Progettato per i flussi di lavoro degli agenti
Grok 4.1 Fast (Reasoning) è la configurazione di ragionamento della famiglia Grok 4.1 Fast di xAI. Pone l'accento sul completamento di un'attività attraverso una sequenza di decisioni e interazioni con strumenti, in particolare nell'assistenza e nella ricerca. La finestra di contesto annunciata della famiglia è di 2 milioni di token, rendendola pertinente quando istruzioni, materiale di riferimento e risultati delle azioni precedenti devono rimanere insieme. Reasoning e Non-Reasoning sono configurazioni con denominazioni separate e approcci diversi alla risposta.
Addestramento per attività reali
Lo sviluppo del modello usa l'apprendimento per rinforzo in ambienti simulati contenenti strumenti e ambiti di attività diversi. Lo scopo pratico è selezionare un'azione appropriata dalla sua descrizione, fornire gli argomenti richiesti e proseguire dalle informazioni restituite. Un'applicazione di assistenza potrebbe chiedergli di identificare una richiesta del cliente, recuperare il record del servizio pertinente, confrontare la richiesta con le regole fornite e preparare il passo successivo. Fornisci al modello politiche e record effettivi, invece di chiedergli di inventare regole operative mancanti.
Chiamata di strumenti e conversazioni lunghe
L'addestramento su orizzonti lunghi e più turni affronta un problema specifico degli agenti: mantenere l'attività mentre crescono la conversazione e la cronologia degli strumenti. Prepara descrizioni concise degli strumenti, campi degli argomenti chiari e una dichiarazione di ciò che costituisce il completamento. Mantieni le osservazioni restituite collegate all'azione che le ha prodotte. Per esempio, un agente che indaga su un problema di servizio può confrontare un estratto del log con una procedura nota di risoluzione dei problemi e selezionare la successiva funzione diagnostica. L'applicazione esegue la funzione selezionata; il modello ne interpreta il risultato e aggiorna la risposta.
Recupero delle informazioni, calcolo e strumenti collegati
I flussi di lavoro del produttore dotati di strumenti combinano recupero dal web, ricerca nei documenti caricati, esecuzione di codice e connessioni a strumenti esterni tramite MCP. Ogni strumento fornisce informazioni o compie un'operazione che va oltre la generazione testuale. Un'attività di ricerca documentale può usare passaggi recuperati per confrontare i requisiti di un prodotto; un'attività di calcolo può usare il risultato del codice per spiegare una tendenza numerica. Tali capacità dipendono dagli strumenti effettivamente collegati al processo. Descrivi la fonte da cui recuperare le informazioni, l'azione consentita e il risultato atteso, così il modello può collegare il proprio ragionamento alle prove disponibili.
Risultati della ricerca e accuratezza fattuale
L'uso per la ricerca annunciato si concentra sul reperire informazioni, combinare prove tra i passaggi e fornire una risposta a una domanda definita. Un esempio utile di istruzioni è confrontare più proposte tecniche fornite, identificare requisiti in conflitto e restituire una raccomandazione con i passaggi di supporto e le domande aperte. Specifica i criteri di confronto e la data o l'ambito delle informazioni pertinenti. Il lavoro del produttore sull'accuratezza fattuale affronta le affermazioni prive di sostegno, ma il risultato trae comunque beneficio dalla verifica di quali conclusioni siano supportate dal materiale recuperato.
Modalità e preparazione dell'output
Scegli questa configurazione con denominazione Reasoning quando l'attività richiede analisi prima della risposta finale e definisci l'elaborato finale: una risposta di assistenza, una tabella di prove, un piano diagnostico o una spiegazione di ricerca. Il modello produce testo; le azioni esterne appartengono agli strumenti dell'applicazione collegata. La capacità di contesto annunciata descrive l'ambito di input e cronologia del modello originale con quella denominazione, non la dimensione di una singola risposta né la promessa che ogni integrazione accetti tale quantità. Conserva l'identità esatta del modello e la cronologia degli strumenti, invece di sostituire un'altra famiglia Grok in base a un nome simile.
", "aboutText": "Progettato per i flussi di lavoro degli agenti\n\nGrok 4.1 Fast (Reasoning) è la configurazione di ragionamento della famiglia Grok 4.1 Fast di xAI. Pone l'accento sul completamento di un'attività attraverso una sequenza di decisioni e interazioni con strumenti, in particolare nell'assistenza e nella ricerca. La finestra di contesto annunciata della famiglia è di 2 milioni di token, rendendola pertinente quando istruzioni, materiale di riferimento e risultati delle azioni precedenti devono rimanere insieme. Reasoning e Non-Reasoning sono configurazioni con denominazioni separate e approcci diversi alla risposta.\n\nAddestramento per attività reali\n\nLo sviluppo del modello usa l'apprendimento per rinforzo in ambienti simulati contenenti strumenti e ambiti di attività diversi. Lo scopo pratico è selezionare un'azione appropriata dalla sua descrizione, fornire gli argomenti richiesti e proseguire dalle informazioni restituite. Un'applicazione di assistenza potrebbe chiedergli di identificare una richiesta del cliente, recuperare il record del servizio pertinente, confrontare la richiesta con le regole fornite e preparare il passo successivo. Fornisci al modello politiche e record effettivi, invece di chiedergli di inventare regole operative mancanti.\n\nChiamata di strumenti e conversazioni lunghe\n\nL'addestramento su orizzonti lunghi e più turni affronta un problema specifico degli agenti: mantenere l'attività mentre crescono la conversazione e la cronologia degli strumenti. Prepara descrizioni concise degli strumenti, campi degli argomenti chiari e una dichiarazione di ciò che costituisce il completamento. Mantieni le osservazioni restituite collegate all'azione che le ha prodotte. Per esempio, un agente che indaga su un problema di servizio può confrontare un estratto del log con una procedura nota di risoluzione dei problemi e selezionare la successiva funzione diagnostica. L'applicazione esegue la funzione selezionata; il modello ne interpreta il risultato e aggiorna la risposta.\n\nRecupero delle informazioni, calcolo e strumenti collegati\n\nI flussi di lavoro del produttore dotati di strumenti combinano recupero dal web, ricerca nei documenti caricati, esecuzione di codice e connessioni a strumenti esterni tramite MCP. Ogni strumento fornisce informazioni o compie un'operazione che va oltre la generazione testuale. Un'attività di ricerca documentale può usare passaggi recuperati per confrontare i requisiti di un prodotto; un'attività di calcolo può usare il risultato del codice per spiegare una tendenza numerica. Tali capacità dipendono dagli strumenti effettivamente collegati al processo. Descrivi la fonte da cui recuperare le informazioni, l'azione consentita e il risultato atteso, così il modello può collegare il proprio ragionamento alle prove disponibili.\n\nRisultati della ricerca e accuratezza fattuale\n\nL'uso per la ricerca annunciato si concentra sul reperire informazioni, combinare prove tra i passaggi e fornire una risposta a una domanda definita. Un esempio utile di istruzioni è confrontare più proposte tecniche fornite, identificare requisiti in conflitto e restituire una raccomandazione con i passaggi di supporto e le domande aperte. Specifica i criteri di confronto e la data o l'ambito delle informazioni pertinenti. Il lavoro del produttore sull'accuratezza fattuale affronta le affermazioni prive di sostegno, ma il risultato trae comunque beneficio dalla verifica di quali conclusioni siano supportate dal materiale recuperato.\n\nModalità e preparazione dell'output\n\nScegli questa configurazione con denominazione Reasoning quando l'attività richiede analisi prima della risposta finale e definisci l'elaborato finale: una risposta di assistenza, una tabella di prove, un piano diagnostico o una spiegazione di ricerca. Il modello produce testo; le azioni esterne appartengono agli strumenti dell'applicazione collegata. La capacità di contesto annunciata descrive l'ambito di input e cronologia del modello originale con quella denominazione, non la dimensione di una singola risposta né la promessa che ogni integrazione accetti tale quantità. Conserva l'identità esatta del modello e la cronologia degli strumenti, invece di sostituire un'altra famiglia Grok in base a un nome simile.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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) è il modello di xAI incentrato sugli strumenti per flussi di assistenza, recupero delle informazioni e ricerca in più passaggi. Il contesto annunciato di 2 milioni di token aiuta a collegare istruzioni, una lunga conversazione e risultati successivi degli strumenti mentre il modello ragiona sull'attività.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Progettato per i flussi di lavoro degli agenti
Grok 4.1 Fast (Reasoning) è la configurazione di ragionamento della famiglia Grok 4.1 Fast di xAI. Pone l'accento sul completamento di un'attività attraverso una sequenza di decisioni e interazioni con strumenti, in particolare nell'assistenza e nella ricerca. La finestra di contesto annunciata della famiglia è di 2 milioni di token, rendendola pertinente quando istruzioni, materiale di riferimento e risultati delle azioni precedenti devono rimanere insieme. Reasoning e Non-Reasoning sono configurazioni con denominazioni separate e approcci diversi alla risposta.
Addestramento per attività reali
Lo sviluppo del modello usa l'apprendimento per rinforzo in ambienti simulati contenenti strumenti e ambiti di attività diversi. Lo scopo pratico è selezionare un'azione appropriata dalla sua descrizione, fornire gli argomenti richiesti e proseguire dalle informazioni restituite. Un'applicazione di assistenza potrebbe chiedergli di identificare una richiesta del cliente, recuperare il record del servizio pertinente, confrontare la richiesta con le regole fornite e preparare il passo successivo. Fornisci al modello politiche e record effettivi, invece di chiedergli di inventare regole operative mancanti.
Chiamata di strumenti e conversazioni lunghe
L'addestramento su orizzonti lunghi e più turni affronta un problema specifico degli agenti: mantenere l'attività mentre crescono la conversazione e la cronologia degli strumenti. Prepara descrizioni concise degli strumenti, campi degli argomenti chiari e una dichiarazione di ciò che costituisce il completamento. Mantieni le osservazioni restituite collegate all'azione che le ha prodotte. Per esempio, un agente che indaga su un problema di servizio può confrontare un estratto del log con una procedura nota di risoluzione dei problemi e selezionare la successiva funzione diagnostica. L'applicazione esegue la funzione selezionata; il modello ne interpreta il risultato e aggiorna la risposta.
Recupero delle informazioni, calcolo e strumenti collegati
I flussi di lavoro del produttore dotati di strumenti combinano recupero dal web, ricerca nei documenti caricati, esecuzione di codice e connessioni a strumenti esterni tramite MCP. Ogni strumento fornisce informazioni o compie un'operazione che va oltre la generazione testuale. Un'attività di ricerca documentale può usare passaggi recuperati per confrontare i requisiti di un prodotto; un'attività di calcolo può usare il risultato del codice per spiegare una tendenza numerica. Tali capacità dipendono dagli strumenti effettivamente collegati al processo. Descrivi la fonte da cui recuperare le informazioni, l'azione consentita e il risultato atteso, così il modello può collegare il proprio ragionamento alle prove disponibili.
Risultati della ricerca e accuratezza fattuale
L'uso per la ricerca annunciato si concentra sul reperire informazioni, combinare prove tra i passaggi e fornire una risposta a una domanda definita. Un esempio utile di istruzioni è confrontare più proposte tecniche fornite, identificare requisiti in conflitto e restituire una raccomandazione con i passaggi di supporto e le domande aperte. Specifica i criteri di confronto e la data o l'ambito delle informazioni pertinenti. Il lavoro del produttore sull'accuratezza fattuale affronta le affermazioni prive di sostegno, ma il risultato trae comunque beneficio dalla verifica di quali conclusioni siano supportate dal materiale recuperato.
Modalità e preparazione dell'output
Scegli questa configurazione con denominazione Reasoning quando l'attività richiede analisi prima della risposta finale e definisci l'elaborato finale: una risposta di assistenza, una tabella di prove, un piano diagnostico o una spiegazione di ricerca. Il modello produce testo; le azioni esterne appartengono agli strumenti dell'applicazione collegata. La capacità di contesto annunciata descrive l'ambito di input e cronologia del modello originale con quella denominazione, non la dimensione di una singola risposta né la promessa che ogni integrazione accetti tale quantità. Conserva l'identità esatta del modello e la cronologia degli strumenti, invece di sostituire un'altra famiglia Grok in base a un nome simile.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti grok-4-1-fast-reasoning | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0004 / 1K token Output · Token in output $0.001 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "grok-4-1-fast-reasoning", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='grok-4-1-fast-reasoning',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='grok-4-1-fast-reasoning',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra grok-4-1-fast-reasoning
Usa i percorsi dei metodi indicati sopra.
grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) è il modello di xAI incentrato sugli strumenti per flussi di assistenza, recupero delle informazioni e ricerca in più passaggi. Il contesto annunciato di 2 milioni di token aiuta a collegare istruzioni, una lunga conversazione e risultati successivi degli strumenti mentre il modello ragiona sull'attività.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Progettato per i flussi di lavoro degli agenti
Grok 4.1 Fast (Reasoning) è la configurazione di ragionamento della famiglia Grok 4.1 Fast di xAI. Pone l'accento sul completamento di un'attività attraverso una sequenza di decisioni e interazioni con strumenti, in particolare nell'assistenza e nella ricerca. La finestra di contesto annunciata della famiglia è di 2 milioni di token, rendendola pertinente quando istruzioni, materiale di riferimento e risultati delle azioni precedenti devono rimanere insieme. Reasoning e Non-Reasoning sono configurazioni con denominazioni separate e approcci diversi alla risposta.
Addestramento per attività reali
Lo sviluppo del modello usa l'apprendimento per rinforzo in ambienti simulati contenenti strumenti e ambiti di attività diversi. Lo scopo pratico è selezionare un'azione appropriata dalla sua descrizione, fornire gli argomenti richiesti e proseguire dalle informazioni restituite. Un'applicazione di assistenza potrebbe chiedergli di identificare una richiesta del cliente, recuperare il record del servizio pertinente, confrontare la richiesta con le regole fornite e preparare il passo successivo. Fornisci al modello politiche e record effettivi, invece di chiedergli di inventare regole operative mancanti.
Chiamata di strumenti e conversazioni lunghe
L'addestramento su orizzonti lunghi e più turni affronta un problema specifico degli agenti: mantenere l'attività mentre crescono la conversazione e la cronologia degli strumenti. Prepara descrizioni concise degli strumenti, campi degli argomenti chiari e una dichiarazione di ciò che costituisce il completamento. Mantieni le osservazioni restituite collegate all'azione che le ha prodotte. Per esempio, un agente che indaga su un problema di servizio può confrontare un estratto del log con una procedura nota di risoluzione dei problemi e selezionare la successiva funzione diagnostica. L'applicazione esegue la funzione selezionata; il modello ne interpreta il risultato e aggiorna la risposta.
Recupero delle informazioni, calcolo e strumenti collegati
I flussi di lavoro del produttore dotati di strumenti combinano recupero dal web, ricerca nei documenti caricati, esecuzione di codice e connessioni a strumenti esterni tramite MCP. Ogni strumento fornisce informazioni o compie un'operazione che va oltre la generazione testuale. Un'attività di ricerca documentale può usare passaggi recuperati per confrontare i requisiti di un prodotto; un'attività di calcolo può usare il risultato del codice per spiegare una tendenza numerica. Tali capacità dipendono dagli strumenti effettivamente collegati al processo. Descrivi la fonte da cui recuperare le informazioni, l'azione consentita e il risultato atteso, così il modello può collegare il proprio ragionamento alle prove disponibili.
Risultati della ricerca e accuratezza fattuale
L'uso per la ricerca annunciato si concentra sul reperire informazioni, combinare prove tra i passaggi e fornire una risposta a una domanda definita. Un esempio utile di istruzioni è confrontare più proposte tecniche fornite, identificare requisiti in conflitto e restituire una raccomandazione con i passaggi di supporto e le domande aperte. Specifica i criteri di confronto e la data o l'ambito delle informazioni pertinenti. Il lavoro del produttore sull'accuratezza fattuale affronta le affermazioni prive di sostegno, ma il risultato trae comunque beneficio dalla verifica di quali conclusioni siano supportate dal materiale recuperato.
Modalità e preparazione dell'output
Scegli questa configurazione con denominazione Reasoning quando l'attività richiede analisi prima della risposta finale e definisci l'elaborato finale: una risposta di assistenza, una tabella di prove, un piano diagnostico o una spiegazione di ricerca. Il modello produce testo; le azioni esterne appartengono agli strumenti dell'applicazione collegata. La capacità di contesto annunciata descrive l'ambito di input e cronologia del modello originale con quella denominazione, non la dimensione di una singola risposta né la promessa che ogni integrazione accetti tale quantità. Conserva l'identità esatta del modello e la cronologia degli strumenti, invece di sostituire un'altra famiglia Grok in base a un nome simile.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti grok-4-1-fast-reasoning | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0004 / 1K token Output · Token in output $0.001 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "grok-4-1-fast-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'grok-4-1-fast-reasoning', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'grok-4-1-fast-reasoning', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra grok-4-1-fast-reasoning
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.