Utviklet for agentarbeidsflyter
Grok 4.1 Fast (Reasoning) er resonneringskonfigurasjonen i xAIs Grok 4.1 Fast-familie. Den legger vekt på å fullføre en oppgave gjennom en rekke beslutninger og verktøyinteraksjoner, særlig innen støtte og forskning. Familiens annonserte kontekstvindu er 2 millioner tokener, noe som gjør den relevant når instruksjoner, referansemateriale og resultater fra tidligere handlinger må holdes samlet. Reasoning og Non-Reasoning er separate navngitte konfigurasjoner med ulike tilnærminger til svar.
Trening for virkelige oppgaver
Modellutviklingen bruker forsterkningslæring i simulerte miljøer med ulike verktøy og oppgaveområder. Det praktiske formålet er å velge en passende handling ut fra beskrivelsen, oppgi nødvendige argumenter og fortsette på grunnlag av den returnerte informasjonen. En støtteapplikasjon kan be den identifisere en kundeforespørsel, hente den relevante tjenesteposten, sammenligne forespørselen med innsendte regler og forberede neste trinn. Gi modellen faktiske retningslinjer og poster fremfor å be den finne på manglende driftsregler.
Verktøykall og lange samtaler
Trening over mange trinn og samtaleturer retter seg mot et bestemt agentproblem: å holde fast ved oppgaven når samtale- og verktøyhistorikken vokser. Klargjør korte verktøybeskrivelser, tydelige argumentfelt og en angivelse av hva som regnes som fullført. Hold returnerte observasjoner knyttet til handlingen som frembrakte dem. En agent som undersøker et tjenesteproblem, kan for eksempel sammenligne et loggutdrag med en kjent feilsøkingsprosedyre og velge neste diagnosefunksjon. Applikasjonen utfører den valgte funksjonen; modellen tolker resultatet og oppdaterer svaret.
Informasjonsinnhenting, beregninger og tilkoblede verktøy
Produsentens verktøybaserte arbeidsflyter kombinerer innhenting fra nettet, søk i opplastede dokumenter, kodekjøring og tilkobling til eksterne verktøy gjennom MCP. Hvert verktøy leverer informasjon eller utfører en operasjon utover tekstgenerering. En dokumentbasert forskningsoppgave kan bruke innhentede avsnitt til å sammenligne produktkrav; en beregningsoppgave kan bruke et koderesultat til å forklare en numerisk trend. Disse funksjonene avhenger av verktøyene som faktisk er tilkoblet prosessen. Beskriv innhentingskilden, tillatt handling og forventet resultat, slik at modellen kan knytte resonneringen til tilgjengelig dokumentasjon.
Forskningsresultater og faktapresisjon
Den annonserte forskningsbruken handler om å finne informasjon, kombinere dokumentasjon på tvers av trinn og levere et svar på et definert spørsmål. Et nyttig illustrerende oppdrag er å sammenligne flere innsendte tekniske forslag, identifisere motstridende krav og returnere en anbefaling med underbyggende avsnitt og åpne spørsmål. Angi sammenligningskriteriene og datoen eller avgrensningen for relevant informasjon. Produsentens arbeid med faktapresisjon tar sikte på å håndtere udokumenterte påstander, men resultatet har fortsatt nytte av at man kontrollerer hvilke konklusjoner som støttes av det innhentede materialet.
Valg av modus og klargjøring av utdata
Velg denne navngitte Reasoning-konfigurasjonen når oppgaven krever analyse før det endelige svaret, og definer sluttartefakten: et støttesvar, en dokumentasjonstabell, en diagnoseplan eller en forskningsforklaring. Modellen gir tekst som utdata; eksterne handlinger utføres av applikasjonens tilkoblede verktøy. Den annonserte kontekstkapasiteten beskriver inndata- og historikkomfanget til den opprinnelige navngitte modellen, ikke størrelsen på ett enkelt svar eller et løfte om at hver integrasjon tar imot denne mengden. Bevar den nøyaktige modellidentiteten og verktøyhistorikken fremfor å erstatte den med en annen Grok-familie på grunnlag av et lignende navn.
", "aboutText": "Utviklet for agentarbeidsflyter\n\nGrok 4.1 Fast (Reasoning) er resonneringskonfigurasjonen i xAIs Grok 4.1 Fast-familie. Den legger vekt på å fullføre en oppgave gjennom en rekke beslutninger og verktøyinteraksjoner, særlig innen støtte og forskning. Familiens annonserte kontekstvindu er 2 millioner tokener, noe som gjør den relevant når instruksjoner, referansemateriale og resultater fra tidligere handlinger må holdes samlet. Reasoning og Non-Reasoning er separate navngitte konfigurasjoner med ulike tilnærminger til svar.\n\nTrening for virkelige oppgaver\n\nModellutviklingen bruker forsterkningslæring i simulerte miljøer med ulike verktøy og oppgaveområder. Det praktiske formålet er å velge en passende handling ut fra beskrivelsen, oppgi nødvendige argumenter og fortsette på grunnlag av den returnerte informasjonen. En støtteapplikasjon kan be den identifisere en kundeforespørsel, hente den relevante tjenesteposten, sammenligne forespørselen med innsendte regler og forberede neste trinn. Gi modellen faktiske retningslinjer og poster fremfor å be den finne på manglende driftsregler.\n\nVerktøykall og lange samtaler\n\nTrening over mange trinn og samtaleturer retter seg mot et bestemt agentproblem: å holde fast ved oppgaven når samtale- og verktøyhistorikken vokser. Klargjør korte verktøybeskrivelser, tydelige argumentfelt og en angivelse av hva som regnes som fullført. Hold returnerte observasjoner knyttet til handlingen som frembrakte dem. En agent som undersøker et tjenesteproblem, kan for eksempel sammenligne et loggutdrag med en kjent feilsøkingsprosedyre og velge neste diagnosefunksjon. Applikasjonen utfører den valgte funksjonen; modellen tolker resultatet og oppdaterer svaret.\n\nInformasjonsinnhenting, beregninger og tilkoblede verktøy\n\nProdusentens verktøybaserte arbeidsflyter kombinerer innhenting fra nettet, søk i opplastede dokumenter, kodekjøring og tilkobling til eksterne verktøy gjennom MCP. Hvert verktøy leverer informasjon eller utfører en operasjon utover tekstgenerering. En dokumentbasert forskningsoppgave kan bruke innhentede avsnitt til å sammenligne produktkrav; en beregningsoppgave kan bruke et koderesultat til å forklare en numerisk trend. Disse funksjonene avhenger av verktøyene som faktisk er tilkoblet prosessen. Beskriv innhentingskilden, tillatt handling og forventet resultat, slik at modellen kan knytte resonneringen til tilgjengelig dokumentasjon.\n\nForskningsresultater og faktapresisjon\n\nDen annonserte forskningsbruken handler om å finne informasjon, kombinere dokumentasjon på tvers av trinn og levere et svar på et definert spørsmål. Et nyttig illustrerende oppdrag er å sammenligne flere innsendte tekniske forslag, identifisere motstridende krav og returnere en anbefaling med underbyggende avsnitt og åpne spørsmål. Angi sammenligningskriteriene og datoen eller avgrensningen for relevant informasjon. Produsentens arbeid med faktapresisjon tar sikte på å håndtere udokumenterte påstander, men resultatet har fortsatt nytte av at man kontrollerer hvilke konklusjoner som støttes av det innhentede materialet.\n\nValg av modus og klargjøring av utdata\n\nVelg denne navngitte Reasoning-konfigurasjonen når oppgaven krever analyse før det endelige svaret, og definer sluttartefakten: et støttesvar, en dokumentasjonstabell, en diagnoseplan eller en forskningsforklaring. Modellen gir tekst som utdata; eksterne handlinger utføres av applikasjonens tilkoblede verktøy. Den annonserte kontekstkapasiteten beskriver inndata- og historikkomfanget til den opprinnelige navngitte modellen, ikke størrelsen på ett enkelt svar eller et løfte om at hver integrasjon tar imot denne mengden. Bevar den nøyaktige modellidentiteten og verktøyhistorikken fremfor å erstatte den med en annen Grok-familie på grunnlag av et lignende navn.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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) er xAIs verktøyorienterte modell for støtte-, informasjonsinnhentings- og forskningsarbeidsflyter i flere trinn. Den annonserte konteksten på 2 millioner tokener bidrar til å knytte sammen instruksjoner, en lang samtale og påfølgende verktøyresultater mens modellen resonnerer seg gjennom oppgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Utviklet for agentarbeidsflyter
Grok 4.1 Fast (Reasoning) er resonneringskonfigurasjonen i xAIs Grok 4.1 Fast-familie. Den legger vekt på å fullføre en oppgave gjennom en rekke beslutninger og verktøyinteraksjoner, særlig innen støtte og forskning. Familiens annonserte kontekstvindu er 2 millioner tokener, noe som gjør den relevant når instruksjoner, referansemateriale og resultater fra tidligere handlinger må holdes samlet. Reasoning og Non-Reasoning er separate navngitte konfigurasjoner med ulike tilnærminger til svar.
Trening for virkelige oppgaver
Modellutviklingen bruker forsterkningslæring i simulerte miljøer med ulike verktøy og oppgaveområder. Det praktiske formålet er å velge en passende handling ut fra beskrivelsen, oppgi nødvendige argumenter og fortsette på grunnlag av den returnerte informasjonen. En støtteapplikasjon kan be den identifisere en kundeforespørsel, hente den relevante tjenesteposten, sammenligne forespørselen med innsendte regler og forberede neste trinn. Gi modellen faktiske retningslinjer og poster fremfor å be den finne på manglende driftsregler.
Verktøykall og lange samtaler
Trening over mange trinn og samtaleturer retter seg mot et bestemt agentproblem: å holde fast ved oppgaven når samtale- og verktøyhistorikken vokser. Klargjør korte verktøybeskrivelser, tydelige argumentfelt og en angivelse av hva som regnes som fullført. Hold returnerte observasjoner knyttet til handlingen som frembrakte dem. En agent som undersøker et tjenesteproblem, kan for eksempel sammenligne et loggutdrag med en kjent feilsøkingsprosedyre og velge neste diagnosefunksjon. Applikasjonen utfører den valgte funksjonen; modellen tolker resultatet og oppdaterer svaret.
Informasjonsinnhenting, beregninger og tilkoblede verktøy
Produsentens verktøybaserte arbeidsflyter kombinerer innhenting fra nettet, søk i opplastede dokumenter, kodekjøring og tilkobling til eksterne verktøy gjennom MCP. Hvert verktøy leverer informasjon eller utfører en operasjon utover tekstgenerering. En dokumentbasert forskningsoppgave kan bruke innhentede avsnitt til å sammenligne produktkrav; en beregningsoppgave kan bruke et koderesultat til å forklare en numerisk trend. Disse funksjonene avhenger av verktøyene som faktisk er tilkoblet prosessen. Beskriv innhentingskilden, tillatt handling og forventet resultat, slik at modellen kan knytte resonneringen til tilgjengelig dokumentasjon.
Forskningsresultater og faktapresisjon
Den annonserte forskningsbruken handler om å finne informasjon, kombinere dokumentasjon på tvers av trinn og levere et svar på et definert spørsmål. Et nyttig illustrerende oppdrag er å sammenligne flere innsendte tekniske forslag, identifisere motstridende krav og returnere en anbefaling med underbyggende avsnitt og åpne spørsmål. Angi sammenligningskriteriene og datoen eller avgrensningen for relevant informasjon. Produsentens arbeid med faktapresisjon tar sikte på å håndtere udokumenterte påstander, men resultatet har fortsatt nytte av at man kontrollerer hvilke konklusjoner som støttes av det innhentede materialet.
Valg av modus og klargjøring av utdata
Velg denne navngitte Reasoning-konfigurasjonen når oppgaven krever analyse før det endelige svaret, og definer sluttartefakten: et støttesvar, en dokumentasjonstabell, en diagnoseplan eller en forskningsforklaring. Modellen gir tekst som utdata; eksterne handlinger utføres av applikasjonens tilkoblede verktøy. Den annonserte kontekstkapasiteten beskriver inndata- og historikkomfanget til den opprinnelige navngitte modellen, ikke størrelsen på ett enkelt svar eller et løfte om at hver integrasjon tar imot denne mengden. Bevar den nøyaktige modellidentiteten og verktøyhistorikken fremfor å erstatte den med en annen Grok-familie på grunnlag av et lignende navn.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser grok-4-1-fast-reasoning | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0004 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra grok-4-1-fast-reasoning
Bruk metodestiene som vises ovenfor.
grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) er xAIs verktøyorienterte modell for støtte-, informasjonsinnhentings- og forskningsarbeidsflyter i flere trinn. Den annonserte konteksten på 2 millioner tokener bidrar til å knytte sammen instruksjoner, en lang samtale og påfølgende verktøyresultater mens modellen resonnerer seg gjennom oppgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Utviklet for agentarbeidsflyter
Grok 4.1 Fast (Reasoning) er resonneringskonfigurasjonen i xAIs Grok 4.1 Fast-familie. Den legger vekt på å fullføre en oppgave gjennom en rekke beslutninger og verktøyinteraksjoner, særlig innen støtte og forskning. Familiens annonserte kontekstvindu er 2 millioner tokener, noe som gjør den relevant når instruksjoner, referansemateriale og resultater fra tidligere handlinger må holdes samlet. Reasoning og Non-Reasoning er separate navngitte konfigurasjoner med ulike tilnærminger til svar.
Trening for virkelige oppgaver
Modellutviklingen bruker forsterkningslæring i simulerte miljøer med ulike verktøy og oppgaveområder. Det praktiske formålet er å velge en passende handling ut fra beskrivelsen, oppgi nødvendige argumenter og fortsette på grunnlag av den returnerte informasjonen. En støtteapplikasjon kan be den identifisere en kundeforespørsel, hente den relevante tjenesteposten, sammenligne forespørselen med innsendte regler og forberede neste trinn. Gi modellen faktiske retningslinjer og poster fremfor å be den finne på manglende driftsregler.
Verktøykall og lange samtaler
Trening over mange trinn og samtaleturer retter seg mot et bestemt agentproblem: å holde fast ved oppgaven når samtale- og verktøyhistorikken vokser. Klargjør korte verktøybeskrivelser, tydelige argumentfelt og en angivelse av hva som regnes som fullført. Hold returnerte observasjoner knyttet til handlingen som frembrakte dem. En agent som undersøker et tjenesteproblem, kan for eksempel sammenligne et loggutdrag med en kjent feilsøkingsprosedyre og velge neste diagnosefunksjon. Applikasjonen utfører den valgte funksjonen; modellen tolker resultatet og oppdaterer svaret.
Informasjonsinnhenting, beregninger og tilkoblede verktøy
Produsentens verktøybaserte arbeidsflyter kombinerer innhenting fra nettet, søk i opplastede dokumenter, kodekjøring og tilkobling til eksterne verktøy gjennom MCP. Hvert verktøy leverer informasjon eller utfører en operasjon utover tekstgenerering. En dokumentbasert forskningsoppgave kan bruke innhentede avsnitt til å sammenligne produktkrav; en beregningsoppgave kan bruke et koderesultat til å forklare en numerisk trend. Disse funksjonene avhenger av verktøyene som faktisk er tilkoblet prosessen. Beskriv innhentingskilden, tillatt handling og forventet resultat, slik at modellen kan knytte resonneringen til tilgjengelig dokumentasjon.
Forskningsresultater og faktapresisjon
Den annonserte forskningsbruken handler om å finne informasjon, kombinere dokumentasjon på tvers av trinn og levere et svar på et definert spørsmål. Et nyttig illustrerende oppdrag er å sammenligne flere innsendte tekniske forslag, identifisere motstridende krav og returnere en anbefaling med underbyggende avsnitt og åpne spørsmål. Angi sammenligningskriteriene og datoen eller avgrensningen for relevant informasjon. Produsentens arbeid med faktapresisjon tar sikte på å håndtere udokumenterte påstander, men resultatet har fortsatt nytte av at man kontrollerer hvilke konklusjoner som støttes av det innhentede materialet.
Valg av modus og klargjøring av utdata
Velg denne navngitte Reasoning-konfigurasjonen når oppgaven krever analyse før det endelige svaret, og definer sluttartefakten: et støttesvar, en dokumentasjonstabell, en diagnoseplan eller en forskningsforklaring. Modellen gir tekst som utdata; eksterne handlinger utføres av applikasjonens tilkoblede verktøy. Den annonserte kontekstkapasiteten beskriver inndata- og historikkomfanget til den opprinnelige navngitte modellen, ikke størrelsen på ett enkelt svar eller et løfte om at hver integrasjon tar imot denne mengden. Bevar den nøyaktige modellidentiteten og verktøyhistorikken fremfor å erstatte den med en annen Grok-familie på grunnlag av et lignende navn.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser grok-4-1-fast-reasoning | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0004 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "grok-4-1-fast-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra grok-4-1-fast-reasoning
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.