Gebouwd voor agentworkflows
Grok 4.1 Fast (Reasoning) is de redeneerconfiguratie van de Grok 4.1 Fast-familie van xAI. De nadruk ligt op het voltooien van een taak via een reeks beslissingen en interacties met tools, vooral bij support en onderzoek. Het aangekondigde contextvenster van de familie is 2 miljoen tokens, wat relevant is wanneer instructies, referentiemateriaal en resultaten van eerdere handelingen bij elkaar moeten blijven. Reasoning en Non-Reasoning zijn configuraties met afzonderlijke namen met verschillende antwoordbenaderingen.
Training voor echte taken
Bij de ontwikkeling van het model wordt reinforcement learning gebruikt in gesimuleerde omgevingen met uiteenlopende tools en taakdomeinen. Het praktische doel is op basis van de beschrijving een passende handeling te selecteren, de vereiste argumenten aan te leveren en verder te gaan met de teruggegeven informatie. Een supportapplicatie kan vragen om een klantverzoek te identificeren, het relevante servicerecord op te halen, het verzoek met de aangeleverde regels te vergelijken en de volgende stap voor te bereiden. Geef het model echte beleidsregels en records in plaats van het ontbrekende operationele regels te laten verzinnen.
Toolaanroepen en lange gesprekken
Training over lange trajecten met meerdere gespreksbeurten richt zich op een specifiek agentprobleem: de taak vasthouden terwijl het gesprek en de toolgeschiedenis groeien. Bereid beknopte toolbeschrijvingen, duidelijke argumentvelden en een omschrijving van voltooiing voor. Houd teruggegeven waarnemingen gekoppeld aan de handeling die ze heeft opgeleverd. Een agent die een serviceprobleem onderzoekt, kan bijvoorbeeld een logfragment vergelijken met een bekende procedure voor probleemoplossing en de volgende diagnostische functie selecteren. De applicatie voert de geselecteerde functie uit; het model interpreteert het resultaat en werkt het antwoord bij.
Informatie ophalen, berekeningen en aangesloten tools
De workflows met tools van de fabrikant combineren het ophalen van webinformatie, zoeken in geüploade documenten, code-uitvoering en verbindingen met externe tools via MCP. Elke tool levert informatie of voert een bewerking uit die verder gaat dan tekstgeneratie. Een documentonderzoek kan opgehaalde passages gebruiken om productvereisten te vergelijken; een rekentaak kan een coderesultaat gebruiken om een numerieke trend uit te leggen. Deze mogelijkheden hangen af van de tools die daadwerkelijk op het proces zijn aangesloten. Beschrijf de bron voor het ophalen, de toegestane handeling en het verwachte resultaat, zodat het model zijn redenering aan het beschikbare bewijs kan koppelen.
Onderzoeksuitvoer en feitelijke juistheid
Het aangekondigde onderzoeksgebruik richt zich op informatie vinden, bewijs over meerdere stappen combineren en een antwoord op een afgebakende vraag leveren. Een bruikbare voorbeeldopdracht is verschillende aangeleverde technische voorstellen te vergelijken, tegenstrijdige vereisten te identificeren en een aanbeveling terug te geven met ondersteunende passages en open vragen. Specificeer de vergelijkingscriteria en de datum of reikwijdte van relevante informatie. Het werk van de fabrikant aan feitelijke juistheid richt zich op ongefundeerde beweringen, maar het resultaat heeft nog steeds baat bij een controle van welke conclusies door het opgehaalde materiaal worden ondersteund.
Modus en uitvoer voorbereiden
Kies deze Reasoning-configuratie met een eigen naam wanneer de taak analyse vóór het definitieve antwoord vereist en definieer het eindresultaat: een supportantwoord, bewijstabel, diagnostisch plan of onderzoeksuitleg. Het model produceert tekst; externe handelingen behoren tot de aangesloten applicatietools. De aangekondigde contextcapaciteit beschrijft de ruimte voor invoer en geschiedenis van het oorspronkelijke model met een eigen naam, niet de omvang van één antwoord of een belofte dat elke integratie die hoeveelheid accepteert. Behoud de exacte modelidentiteit en de toolgeschiedenis in plaats van op basis van een vergelijkbare naam een andere Grok-familie in te zetten.
", "aboutText": "Gebouwd voor agentworkflows\n\nGrok 4.1 Fast (Reasoning) is de redeneerconfiguratie van de Grok 4.1 Fast-familie van xAI. De nadruk ligt op het voltooien van een taak via een reeks beslissingen en interacties met tools, vooral bij support en onderzoek. Het aangekondigde contextvenster van de familie is 2 miljoen tokens, wat relevant is wanneer instructies, referentiemateriaal en resultaten van eerdere handelingen bij elkaar moeten blijven. Reasoning en Non-Reasoning zijn configuraties met afzonderlijke namen met verschillende antwoordbenaderingen.\n\nTraining voor echte taken\n\nBij de ontwikkeling van het model wordt reinforcement learning gebruikt in gesimuleerde omgevingen met uiteenlopende tools en taakdomeinen. Het praktische doel is op basis van de beschrijving een passende handeling te selecteren, de vereiste argumenten aan te leveren en verder te gaan met de teruggegeven informatie. Een supportapplicatie kan vragen om een klantverzoek te identificeren, het relevante servicerecord op te halen, het verzoek met de aangeleverde regels te vergelijken en de volgende stap voor te bereiden. Geef het model echte beleidsregels en records in plaats van het ontbrekende operationele regels te laten verzinnen.\n\nToolaanroepen en lange gesprekken\n\nTraining over lange trajecten met meerdere gespreksbeurten richt zich op een specifiek agentprobleem: de taak vasthouden terwijl het gesprek en de toolgeschiedenis groeien. Bereid beknopte toolbeschrijvingen, duidelijke argumentvelden en een omschrijving van voltooiing voor. Houd teruggegeven waarnemingen gekoppeld aan de handeling die ze heeft opgeleverd. Een agent die een serviceprobleem onderzoekt, kan bijvoorbeeld een logfragment vergelijken met een bekende procedure voor probleemoplossing en de volgende diagnostische functie selecteren. De applicatie voert de geselecteerde functie uit; het model interpreteert het resultaat en werkt het antwoord bij.\n\nInformatie ophalen, berekeningen en aangesloten tools\n\nDe workflows met tools van de fabrikant combineren het ophalen van webinformatie, zoeken in geüploade documenten, code-uitvoering en verbindingen met externe tools via MCP. Elke tool levert informatie of voert een bewerking uit die verder gaat dan tekstgeneratie. Een documentonderzoek kan opgehaalde passages gebruiken om productvereisten te vergelijken; een rekentaak kan een coderesultaat gebruiken om een numerieke trend uit te leggen. Deze mogelijkheden hangen af van de tools die daadwerkelijk op het proces zijn aangesloten. Beschrijf de bron voor het ophalen, de toegestane handeling en het verwachte resultaat, zodat het model zijn redenering aan het beschikbare bewijs kan koppelen.\n\nOnderzoeksuitvoer en feitelijke juistheid\n\nHet aangekondigde onderzoeksgebruik richt zich op informatie vinden, bewijs over meerdere stappen combineren en een antwoord op een afgebakende vraag leveren. Een bruikbare voorbeeldopdracht is verschillende aangeleverde technische voorstellen te vergelijken, tegenstrijdige vereisten te identificeren en een aanbeveling terug te geven met ondersteunende passages en open vragen. Specificeer de vergelijkingscriteria en de datum of reikwijdte van relevante informatie. Het werk van de fabrikant aan feitelijke juistheid richt zich op ongefundeerde beweringen, maar het resultaat heeft nog steeds baat bij een controle van welke conclusies door het opgehaalde materiaal worden ondersteund.\n\nModus en uitvoer voorbereiden\n\nKies deze Reasoning-configuratie met een eigen naam wanneer de taak analyse vóór het definitieve antwoord vereist en definieer het eindresultaat: een supportantwoord, bewijstabel, diagnostisch plan of onderzoeksuitleg. Het model produceert tekst; externe handelingen behoren tot de aangesloten applicatietools. De aangekondigde contextcapaciteit beschrijft de ruimte voor invoer en geschiedenis van het oorspronkelijke model met een eigen naam, niet de omvang van één antwoord of een belofte dat elke integratie die hoeveelheid accepteert. Behoud de exacte modelidentiteit en de toolgeschiedenis in plaats van op basis van een vergelijkbare naam een andere Grok-familie in te zetten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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) is het op tools gerichte model van xAI voor workflows met meerdere stappen voor support, het ophalen van informatie en onderzoek. De aangekondigde context van 2 miljoen tokens helpt instructies, een lang gesprek en opeenvolgende toolresultaten met elkaar te verbinden tijdens het redeneren over de taak.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gebouwd voor agentworkflows
Grok 4.1 Fast (Reasoning) is de redeneerconfiguratie van de Grok 4.1 Fast-familie van xAI. De nadruk ligt op het voltooien van een taak via een reeks beslissingen en interacties met tools, vooral bij support en onderzoek. Het aangekondigde contextvenster van de familie is 2 miljoen tokens, wat relevant is wanneer instructies, referentiemateriaal en resultaten van eerdere handelingen bij elkaar moeten blijven. Reasoning en Non-Reasoning zijn configuraties met afzonderlijke namen met verschillende antwoordbenaderingen.
Training voor echte taken
Bij de ontwikkeling van het model wordt reinforcement learning gebruikt in gesimuleerde omgevingen met uiteenlopende tools en taakdomeinen. Het praktische doel is op basis van de beschrijving een passende handeling te selecteren, de vereiste argumenten aan te leveren en verder te gaan met de teruggegeven informatie. Een supportapplicatie kan vragen om een klantverzoek te identificeren, het relevante servicerecord op te halen, het verzoek met de aangeleverde regels te vergelijken en de volgende stap voor te bereiden. Geef het model echte beleidsregels en records in plaats van het ontbrekende operationele regels te laten verzinnen.
Toolaanroepen en lange gesprekken
Training over lange trajecten met meerdere gespreksbeurten richt zich op een specifiek agentprobleem: de taak vasthouden terwijl het gesprek en de toolgeschiedenis groeien. Bereid beknopte toolbeschrijvingen, duidelijke argumentvelden en een omschrijving van voltooiing voor. Houd teruggegeven waarnemingen gekoppeld aan de handeling die ze heeft opgeleverd. Een agent die een serviceprobleem onderzoekt, kan bijvoorbeeld een logfragment vergelijken met een bekende procedure voor probleemoplossing en de volgende diagnostische functie selecteren. De applicatie voert de geselecteerde functie uit; het model interpreteert het resultaat en werkt het antwoord bij.
Informatie ophalen, berekeningen en aangesloten tools
De workflows met tools van de fabrikant combineren het ophalen van webinformatie, zoeken in geüploade documenten, code-uitvoering en verbindingen met externe tools via MCP. Elke tool levert informatie of voert een bewerking uit die verder gaat dan tekstgeneratie. Een documentonderzoek kan opgehaalde passages gebruiken om productvereisten te vergelijken; een rekentaak kan een coderesultaat gebruiken om een numerieke trend uit te leggen. Deze mogelijkheden hangen af van de tools die daadwerkelijk op het proces zijn aangesloten. Beschrijf de bron voor het ophalen, de toegestane handeling en het verwachte resultaat, zodat het model zijn redenering aan het beschikbare bewijs kan koppelen.
Onderzoeksuitvoer en feitelijke juistheid
Het aangekondigde onderzoeksgebruik richt zich op informatie vinden, bewijs over meerdere stappen combineren en een antwoord op een afgebakende vraag leveren. Een bruikbare voorbeeldopdracht is verschillende aangeleverde technische voorstellen te vergelijken, tegenstrijdige vereisten te identificeren en een aanbeveling terug te geven met ondersteunende passages en open vragen. Specificeer de vergelijkingscriteria en de datum of reikwijdte van relevante informatie. Het werk van de fabrikant aan feitelijke juistheid richt zich op ongefundeerde beweringen, maar het resultaat heeft nog steeds baat bij een controle van welke conclusies door het opgehaalde materiaal worden ondersteund.
Modus en uitvoer voorbereiden
Kies deze Reasoning-configuratie met een eigen naam wanneer de taak analyse vóór het definitieve antwoord vereist en definieer het eindresultaat: een supportantwoord, bewijstabel, diagnostisch plan of onderzoeksuitleg. Het model produceert tekst; externe handelingen behoren tot de aangesloten applicatietools. De aangekondigde contextcapaciteit beschrijft de ruimte voor invoer en geschiedenis van het oorspronkelijke model met een eigen naam, niet de omvang van één antwoord of een belofte dat elke integratie die hoeveelheid accepteert. Behoud de exacte modelidentiteit en de toolgeschiedenis in plaats van op basis van een vergelijkbare naam een andere Grok-familie in te zetten.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten grok-4-1-fast-reasoning | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0004 / 1K tokens Uitvoer · Uitvoertokens $0.001 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra grok-4-1-fast-reasoning
Gebruik de hierboven getoonde methodepaden.
grok-4-1-fast-reasoningGrok 4.1 Fast (Reasoning) is het op tools gerichte model van xAI voor workflows met meerdere stappen voor support, het ophalen van informatie en onderzoek. De aangekondigde context van 2 miljoen tokens helpt instructies, een lang gesprek en opeenvolgende toolresultaten met elkaar te verbinden tijdens het redeneren over de taak.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gebouwd voor agentworkflows
Grok 4.1 Fast (Reasoning) is de redeneerconfiguratie van de Grok 4.1 Fast-familie van xAI. De nadruk ligt op het voltooien van een taak via een reeks beslissingen en interacties met tools, vooral bij support en onderzoek. Het aangekondigde contextvenster van de familie is 2 miljoen tokens, wat relevant is wanneer instructies, referentiemateriaal en resultaten van eerdere handelingen bij elkaar moeten blijven. Reasoning en Non-Reasoning zijn configuraties met afzonderlijke namen met verschillende antwoordbenaderingen.
Training voor echte taken
Bij de ontwikkeling van het model wordt reinforcement learning gebruikt in gesimuleerde omgevingen met uiteenlopende tools en taakdomeinen. Het praktische doel is op basis van de beschrijving een passende handeling te selecteren, de vereiste argumenten aan te leveren en verder te gaan met de teruggegeven informatie. Een supportapplicatie kan vragen om een klantverzoek te identificeren, het relevante servicerecord op te halen, het verzoek met de aangeleverde regels te vergelijken en de volgende stap voor te bereiden. Geef het model echte beleidsregels en records in plaats van het ontbrekende operationele regels te laten verzinnen.
Toolaanroepen en lange gesprekken
Training over lange trajecten met meerdere gespreksbeurten richt zich op een specifiek agentprobleem: de taak vasthouden terwijl het gesprek en de toolgeschiedenis groeien. Bereid beknopte toolbeschrijvingen, duidelijke argumentvelden en een omschrijving van voltooiing voor. Houd teruggegeven waarnemingen gekoppeld aan de handeling die ze heeft opgeleverd. Een agent die een serviceprobleem onderzoekt, kan bijvoorbeeld een logfragment vergelijken met een bekende procedure voor probleemoplossing en de volgende diagnostische functie selecteren. De applicatie voert de geselecteerde functie uit; het model interpreteert het resultaat en werkt het antwoord bij.
Informatie ophalen, berekeningen en aangesloten tools
De workflows met tools van de fabrikant combineren het ophalen van webinformatie, zoeken in geüploade documenten, code-uitvoering en verbindingen met externe tools via MCP. Elke tool levert informatie of voert een bewerking uit die verder gaat dan tekstgeneratie. Een documentonderzoek kan opgehaalde passages gebruiken om productvereisten te vergelijken; een rekentaak kan een coderesultaat gebruiken om een numerieke trend uit te leggen. Deze mogelijkheden hangen af van de tools die daadwerkelijk op het proces zijn aangesloten. Beschrijf de bron voor het ophalen, de toegestane handeling en het verwachte resultaat, zodat het model zijn redenering aan het beschikbare bewijs kan koppelen.
Onderzoeksuitvoer en feitelijke juistheid
Het aangekondigde onderzoeksgebruik richt zich op informatie vinden, bewijs over meerdere stappen combineren en een antwoord op een afgebakende vraag leveren. Een bruikbare voorbeeldopdracht is verschillende aangeleverde technische voorstellen te vergelijken, tegenstrijdige vereisten te identificeren en een aanbeveling terug te geven met ondersteunende passages en open vragen. Specificeer de vergelijkingscriteria en de datum of reikwijdte van relevante informatie. Het werk van de fabrikant aan feitelijke juistheid richt zich op ongefundeerde beweringen, maar het resultaat heeft nog steeds baat bij een controle van welke conclusies door het opgehaalde materiaal worden ondersteund.
Modus en uitvoer voorbereiden
Kies deze Reasoning-configuratie met een eigen naam wanneer de taak analyse vóór het definitieve antwoord vereist en definieer het eindresultaat: een supportantwoord, bewijstabel, diagnostisch plan of onderzoeksuitleg. Het model produceert tekst; externe handelingen behoren tot de aangesloten applicatietools. De aangekondigde contextcapaciteit beschrijft de ruimte voor invoer en geschiedenis van het oorspronkelijke model met een eigen naam, niet de omvang van één antwoord of een belofte dat elke integratie die hoeveelheid accepteert. Behoud de exacte modelidentiteit en de toolgeschiedenis in plaats van op basis van een vergelijkbare naam een andere Grok-familie in te zetten.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten grok-4-1-fast-reasoning | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0004 / 1K tokens Uitvoer · Uitvoertokens $0.001 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "grok-4-1-fast-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra grok-4-1-fast-reasoning
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.