Dirancang untuk alur kerja agen
Grok 4.1 Fast (Reasoning) adalah konfigurasi penalaran dalam keluarga Grok 4.1 Fast dari xAI. Penekanannya adalah menyelesaikan tugas melalui rangkaian keputusan dan interaksi alat, khususnya dalam dukungan dan riset. Jendela konteks keluarga ini yang diumumkan sebesar 2 juta token menjadikannya relevan ketika instruksi, materi referensi, dan hasil tindakan sebelumnya perlu tetap tersimpan bersama. Reasoning dan Non-Reasoning adalah konfigurasi bernama yang terpisah dengan pendekatan respons berbeda.
Pelatihan untuk tugas nyata
Pengembangan model menggunakan pembelajaran penguatan dalam lingkungan simulasi yang berisi beragam alat dan domain tugas. Tujuan praktisnya adalah memilih tindakan yang sesuai dari deskripsinya, memberikan argumen yang diperlukan, dan melanjutkan berdasarkan informasi yang dikembalikan. Aplikasi dukungan dapat memintanya mengidentifikasi permintaan pelanggan, mengambil catatan layanan yang relevan, membandingkan permintaan dengan aturan yang diberikan, dan menyiapkan langkah berikutnya. Beri model kebijakan dan catatan yang nyata, alih-alih memintanya mengarang aturan operasional yang tidak tersedia.
Pemanggilan alat dan percakapan panjang
Pelatihan dengan rentang panjang dan beberapa giliran menangani masalah agen yang spesifik: mempertahankan tugas ketika riwayat percakapan dan alat bertambah. Siapkan deskripsi alat yang singkat, kolom argumen yang jelas, dan pernyataan tentang apa yang dianggap sebagai penyelesaian. Jaga hasil pengamatan yang dikembalikan tetap terkait dengan tindakan yang menghasilkannya. Misalnya, agen yang menyelidiki masalah layanan dapat membandingkan kutipan log dengan prosedur pemecahan masalah yang diketahui dan memilih fungsi diagnostik berikutnya. Aplikasi menjalankan fungsi yang dipilih; model menafsirkan hasilnya dan memperbarui respons.
Pengambilan informasi, komputasi, dan alat terhubung
Alur kerja pembuatnya yang dilengkapi alat menggabungkan pengambilan informasi web, pencarian di dalam dokumen yang diunggah, eksekusi kode, dan koneksi ke alat eksternal melalui MCP. Setiap alat menyediakan informasi atau menjalankan operasi di luar pembuatan teks. Tugas riset dokumen dapat menggunakan bagian yang diambil untuk membandingkan persyaratan produk; tugas komputasi dapat menggunakan hasil kode untuk menjelaskan tren numerik. Kemampuan tersebut bergantung pada alat yang benar-benar terhubung ke proses. Jelaskan sumber pengambilan informasi, tindakan yang diizinkan, dan hasil yang diharapkan agar model dapat menghubungkan penalarannya dengan bukti yang tersedia.
Keluaran riset dan ketepatan fakta
Penggunaan riset yang diumumkan berfokus pada pencarian informasi, penggabungan bukti lintas langkah, dan penyampaian jawaban atas pertanyaan yang jelas. Contoh arahan yang berguna adalah membandingkan beberapa usulan teknis yang diberikan, mengidentifikasi persyaratan yang bertentangan, dan mengembalikan rekomendasi dengan bagian pendukung serta pertanyaan terbuka. Tentukan kriteria perbandingan dan tanggal atau cakupan informasi yang relevan. Upaya pembuatnya terkait ketepatan fakta menangani klaim yang tidak didukung, tetapi hasil tetap perlu diperiksa untuk mengetahui kesimpulan mana yang didukung oleh materi yang diambil.
Penyiapan mode dan keluaran
Pilih konfigurasi Reasoning bernama ini saat tugas memerlukan analisis sebelum respons akhir, dan tentukan artefak akhir: balasan dukungan, tabel bukti, rencana diagnostik, atau penjelasan riset. Model menghasilkan teks; tindakan eksternal dilakukan oleh alat aplikasi yang terhubung. Kapasitas konteks yang diumumkan menjelaskan cakupan masukan dan riwayat model bernama asli, bukan ukuran satu jawaban atau janji bahwa setiap integrasi menerima jumlah tersebut. Pertahankan identitas model yang persis sama dan riwayat alat, alih-alih mengganti dengan keluarga Grok lain berdasarkan nama yang mirip.
", "aboutText": "Dirancang untuk alur kerja agen\n\nGrok 4.1 Fast (Reasoning) adalah konfigurasi penalaran dalam keluarga Grok 4.1 Fast dari xAI. Penekanannya adalah menyelesaikan tugas melalui rangkaian keputusan dan interaksi alat, khususnya dalam dukungan dan riset. Jendela konteks keluarga ini yang diumumkan sebesar 2 juta token menjadikannya relevan ketika instruksi, materi referensi, dan hasil tindakan sebelumnya perlu tetap tersimpan bersama. Reasoning dan Non-Reasoning adalah konfigurasi bernama yang terpisah dengan pendekatan respons berbeda.\n\nPelatihan untuk tugas nyata\n\nPengembangan model menggunakan pembelajaran penguatan dalam lingkungan simulasi yang berisi beragam alat dan domain tugas. Tujuan praktisnya adalah memilih tindakan yang sesuai dari deskripsinya, memberikan argumen yang diperlukan, dan melanjutkan berdasarkan informasi yang dikembalikan. Aplikasi dukungan dapat memintanya mengidentifikasi permintaan pelanggan, mengambil catatan layanan yang relevan, membandingkan permintaan dengan aturan yang diberikan, dan menyiapkan langkah berikutnya. Beri model kebijakan dan catatan yang nyata, alih-alih memintanya mengarang aturan operasional yang tidak tersedia.\n\nPemanggilan alat dan percakapan panjang\n\nPelatihan dengan rentang panjang dan beberapa giliran menangani masalah agen yang spesifik: mempertahankan tugas ketika riwayat percakapan dan alat bertambah. Siapkan deskripsi alat yang singkat, kolom argumen yang jelas, dan pernyataan tentang apa yang dianggap sebagai penyelesaian. Jaga hasil pengamatan yang dikembalikan tetap terkait dengan tindakan yang menghasilkannya. Misalnya, agen yang menyelidiki masalah layanan dapat membandingkan kutipan log dengan prosedur pemecahan masalah yang diketahui dan memilih fungsi diagnostik berikutnya. Aplikasi menjalankan fungsi yang dipilih; model menafsirkan hasilnya dan memperbarui respons.\n\nPengambilan informasi, komputasi, dan alat terhubung\n\nAlur kerja pembuatnya yang dilengkapi alat menggabungkan pengambilan informasi web, pencarian di dalam dokumen yang diunggah, eksekusi kode, dan koneksi ke alat eksternal melalui MCP. Setiap alat menyediakan informasi atau menjalankan operasi di luar pembuatan teks. Tugas riset dokumen dapat menggunakan bagian yang diambil untuk membandingkan persyaratan produk; tugas komputasi dapat menggunakan hasil kode untuk menjelaskan tren numerik. Kemampuan tersebut bergantung pada alat yang benar-benar terhubung ke proses. Jelaskan sumber pengambilan informasi, tindakan yang diizinkan, dan hasil yang diharapkan agar model dapat menghubungkan penalarannya dengan bukti yang tersedia.\n\nKeluaran riset dan ketepatan fakta\n\nPenggunaan riset yang diumumkan berfokus pada pencarian informasi, penggabungan bukti lintas langkah, dan penyampaian jawaban atas pertanyaan yang jelas. Contoh arahan yang berguna adalah membandingkan beberapa usulan teknis yang diberikan, mengidentifikasi persyaratan yang bertentangan, dan mengembalikan rekomendasi dengan bagian pendukung serta pertanyaan terbuka. Tentukan kriteria perbandingan dan tanggal atau cakupan informasi yang relevan. Upaya pembuatnya terkait ketepatan fakta menangani klaim yang tidak didukung, tetapi hasil tetap perlu diperiksa untuk mengetahui kesimpulan mana yang didukung oleh materi yang diambil.\n\nPenyiapan mode dan keluaran\n\nPilih konfigurasi Reasoning bernama ini saat tugas memerlukan analisis sebelum respons akhir, dan tentukan artefak akhir: balasan dukungan, tabel bukti, rencana diagnostik, atau penjelasan riset. Model menghasilkan teks; tindakan eksternal dilakukan oleh alat aplikasi yang terhubung. Kapasitas konteks yang diumumkan menjelaskan cakupan masukan dan riwayat model bernama asli, bukan ukuran satu jawaban atau janji bahwa setiap integrasi menerima jumlah tersebut. Pertahankan identitas model yang persis sama dan riwayat alat, alih-alih mengganti dengan keluarga Grok lain berdasarkan nama yang mirip.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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) adalah model xAI yang berfokus pada alat untuk alur kerja dukungan, pengambilan informasi, dan riset dengan beberapa langkah. Konteks 2 juta token yang diumumkan membantu menghubungkan instruksi, percakapan panjang, dan hasil alat berturut-turut sambil menalar tugas.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Dirancang untuk alur kerja agen
Grok 4.1 Fast (Reasoning) adalah konfigurasi penalaran dalam keluarga Grok 4.1 Fast dari xAI. Penekanannya adalah menyelesaikan tugas melalui rangkaian keputusan dan interaksi alat, khususnya dalam dukungan dan riset. Jendela konteks keluarga ini yang diumumkan sebesar 2 juta token menjadikannya relevan ketika instruksi, materi referensi, dan hasil tindakan sebelumnya perlu tetap tersimpan bersama. Reasoning dan Non-Reasoning adalah konfigurasi bernama yang terpisah dengan pendekatan respons berbeda.
Pelatihan untuk tugas nyata
Pengembangan model menggunakan pembelajaran penguatan dalam lingkungan simulasi yang berisi beragam alat dan domain tugas. Tujuan praktisnya adalah memilih tindakan yang sesuai dari deskripsinya, memberikan argumen yang diperlukan, dan melanjutkan berdasarkan informasi yang dikembalikan. Aplikasi dukungan dapat memintanya mengidentifikasi permintaan pelanggan, mengambil catatan layanan yang relevan, membandingkan permintaan dengan aturan yang diberikan, dan menyiapkan langkah berikutnya. Beri model kebijakan dan catatan yang nyata, alih-alih memintanya mengarang aturan operasional yang tidak tersedia.
Pemanggilan alat dan percakapan panjang
Pelatihan dengan rentang panjang dan beberapa giliran menangani masalah agen yang spesifik: mempertahankan tugas ketika riwayat percakapan dan alat bertambah. Siapkan deskripsi alat yang singkat, kolom argumen yang jelas, dan pernyataan tentang apa yang dianggap sebagai penyelesaian. Jaga hasil pengamatan yang dikembalikan tetap terkait dengan tindakan yang menghasilkannya. Misalnya, agen yang menyelidiki masalah layanan dapat membandingkan kutipan log dengan prosedur pemecahan masalah yang diketahui dan memilih fungsi diagnostik berikutnya. Aplikasi menjalankan fungsi yang dipilih; model menafsirkan hasilnya dan memperbarui respons.
Pengambilan informasi, komputasi, dan alat terhubung
Alur kerja pembuatnya yang dilengkapi alat menggabungkan pengambilan informasi web, pencarian di dalam dokumen yang diunggah, eksekusi kode, dan koneksi ke alat eksternal melalui MCP. Setiap alat menyediakan informasi atau menjalankan operasi di luar pembuatan teks. Tugas riset dokumen dapat menggunakan bagian yang diambil untuk membandingkan persyaratan produk; tugas komputasi dapat menggunakan hasil kode untuk menjelaskan tren numerik. Kemampuan tersebut bergantung pada alat yang benar-benar terhubung ke proses. Jelaskan sumber pengambilan informasi, tindakan yang diizinkan, dan hasil yang diharapkan agar model dapat menghubungkan penalarannya dengan bukti yang tersedia.
Keluaran riset dan ketepatan fakta
Penggunaan riset yang diumumkan berfokus pada pencarian informasi, penggabungan bukti lintas langkah, dan penyampaian jawaban atas pertanyaan yang jelas. Contoh arahan yang berguna adalah membandingkan beberapa usulan teknis yang diberikan, mengidentifikasi persyaratan yang bertentangan, dan mengembalikan rekomendasi dengan bagian pendukung serta pertanyaan terbuka. Tentukan kriteria perbandingan dan tanggal atau cakupan informasi yang relevan. Upaya pembuatnya terkait ketepatan fakta menangani klaim yang tidak didukung, tetapi hasil tetap perlu diperiksa untuk mengetahui kesimpulan mana yang didukung oleh materi yang diambil.
Penyiapan mode dan keluaran
Pilih konfigurasi Reasoning bernama ini saat tugas memerlukan analisis sebelum respons akhir, dan tentukan artefak akhir: balasan dukungan, tabel bukti, rencana diagnostik, atau penjelasan riset. Model menghasilkan teks; tindakan eksternal dilakukan oleh alat aplikasi yang terhubung. Kapasitas konteks yang diumumkan menjelaskan cakupan masukan dan riwayat model bernama asli, bukan ukuran satu jawaban atau janji bahwa setiap integrasi menerima jumlah tersebut. Pertahankan identitas model yang persis sama dan riwayat alat, alih-alih mengganti dengan keluarga Grok lain berdasarkan nama yang mirip.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan grok-4-1-fast-reasoning | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.001 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra grok-4-1-fast-reasoning
Gunakan jalur metode yang ditampilkan di atas.
grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) adalah model xAI yang berfokus pada alat untuk alur kerja dukungan, pengambilan informasi, dan riset dengan beberapa langkah. Konteks 2 juta token yang diumumkan membantu menghubungkan instruksi, percakapan panjang, dan hasil alat berturut-turut sambil menalar tugas.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Dirancang untuk alur kerja agen
Grok 4.1 Fast (Reasoning) adalah konfigurasi penalaran dalam keluarga Grok 4.1 Fast dari xAI. Penekanannya adalah menyelesaikan tugas melalui rangkaian keputusan dan interaksi alat, khususnya dalam dukungan dan riset. Jendela konteks keluarga ini yang diumumkan sebesar 2 juta token menjadikannya relevan ketika instruksi, materi referensi, dan hasil tindakan sebelumnya perlu tetap tersimpan bersama. Reasoning dan Non-Reasoning adalah konfigurasi bernama yang terpisah dengan pendekatan respons berbeda.
Pelatihan untuk tugas nyata
Pengembangan model menggunakan pembelajaran penguatan dalam lingkungan simulasi yang berisi beragam alat dan domain tugas. Tujuan praktisnya adalah memilih tindakan yang sesuai dari deskripsinya, memberikan argumen yang diperlukan, dan melanjutkan berdasarkan informasi yang dikembalikan. Aplikasi dukungan dapat memintanya mengidentifikasi permintaan pelanggan, mengambil catatan layanan yang relevan, membandingkan permintaan dengan aturan yang diberikan, dan menyiapkan langkah berikutnya. Beri model kebijakan dan catatan yang nyata, alih-alih memintanya mengarang aturan operasional yang tidak tersedia.
Pemanggilan alat dan percakapan panjang
Pelatihan dengan rentang panjang dan beberapa giliran menangani masalah agen yang spesifik: mempertahankan tugas ketika riwayat percakapan dan alat bertambah. Siapkan deskripsi alat yang singkat, kolom argumen yang jelas, dan pernyataan tentang apa yang dianggap sebagai penyelesaian. Jaga hasil pengamatan yang dikembalikan tetap terkait dengan tindakan yang menghasilkannya. Misalnya, agen yang menyelidiki masalah layanan dapat membandingkan kutipan log dengan prosedur pemecahan masalah yang diketahui dan memilih fungsi diagnostik berikutnya. Aplikasi menjalankan fungsi yang dipilih; model menafsirkan hasilnya dan memperbarui respons.
Pengambilan informasi, komputasi, dan alat terhubung
Alur kerja pembuatnya yang dilengkapi alat menggabungkan pengambilan informasi web, pencarian di dalam dokumen yang diunggah, eksekusi kode, dan koneksi ke alat eksternal melalui MCP. Setiap alat menyediakan informasi atau menjalankan operasi di luar pembuatan teks. Tugas riset dokumen dapat menggunakan bagian yang diambil untuk membandingkan persyaratan produk; tugas komputasi dapat menggunakan hasil kode untuk menjelaskan tren numerik. Kemampuan tersebut bergantung pada alat yang benar-benar terhubung ke proses. Jelaskan sumber pengambilan informasi, tindakan yang diizinkan, dan hasil yang diharapkan agar model dapat menghubungkan penalarannya dengan bukti yang tersedia.
Keluaran riset dan ketepatan fakta
Penggunaan riset yang diumumkan berfokus pada pencarian informasi, penggabungan bukti lintas langkah, dan penyampaian jawaban atas pertanyaan yang jelas. Contoh arahan yang berguna adalah membandingkan beberapa usulan teknis yang diberikan, mengidentifikasi persyaratan yang bertentangan, dan mengembalikan rekomendasi dengan bagian pendukung serta pertanyaan terbuka. Tentukan kriteria perbandingan dan tanggal atau cakupan informasi yang relevan. Upaya pembuatnya terkait ketepatan fakta menangani klaim yang tidak didukung, tetapi hasil tetap perlu diperiksa untuk mengetahui kesimpulan mana yang didukung oleh materi yang diambil.
Penyiapan mode dan keluaran
Pilih konfigurasi Reasoning bernama ini saat tugas memerlukan analisis sebelum respons akhir, dan tentukan artefak akhir: balasan dukungan, tabel bukti, rencana diagnostik, atau penjelasan riset. Model menghasilkan teks; tindakan eksternal dilakukan oleh alat aplikasi yang terhubung. Kapasitas konteks yang diumumkan menjelaskan cakupan masukan dan riwayat model bernama asli, bukan ukuran satu jawaban atau janji bahwa setiap integrasi menerima jumlah tersebut. Pertahankan identitas model yang persis sama dan riwayat alat, alih-alih mengganti dengan keluarga Grok lain berdasarkan nama yang mirip.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan grok-4-1-fast-reasoning | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.001 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "grok-4-1-fast-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra grok-4-1-fast-reasoning
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.