleírásokat, egyértelmű argumentummezőket, és határozza meg, mi számít befejezésnek. A visszakapott megfigyeléseket kapcsolja az őket előállító művelethez. Például egy szolgáltatási hibát vizsgáló ügynök összevethet egy naplórészletet egy ismert hibaelhárítási eljárással, majd kiválaszthatja a következő diagnosztikai függvényt. A kiválasztott függvényt az alkalmazás hajtja végre; a modell értelmezi az eredményét, és frissíti a választ.\n\nInformáció-visszakeresés, számítás és csatlakoztatott eszközök\n\nA fejlesztő eszközökkel támogatott munkafolyamatai webes információ-visszakeresést, feltöltött dokumentumokban való keresést, kódfuttatást és MCP-n keresztüli külső eszközkapcsolatokat egyesítenek. Minden eszköz információt szolgáltat, vagy a szöveggeneráláson túlmutató műveletet végez. Egy dokumentumkutatási feladat a visszakeresett szakaszok alapján hasonlíthat össze termékkövetelményeket; egy számítási feladat egy kódfuttatás eredményével magyarázhat meg egy számszerű trendet. Ezek a képességek a folyamathoz ténylegesen csatlakoztatott eszközöktől függenek. Írja le a visszakeresés forrását, az engedélyezett műveletet és az elvárt eredményt, hogy a modell a rendelkezésre álló bizonyítékokhoz kapcsolhassa a következtetését.\n\nKutatási eredmény és tényszerűség\n\nA bejelentett kutatási felhasználás az információ megtalálására, a több lépésből származó bizonyítékok összekapcsolására és egy meghatározott kérdés megválaszolására összpontosít. Szemléltető feladatként összehasonlíttathat több megadott műszaki javaslatot, azonosíttathatja az egymásnak ellentmondó követelményeket, és ajánlást kérhet az azt alátámasztó szövegrészletekkel és a nyitott kérdésekkel együtt. Határozza meg az összehasonlítás szempontjait és a releváns információk dátumát vagy körét. A fejlesztő tényszerűséget javító munkája a megalapozatlan állításokat célozza, de az eredményt továbbra is érdemes ellenőrizni abból a szempontból, hogy mely következtetéseket támasztja alá a visszakeresett anyag.\n\nA mód és a kimenet előkészítése\n\nVálassza ezt a név szerint meghatározott Reasoning konfigurációt, ha a feladat a végső válasz előtt elemzést kíván, és határozza meg a végső eredményt: ügyféltámogatási választ, bizonyítéktáblázatot, diagnosztikai tervet vagy kutatási magyarázatot. A modell szöveget ad ki; a külső műveletek a kapcsolódó alkalmazáseszközökhöz tartoznak. A bejelentett kontextuskapacitás az eredeti, név szerint meghatározott modell bemeneti és előzménykezelési keretét írja le, nem egyetlen válasz méretét, és nem ígéri, hogy minden integráció elfogad ekkora mennyiséget. Őrizze meg a pontos modellazonosságot és az eszközhasználati előzményeket ahelyett, hogy hasonló név alapján másik Grok családot helyettesítene be.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
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-reasoningA Grok 4.1 Fast (Reasoning) az xAI eszközhasználatra összpontosító modellje többlépéses ügyféltámogatási, információ-visszakeresési és kutatási munkafolyamatokhoz. Bejelentett, 2 millió tokenes kontextusa segít összekapcsolni az utasításokat, a hosszú beszélgetést és az egymást követő eszközeredményeket a feladat átgondolása során.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Ügynöki munkafolyamatokhoz készült
A Grok 4.1 Fast (Reasoning) az xAI Grok 4.1 Fast családjának következtető konfigurációja. A hangsúlyt arra helyezi, hogy döntések és eszközműveletek sorozatán keresztül végezzen el egy feladatot, különösen ügyféltámogatási és kutatási helyzetekben. A család bejelentett kontextusablaka 2 millió token, ezért olyan esetekben lehet hasznos, amikor az utasításoknak, a referenciaanyagoknak és a korábbi műveletek eredményeinek együtt kell maradniuk. A Reasoning és a Non-Reasoning külön elnevezett konfigurációk, eltérő válaszadási megközelítéssel.
Tanítás valós feladatokra
A modell fejlesztése változatos eszközöket és feladatterületeket tartalmazó szimulált környezetekben végzett megerősítéses tanulást alkalmaz. Ennek gyakorlati célja a megfelelő művelet kiválasztása a leírása alapján, a szükséges argumentumok megadása, majd a folytatás a visszakapott információból. Egy ügyféltámogatási alkalmazás például megkérheti a modellt, hogy azonosítsa az ügyfél kérését, keresse ki a vonatkozó szolgáltatási rekordot, vesse össze a kérést a megadott szabályokkal, és készítse elő a következő lépést. Adjon a modellnek tényleges szabályzatokat és nyilvántartási adatokat ahelyett, hogy a hiányzó működési szabályok kitalálását kérné tőle.
Eszközhívás és hosszú beszélgetések
A hosszú távú, többfordulós tanítás egy konkrét ügynöki problémát kezel: a feladat követését, miközben a beszélgetés és az eszközhasználati előzmények bővülnek. Készítsen tömör eszközleírásokat, egyértelmű argumentummezőket, és határozza meg, mi számít befejezésnek. A visszakapott megfigyeléseket kapcsolja az őket előállító művelethez. Például egy szolgáltatási hibát vizsgáló ügynök összevethet egy naplórészletet egy ismert hibaelhárítási eljárással, majd kiválaszthatja a következő diagnosztikai függvényt. A kiválasztott függvényt az alkalmazás hajtja végre; a modell értelmezi az eredményét, és frissíti a választ.
Információ-visszakeresés, számítás és csatlakoztatott eszközök
A fejlesztő eszközökkel támogatott munkafolyamatai webes információ-visszakeresést, feltöltött dokumentumokban való keresést, kódfuttatást és MCP-n keresztüli külső eszközkapcsolatokat egyesítenek. Minden eszköz információt szolgáltat, vagy a szöveggeneráláson túlmutató műveletet végez. Egy dokumentumkutatási feladat a visszakeresett szakaszok alapján hasonlíthat össze termékkövetelményeket; egy számítási feladat egy kódfuttatás eredményével magyarázhat meg egy számszerű trendet. Ezek a képességek a folyamathoz ténylegesen csatlakoztatott eszközöktől függenek. Írja le a visszakeresés forrását, az engedélyezett műveletet és az elvárt eredményt, hogy a modell a rendelkezésre álló bizonyítékokhoz kapcsolhassa a következtetését.
Kutatási eredmény és tényszerűség
A bejelentett kutatási felhasználás az információ megtalálására, a több lépésből származó bizonyítékok összekapcsolására és egy meghatározott kérdés megválaszolására összpontosít. Szemléltető feladatként összehasonlíttathat több megadott műszaki javaslatot, azonosíttathatja az egymásnak ellentmondó követelményeket, és ajánlást kérhet az azt alátámasztó szövegrészletekkel és a nyitott kérdésekkel együtt. Határozza meg az összehasonlítás szempontjait és a releváns információk dátumát vagy körét. A fejlesztő tényszerűséget javító munkája a megalapozatlan állításokat célozza, de az eredményt továbbra is érdemes ellenőrizni abból a szempontból, hogy mely következtetéseket támasztja alá a visszakeresett anyag.
A mód és a kimenet előkészítése
Válassza ezt a név szerint meghatározott Reasoning konfigurációt, ha a feladat a végső válasz előtt elemzést kíván, és határozza meg a végső eredményt: ügyféltámogatási választ, bizonyítéktáblázatot, diagnosztikai tervet vagy kutatási magyarázatot. A modell szöveget ad ki; a külső műveletek a kapcsolódó alkalmazáseszközökhöz tartoznak. A bejelentett kontextuskapacitás az eredeti, név szerint meghatározott modell bemeneti és előzménykezelési keretét írja le, nem egyetlen válasz méretét, és nem ígéri, hogy minden integráció elfogad ekkora mennyiséget. Őrizze meg a pontos modellazonosságot és az eszközhasználati előzményeket ahelyett, hogy hasonló név alapján másik Grok családot helyettesítene be.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok grok-4-1-fast-reasoning | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0004 / 1K token Kimenet · Kimeneti tokenek $0.001 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra grok-4-1-fast-reasoning
Használja a fent látható metódusútvonalakat.
grok-4-1-fast-reasoningA Grok 4.1 Fast (Reasoning) az xAI eszközhasználatra összpontosító modellje többlépéses ügyféltámogatási, információ-visszakeresési és kutatási munkafolyamatokhoz. Bejelentett, 2 millió tokenes kontextusa segít összekapcsolni az utasításokat, a hosszú beszélgetést és az egymást követő eszközeredményeket a feladat átgondolása során.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Ügynöki munkafolyamatokhoz készült
A Grok 4.1 Fast (Reasoning) az xAI Grok 4.1 Fast családjának következtető konfigurációja. A hangsúlyt arra helyezi, hogy döntések és eszközműveletek sorozatán keresztül végezzen el egy feladatot, különösen ügyféltámogatási és kutatási helyzetekben. A család bejelentett kontextusablaka 2 millió token, ezért olyan esetekben lehet hasznos, amikor az utasításoknak, a referenciaanyagoknak és a korábbi műveletek eredményeinek együtt kell maradniuk. A Reasoning és a Non-Reasoning külön elnevezett konfigurációk, eltérő válaszadási megközelítéssel.
Tanítás valós feladatokra
A modell fejlesztése változatos eszközöket és feladatterületeket tartalmazó szimulált környezetekben végzett megerősítéses tanulást alkalmaz. Ennek gyakorlati célja a megfelelő művelet kiválasztása a leírása alapján, a szükséges argumentumok megadása, majd a folytatás a visszakapott információból. Egy ügyféltámogatási alkalmazás például megkérheti a modellt, hogy azonosítsa az ügyfél kérését, keresse ki a vonatkozó szolgáltatási rekordot, vesse össze a kérést a megadott szabályokkal, és készítse elő a következő lépést. Adjon a modellnek tényleges szabályzatokat és nyilvántartási adatokat ahelyett, hogy a hiányzó működési szabályok kitalálását kérné tőle.
Eszközhívás és hosszú beszélgetések
A hosszú távú, többfordulós tanítás egy konkrét ügynöki problémát kezel: a feladat követését, miközben a beszélgetés és az eszközhasználati előzmények bővülnek. Készítsen tömör eszközleírásokat, egyértelmű argumentummezőket, és határozza meg, mi számít befejezésnek. A visszakapott megfigyeléseket kapcsolja az őket előállító művelethez. Például egy szolgáltatási hibát vizsgáló ügynök összevethet egy naplórészletet egy ismert hibaelhárítási eljárással, majd kiválaszthatja a következő diagnosztikai függvényt. A kiválasztott függvényt az alkalmazás hajtja végre; a modell értelmezi az eredményét, és frissíti a választ.
Információ-visszakeresés, számítás és csatlakoztatott eszközök
A fejlesztő eszközökkel támogatott munkafolyamatai webes információ-visszakeresést, feltöltött dokumentumokban való keresést, kódfuttatást és MCP-n keresztüli külső eszközkapcsolatokat egyesítenek. Minden eszköz információt szolgáltat, vagy a szöveggeneráláson túlmutató műveletet végez. Egy dokumentumkutatási feladat a visszakeresett szakaszok alapján hasonlíthat össze termékkövetelményeket; egy számítási feladat egy kódfuttatás eredményével magyarázhat meg egy számszerű trendet. Ezek a képességek a folyamathoz ténylegesen csatlakoztatott eszközöktől függenek. Írja le a visszakeresés forrását, az engedélyezett műveletet és az elvárt eredményt, hogy a modell a rendelkezésre álló bizonyítékokhoz kapcsolhassa a következtetését.
Kutatási eredmény és tényszerűség
A bejelentett kutatási felhasználás az információ megtalálására, a több lépésből származó bizonyítékok összekapcsolására és egy meghatározott kérdés megválaszolására összpontosít. Szemléltető feladatként összehasonlíttathat több megadott műszaki javaslatot, azonosíttathatja az egymásnak ellentmondó követelményeket, és ajánlást kérhet az azt alátámasztó szövegrészletekkel és a nyitott kérdésekkel együtt. Határozza meg az összehasonlítás szempontjait és a releváns információk dátumát vagy körét. A fejlesztő tényszerűséget javító munkája a megalapozatlan állításokat célozza, de az eredményt továbbra is érdemes ellenőrizni abból a szempontból, hogy mely következtetéseket támasztja alá a visszakeresett anyag.
A mód és a kimenet előkészítése
Válassza ezt a név szerint meghatározott Reasoning konfigurációt, ha a feladat a végső válasz előtt elemzést kíván, és határozza meg a végső eredményt: ügyféltámogatási választ, bizonyítéktáblázatot, diagnosztikai tervet vagy kutatási magyarázatot. A modell szöveget ad ki; a külső műveletek a kapcsolódó alkalmazáseszközökhöz tartoznak. A bejelentett kontextuskapacitás az eredeti, név szerint meghatározott modell bemeneti és előzménykezelési keretét írja le, nem egyetlen válasz méretét, és nem ígéri, hogy minden integráció elfogad ekkora mennyiséget. Őrizze meg a pontos modellazonosságot és az eszközhasználati előzményeket ahelyett, hogy hasonló név alapján másik Grok családot helyettesítene be.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok grok-4-1-fast-reasoning | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0004 / 1K token Kimenet · Kimeneti tokenek $0.001 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "grok-4-1-fast-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra grok-4-1-fast-reasoning
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
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.