Grok 2 Vision 1212 ialah edisi input visual dalam keluarga Grok 2 xAI, yang dikenal pasti melalui nama grok-2-vision-1212. Pengeluar membentangkan Grok 2 sebagai model untuk pemahaman teks dan visual, dengan tugasan yang merangkumi soalan dokumen serta penaakulan matematik daripada bahan visual. Pengumuman keluaran 1212 yang terkemudian menerangkan penambahbaikan pematuhan arahan dan tingkah laku berbilang bahasa. Kad ini membincangkan edisi visual bernama ini dan hasil teksnya.
Metadata model pengeluar menyenaraikan teks dan imej sebagai input serta teks sebagai output. Oleh itu, tugasan praktikal bermula dengan bukti visual dan soalan yang tepat. Untuk halaman dokumen, nyatakan medan, bahagian atau hubungan yang anda mahu dijelaskan; untuk carta, kenal pasti label dan kuantiti yang penting; untuk tangkap layar, terangkan matlamat pengguna dan elemen yang anda mahu diperiksa. Tujuannya ialah menghubungkan kandungan yang kelihatan dengan permintaan, dan bukannya meminta penerangan tanpa arah tertentu tentang segala-galanya dalam gambar.
Contoh permintaan dokumen ialah: “Baca tajuk dan medan berlabel pada halaman ini. Kembalikan nilai yang kelihatan, tandakan entri yang tidak dapat dibaca dengan yakin, dan jelaskan petikan yang menyokong jawapan anda.” Permintaan tentang carta mungkin menanyakan hubungan antara dua siri serta meminta supaya nilai yang kelihatan secara langsung dibezakan daripada tafsiran. Untuk foto produk, minta ciri yang kelihatan dan perbandingan dengan spesifikasi bertulis yang dibekalkan. Ini ialah contoh penyediaan dan output berdasarkan keluarga tugasan visual pengeluar, bukannya janji bahawa setiap butiran dapat diperoleh daripada setiap imej.
Contoh model bernama turut merekodkan sokongan output berstruktur dan pemanggilan fungsi. Untuk pengekstrakan, tentukan hasil yang dikehendaki: sebagai contoh, senarai medan, teksnya yang kelihatan dan nota ketidakpastian. Untuk tugasan berbantukan alat, bekalkan penerangan alat yang dibenarkan dan maklumat yang diperlukan untuk operasi. Aplikasi melaksanakan operasi itu dan mengembalikan hasilnya; model kemudian boleh menggunakan maklumat itu dalam jawapan teks seterusnya. Ciri pemahaman imej itu sendiri ialah keupayaan mentafsir imej yang dibekalkan, manakala operasi luaran dilakukan oleh aplikasi yang mengendalikan model.
Edisi ini disenaraikan tanpa mod penaakulan berasingan dalam contoh pengeluar itu. Ia masih boleh menjawab soalan yang memerlukan hubungan dan penjelasan, tetapi mod pemikiran lanjut yang dinyatakan secara khusus bagi keluaran Grok lain patut dikekalkan berasingan. Contoh yang sama menyenaraikan panjang prom maksimum sebanyak 32,768 token. Itulah medan input yang diterbitkan untuk model bernama ini, bukannya panjang jawapan maksimum yang didokumenkan secara berasingan. Sumber utama yang telah dibaca tidak menetapkan had maksimum global yang tepat bagi bilangan imej, resolusi imej atau token output untuk Vision 1212, jadi nilai itu patut diperoleh daripada spesifikasi permintaan tertentu dan bukannya diambil daripada model visual yang lebih baharu.
Nama tetap 1212 juga penting apabila memilih edisi. Keluaran teks sahaja Grok 2 dan produk penjanaan imejnya mengendalikan input dan output yang berbeza. Hasil yang diterangkan di sini ialah jawapan bertulis tentang bahan visual. Ciri yang ditunjukkan dalam aplikasi Grok, seperti pengalaman carian tambahan atau penjanaan imej, ialah integrasi berasingan berasaskan keluarga ini dan patut dibezakan daripada keupayaan entri model bernama ini.
Sediakan halaman yang boleh dibaca dan berikan label kepada setiap imej apabila membandingkan bahan. Nyatakan bahagian imej yang berkaitan, sertakan sebarang takrif atau unit yang diperlukan dalam soalan, dan minta jawapan mengekalkan nama asal. Untuk artifak akhir yang berguna, pilih penjelasan, jadual pengekstrakan atau senarai pemerhatian yang dihubungkan kepada bukti. Jika imej boleh ditafsir dengan lebih daripada satu cara, kekalkan ketidakpastian itu dalam output dan semak bacaan yang membawa kesan penting berbanding bahan asal.
", "aboutText": "Grok 2 Vision 1212 ialah edisi input visual dalam keluarga Grok 2 xAI, yang dikenal pasti melalui nama grok-2-vision-1212. Pengeluar membentangkan Grok 2 sebagai model untuk pemahaman teks dan visual, dengan tugasan yang merangkumi soalan dokumen serta penaakulan matematik daripada bahan visual. Pengumuman keluaran 1212 yang terkemudian menerangkan penambahbaikan pematuhan arahan dan tingkah laku berbilang bahasa. Kad ini membincangkan edisi visual bernama ini dan hasil teksnya.\n\nMetadata model pengeluar menyenaraikan teks dan imej sebagai input serta teks sebagai output. Oleh itu, tugasan praktikal bermula dengan bukti visual dan soalan yang tepat. Untuk halaman dokumen, nyatakan medan, bahagian atau hubungan yang anda mahu dijelaskan; untuk carta, kenal pasti label dan kuantiti yang penting; untuk tangkap layar, terangkan matlamat pengguna dan elemen yang anda mahu diperiksa. Tujuannya ialah menghubungkan kandungan yang kelihatan dengan permintaan, dan bukannya meminta penerangan tanpa arah tertentu tentang segala-galanya dalam gambar.\n\nContoh permintaan dokumen ialah: “Baca tajuk dan medan berlabel pada halaman ini. Kembalikan nilai yang kelihatan, tandakan entri yang tidak dapat dibaca dengan yakin, dan jelaskan petikan yang menyokong jawapan anda.” Permintaan tentang carta mungkin menanyakan hubungan antara dua siri serta meminta supaya nilai yang kelihatan secara langsung dibezakan daripada tafsiran. Untuk foto produk, minta ciri yang kelihatan dan perbandingan dengan spesifikasi bertulis yang dibekalkan. Ini ialah contoh penyediaan dan output berdasarkan keluarga tugasan visual pengeluar, bukannya janji bahawa setiap butiran dapat diperoleh daripada setiap imej.\n\nContoh model bernama turut merekodkan sokongan output berstruktur dan pemanggilan fungsi. Untuk pengekstrakan, tentukan hasil yang dikehendaki: sebagai contoh, senarai medan, teksnya yang kelihatan dan nota ketidakpastian. Untuk tugasan berbantukan alat, bekalkan penerangan alat yang dibenarkan dan maklumat yang diperlukan untuk operasi. Aplikasi melaksanakan operasi itu dan mengembalikan hasilnya; model kemudian boleh menggunakan maklumat itu dalam jawapan teks seterusnya. Ciri pemahaman imej itu sendiri ialah keupayaan mentafsir imej yang dibekalkan, manakala operasi luaran dilakukan oleh aplikasi yang mengendalikan model.\n\nEdisi ini disenaraikan tanpa mod penaakulan berasingan dalam contoh pengeluar itu. Ia masih boleh menjawab soalan yang memerlukan hubungan dan penjelasan, tetapi mod pemikiran lanjut yang dinyatakan secara khusus bagi keluaran Grok lain patut dikekalkan berasingan. Contoh yang sama menyenaraikan panjang prom maksimum sebanyak 32,768 token. Itulah medan input yang diterbitkan untuk model bernama ini, bukannya panjang jawapan maksimum yang didokumenkan secara berasingan. Sumber utama yang telah dibaca tidak menetapkan had maksimum global yang tepat bagi bilangan imej, resolusi imej atau token output untuk Vision 1212, jadi nilai itu patut diperoleh daripada spesifikasi permintaan tertentu dan bukannya diambil daripada model visual yang lebih baharu.\n\nNama tetap 1212 juga penting apabila memilih edisi. Keluaran teks sahaja Grok 2 dan produk penjanaan imejnya mengendalikan input dan output yang berbeza. Hasil yang diterangkan di sini ialah jawapan bertulis tentang bahan visual. Ciri yang ditunjukkan dalam aplikasi Grok, seperti pengalaman carian tambahan atau penjanaan imej, ialah integrasi berasingan berasaskan keluarga ini dan patut dibezakan daripada keupayaan entri model bernama ini.\n\nSediakan halaman yang boleh dibaca dan berikan label kepada setiap imej apabila membandingkan bahan. Nyatakan bahagian imej yang berkaitan, sertakan sebarang takrif atau unit yang diperlukan dalam soalan, dan minta jawapan mengekalkan nama asal. Untuk artifak akhir yang berguna, pilih penjelasan, jadual pengekstrakan atau senarai pemerhatian yang dihubungkan kepada bukti. Jika imej boleh ditafsir dengan lebih daripada satu cara, kekalkan ketidakpastian itu dalam output dan semak bacaan yang membawa kesan penting berbanding bahan asal.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Interpret a transcribed sales chart\n\nUse this chart transcription: January sales 80 units, February 100, March 90. The vertical axis is units, not currency. Write a three-sentence chart caption covering the peak, the change from January to March and one conclusion about revenue that cannot be drawn from these values.A three-sentence caption separating stated sales values, a calculated change and the revenue-information limit.Check that the caption retains units and does not infer revenue or prices from unit counts.grok-2-vision-1212Grok 2 Vision 1212 ialah edisi pemahaman imej xAI untuk soalan tentang dokumen, carta, foto dan tangkap layar. Ia menggabungkan soalan bertulis dengan input visual dan mengembalikan jawapan teks, dengan ciri output berstruktur serta pemanggilan fungsi yang didokumenkan untuk edisi bernama ini.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Grok 2 Vision 1212 ialah edisi input visual dalam keluarga Grok 2 xAI, yang dikenal pasti melalui nama grok-2-vision-1212. Pengeluar membentangkan Grok 2 sebagai model untuk pemahaman teks dan visual, dengan tugasan yang merangkumi soalan dokumen serta penaakulan matematik daripada bahan visual. Pengumuman keluaran 1212 yang terkemudian menerangkan penambahbaikan pematuhan arahan dan tingkah laku berbilang bahasa. Kad ini membincangkan edisi visual bernama ini dan hasil teksnya.
Metadata model pengeluar menyenaraikan teks dan imej sebagai input serta teks sebagai output. Oleh itu, tugasan praktikal bermula dengan bukti visual dan soalan yang tepat. Untuk halaman dokumen, nyatakan medan, bahagian atau hubungan yang anda mahu dijelaskan; untuk carta, kenal pasti label dan kuantiti yang penting; untuk tangkap layar, terangkan matlamat pengguna dan elemen yang anda mahu diperiksa. Tujuannya ialah menghubungkan kandungan yang kelihatan dengan permintaan, dan bukannya meminta penerangan tanpa arah tertentu tentang segala-galanya dalam gambar.
Contoh permintaan dokumen ialah: “Baca tajuk dan medan berlabel pada halaman ini. Kembalikan nilai yang kelihatan, tandakan entri yang tidak dapat dibaca dengan yakin, dan jelaskan petikan yang menyokong jawapan anda.” Permintaan tentang carta mungkin menanyakan hubungan antara dua siri serta meminta supaya nilai yang kelihatan secara langsung dibezakan daripada tafsiran. Untuk foto produk, minta ciri yang kelihatan dan perbandingan dengan spesifikasi bertulis yang dibekalkan. Ini ialah contoh penyediaan dan output berdasarkan keluarga tugasan visual pengeluar, bukannya janji bahawa setiap butiran dapat diperoleh daripada setiap imej.
Contoh model bernama turut merekodkan sokongan output berstruktur dan pemanggilan fungsi. Untuk pengekstrakan, tentukan hasil yang dikehendaki: sebagai contoh, senarai medan, teksnya yang kelihatan dan nota ketidakpastian. Untuk tugasan berbantukan alat, bekalkan penerangan alat yang dibenarkan dan maklumat yang diperlukan untuk operasi. Aplikasi melaksanakan operasi itu dan mengembalikan hasilnya; model kemudian boleh menggunakan maklumat itu dalam jawapan teks seterusnya. Ciri pemahaman imej itu sendiri ialah keupayaan mentafsir imej yang dibekalkan, manakala operasi luaran dilakukan oleh aplikasi yang mengendalikan model.
Edisi ini disenaraikan tanpa mod penaakulan berasingan dalam contoh pengeluar itu. Ia masih boleh menjawab soalan yang memerlukan hubungan dan penjelasan, tetapi mod pemikiran lanjut yang dinyatakan secara khusus bagi keluaran Grok lain patut dikekalkan berasingan. Contoh yang sama menyenaraikan panjang prom maksimum sebanyak 32,768 token. Itulah medan input yang diterbitkan untuk model bernama ini, bukannya panjang jawapan maksimum yang didokumenkan secara berasingan. Sumber utama yang telah dibaca tidak menetapkan had maksimum global yang tepat bagi bilangan imej, resolusi imej atau token output untuk Vision 1212, jadi nilai itu patut diperoleh daripada spesifikasi permintaan tertentu dan bukannya diambil daripada model visual yang lebih baharu.
Nama tetap 1212 juga penting apabila memilih edisi. Keluaran teks sahaja Grok 2 dan produk penjanaan imejnya mengendalikan input dan output yang berbeza. Hasil yang diterangkan di sini ialah jawapan bertulis tentang bahan visual. Ciri yang ditunjukkan dalam aplikasi Grok, seperti pengalaman carian tambahan atau penjanaan imej, ialah integrasi berasingan berasaskan keluarga ini dan patut dibezakan daripada keupayaan entri model bernama ini.
Sediakan halaman yang boleh dibaca dan berikan label kepada setiap imej apabila membandingkan bahan. Nyatakan bahagian imej yang berkaitan, sertakan sebarang takrif atau unit yang diperlukan dalam soalan, dan minta jawapan mengekalkan nama asal. Untuk artifak akhir yang berguna, pilih penjelasan, jadual pengekstrakan atau senarai pemerhatian yang dihubungkan kepada bukti. Jika imej boleh ditafsir dengan lebih daripada satu cara, kekalkan ketidakpastian itu dalam output dan semak bacaan yang membawa kesan penting berbanding bahan asal.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had grok-2-vision-1212 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
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 berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.004 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "grok-2-vision-1212", "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-2-vision-1212',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-2-vision-1212',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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra grok-2-vision-1212
Gunakan laluan kaedah yang dipaparkan di atas.
grok-2-vision-1212Grok 2 Vision 1212 ialah edisi pemahaman imej xAI untuk soalan tentang dokumen, carta, foto dan tangkap layar. Ia menggabungkan soalan bertulis dengan input visual dan mengembalikan jawapan teks, dengan ciri output berstruktur serta pemanggilan fungsi yang didokumenkan untuk edisi bernama ini.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Grok 2 Vision 1212 ialah edisi input visual dalam keluarga Grok 2 xAI, yang dikenal pasti melalui nama grok-2-vision-1212. Pengeluar membentangkan Grok 2 sebagai model untuk pemahaman teks dan visual, dengan tugasan yang merangkumi soalan dokumen serta penaakulan matematik daripada bahan visual. Pengumuman keluaran 1212 yang terkemudian menerangkan penambahbaikan pematuhan arahan dan tingkah laku berbilang bahasa. Kad ini membincangkan edisi visual bernama ini dan hasil teksnya.
Metadata model pengeluar menyenaraikan teks dan imej sebagai input serta teks sebagai output. Oleh itu, tugasan praktikal bermula dengan bukti visual dan soalan yang tepat. Untuk halaman dokumen, nyatakan medan, bahagian atau hubungan yang anda mahu dijelaskan; untuk carta, kenal pasti label dan kuantiti yang penting; untuk tangkap layar, terangkan matlamat pengguna dan elemen yang anda mahu diperiksa. Tujuannya ialah menghubungkan kandungan yang kelihatan dengan permintaan, dan bukannya meminta penerangan tanpa arah tertentu tentang segala-galanya dalam gambar.
Contoh permintaan dokumen ialah: “Baca tajuk dan medan berlabel pada halaman ini. Kembalikan nilai yang kelihatan, tandakan entri yang tidak dapat dibaca dengan yakin, dan jelaskan petikan yang menyokong jawapan anda.” Permintaan tentang carta mungkin menanyakan hubungan antara dua siri serta meminta supaya nilai yang kelihatan secara langsung dibezakan daripada tafsiran. Untuk foto produk, minta ciri yang kelihatan dan perbandingan dengan spesifikasi bertulis yang dibekalkan. Ini ialah contoh penyediaan dan output berdasarkan keluarga tugasan visual pengeluar, bukannya janji bahawa setiap butiran dapat diperoleh daripada setiap imej.
Contoh model bernama turut merekodkan sokongan output berstruktur dan pemanggilan fungsi. Untuk pengekstrakan, tentukan hasil yang dikehendaki: sebagai contoh, senarai medan, teksnya yang kelihatan dan nota ketidakpastian. Untuk tugasan berbantukan alat, bekalkan penerangan alat yang dibenarkan dan maklumat yang diperlukan untuk operasi. Aplikasi melaksanakan operasi itu dan mengembalikan hasilnya; model kemudian boleh menggunakan maklumat itu dalam jawapan teks seterusnya. Ciri pemahaman imej itu sendiri ialah keupayaan mentafsir imej yang dibekalkan, manakala operasi luaran dilakukan oleh aplikasi yang mengendalikan model.
Edisi ini disenaraikan tanpa mod penaakulan berasingan dalam contoh pengeluar itu. Ia masih boleh menjawab soalan yang memerlukan hubungan dan penjelasan, tetapi mod pemikiran lanjut yang dinyatakan secara khusus bagi keluaran Grok lain patut dikekalkan berasingan. Contoh yang sama menyenaraikan panjang prom maksimum sebanyak 32,768 token. Itulah medan input yang diterbitkan untuk model bernama ini, bukannya panjang jawapan maksimum yang didokumenkan secara berasingan. Sumber utama yang telah dibaca tidak menetapkan had maksimum global yang tepat bagi bilangan imej, resolusi imej atau token output untuk Vision 1212, jadi nilai itu patut diperoleh daripada spesifikasi permintaan tertentu dan bukannya diambil daripada model visual yang lebih baharu.
Nama tetap 1212 juga penting apabila memilih edisi. Keluaran teks sahaja Grok 2 dan produk penjanaan imejnya mengendalikan input dan output yang berbeza. Hasil yang diterangkan di sini ialah jawapan bertulis tentang bahan visual. Ciri yang ditunjukkan dalam aplikasi Grok, seperti pengalaman carian tambahan atau penjanaan imej, ialah integrasi berasingan berasaskan keluarga ini dan patut dibezakan daripada keupayaan entri model bernama ini.
Sediakan halaman yang boleh dibaca dan berikan label kepada setiap imej apabila membandingkan bahan. Nyatakan bahagian imej yang berkaitan, sertakan sebarang takrif atau unit yang diperlukan dalam soalan, dan minta jawapan mengekalkan nama asal. Untuk artifak akhir yang berguna, pilih penjelasan, jadual pengekstrakan atau senarai pemerhatian yang dihubungkan kepada bukti. Jika imej boleh ditafsir dengan lebih daripada satu cara, kekalkan ketidakpastian itu dalam output dan semak bacaan yang membawa kesan penting berbanding bahan asal.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had grok-2-vision-1212 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan 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 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.004 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "grok-2-vision-1212",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2-vision-1212', '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-2-vision-1212', '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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra grok-2-vision-1212
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Interpret a transcribed sales chart\n\nUse this chart transcription: January sales 80 units, February 100, March 90. The vertical axis is units, not currency. Write a three-sentence chart caption covering the peak, the change from January to March and one conclusion about revenue that cannot be drawn from these values.A three-sentence caption separating stated sales values, a calculated change and the revenue-information limit.Check that the caption retains units and does not infer revenue or prices from unit counts.