Grok 2 Vision 1212 to edycja rodziny Grok 2 firmy xAI przyjmująca obrazy, identyfikowana nazwą grok-2-vision-1212. Producent przedstawia Grok 2 jako model do rozumienia tekstu i obrazu, obejmujący zadania takie jak pytania o dokumenty i rozumowanie matematyczne na podstawie materiału wizualnego. Późniejsza zapowiedź wydania 1212 opisuje ulepszenia w wykonywaniu instrukcji i zachowaniu wielojęzycznym. Ta karta dotyczy nazwanej edycji Vision i jej wyniku tekstowego.
Metadane modelu podane przez producenta wymieniają tekst i obrazy jako wejście oraz tekst jako wyjście. Praktyczne zadanie zaczyna się więc zarówno od dowodu wizualnego, jak i precyzyjnego pytania. Dla strony dokumentu określ pole, sekcję lub zależność, którą należy wyjaśnić; dla wykresu wskaż istotne etykiety i wielkości; dla zrzutu ekranu opisz cel użytkownika i element, który chcesz zbadać. Celem jest powiązanie widocznej treści z prośbą, a nie żądanie nieukierunkowanego opisu wszystkiego na obrazie.
Przykładowa prośba dotycząca dokumentu brzmi: „Odczytaj nagłówki i oznaczone pola na tej stronie. Zwróć widoczne wartości, oznacz wpisy, których nie można pewnie odczytać, i wyjaśnij, który fragment uzasadnia odpowiedź”. Prośba dotycząca wykresu może wymagać opisania relacji między dwiema seriami i odróżnienia wartości bezpośrednio widocznych od interpretacji. Dla fotografii produktu poproś o widoczne cechy i porównanie z dostarczoną specyfikacją pisemną. Są to przykłady przygotowania zadania i wyniku oparte na rodzinach zadań wizualnych producenta, a nie obietnice odzyskania każdego szczegółu z każdego obrazu.
Przykład dotyczący nazwanego modelu odnotowuje także obsługę ustrukturyzowanych wyników i wywoływania funkcji. Przy wydobywaniu danych określ żądany wynik: na przykład listę pól, widoczny w nich tekst i uwagę o niepewności. W zadaniu wspomaganym narzędziami dostarcz opisy dozwolonych narzędzi i informacje potrzebne do operacji. Aplikacja wykonuje operację i zwraca jej wynik; model może następnie wykorzystać te informacje w kolejnej odpowiedzi tekstowej. Sama funkcja Vision jest zdolnością do interpretacji dostarczonego obrazu, natomiast operacja zewnętrzna należy do otaczającej model aplikacji.
W tym przykładzie producenta edycja jest wymieniona bez osobnego trybu rozumowania. Nadal może odpowiadać na pytania wymagające rozpoznawania zależności i wyjaśnień, ale wyraźnie oznaczone tryby rozszerzonego myślenia opisane dla innych wydań Grok należy traktować osobno. Ten sam przykład podaje maksymalną długość polecenia wynoszącą 32 768 tokenów. To opublikowane pole wejściowe dla nazwanego modelu, a nie osobno udokumentowana maksymalna długość odpowiedzi. Przeczytane źródła pierwotne nie określają dla Vision 1212 dokładnego globalnego limitu liczby obrazów, rozdzielczości obrazów ani tokenów wyjściowych, dlatego wartości te powinny pochodzić ze specyfikacji konkretnego zapytania, zamiast być zapożyczane z nowszego modelu wizyjnego.
Stała nazwa 1212 ma również znaczenie przy wyborze edycji. Wydanie Grok 2 przeznaczone wyłącznie do tekstu i jego produkty do generowania obrazów obsługują inne dane wejściowe i wyjściowe. Opisanym tutaj wynikiem jest pisemna odpowiedź dotycząca materiału wizualnego. Funkcje prezentowane w aplikacji Grok, takie jak dodatkowe możliwości wyszukiwania lub generowania obrazów, stanowią osobne integracje wokół tej rodziny i należy je odróżniać od możliwości tego nazwanego wpisu modelu.
Przygotuj czytelne strony i oznacz każdy obraz przy porównywaniu materiałów. Określ, która część obrazu jest istotna, zawrzyj w pytaniu potrzebne definicje lub jednostki i poproś, aby odpowiedź zachowała oryginalne nazwy. Jako przydatny rezultat końcowy wybierz wyjaśnienie, tabelę wydobytych danych lub listę obserwacji powiązanych z dowodami. Jeśli obraz jest niejednoznaczny, zachowaj tę niepewność w wyniku i sprawdzaj istotne odczyty względem materiału oryginalnego.
", "aboutText": "Grok 2 Vision 1212 to edycja rodziny Grok 2 firmy xAI przyjmująca obrazy, identyfikowana nazwą grok-2-vision-1212. Producent przedstawia Grok 2 jako model do rozumienia tekstu i obrazu, obejmujący zadania takie jak pytania o dokumenty i rozumowanie matematyczne na podstawie materiału wizualnego. Późniejsza zapowiedź wydania 1212 opisuje ulepszenia w wykonywaniu instrukcji i zachowaniu wielojęzycznym. Ta karta dotyczy nazwanej edycji Vision i jej wyniku tekstowego.\n\nMetadane modelu podane przez producenta wymieniają tekst i obrazy jako wejście oraz tekst jako wyjście. Praktyczne zadanie zaczyna się więc zarówno od dowodu wizualnego, jak i precyzyjnego pytania. Dla strony dokumentu określ pole, sekcję lub zależność, którą należy wyjaśnić; dla wykresu wskaż istotne etykiety i wielkości; dla zrzutu ekranu opisz cel użytkownika i element, który chcesz zbadać. Celem jest powiązanie widocznej treści z prośbą, a nie żądanie nieukierunkowanego opisu wszystkiego na obrazie.\n\nPrzykładowa prośba dotycząca dokumentu brzmi: „Odczytaj nagłówki i oznaczone pola na tej stronie. Zwróć widoczne wartości, oznacz wpisy, których nie można pewnie odczytać, i wyjaśnij, który fragment uzasadnia odpowiedź”. Prośba dotycząca wykresu może wymagać opisania relacji między dwiema seriami i odróżnienia wartości bezpośrednio widocznych od interpretacji. Dla fotografii produktu poproś o widoczne cechy i porównanie z dostarczoną specyfikacją pisemną. Są to przykłady przygotowania zadania i wyniku oparte na rodzinach zadań wizualnych producenta, a nie obietnice odzyskania każdego szczegółu z każdego obrazu.\n\nPrzykład dotyczący nazwanego modelu odnotowuje także obsługę ustrukturyzowanych wyników i wywoływania funkcji. Przy wydobywaniu danych określ żądany wynik: na przykład listę pól, widoczny w nich tekst i uwagę o niepewności. W zadaniu wspomaganym narzędziami dostarcz opisy dozwolonych narzędzi i informacje potrzebne do operacji. Aplikacja wykonuje operację i zwraca jej wynik; model może następnie wykorzystać te informacje w kolejnej odpowiedzi tekstowej. Sama funkcja Vision jest zdolnością do interpretacji dostarczonego obrazu, natomiast operacja zewnętrzna należy do otaczającej model aplikacji.\n\nW tym przykładzie producenta edycja jest wymieniona bez osobnego trybu rozumowania. Nadal może odpowiadać na pytania wymagające rozpoznawania zależności i wyjaśnień, ale wyraźnie oznaczone tryby rozszerzonego myślenia opisane dla innych wydań Grok należy traktować osobno. Ten sam przykład podaje maksymalną długość polecenia wynoszącą 32 768 tokenów. To opublikowane pole wejściowe dla nazwanego modelu, a nie osobno udokumentowana maksymalna długość odpowiedzi. Przeczytane źródła pierwotne nie określają dla Vision 1212 dokładnego globalnego limitu liczby obrazów, rozdzielczości obrazów ani tokenów wyjściowych, dlatego wartości te powinny pochodzić ze specyfikacji konkretnego zapytania, zamiast być zapożyczane z nowszego modelu wizyjnego.\n\nStała nazwa 1212 ma również znaczenie przy wyborze edycji. Wydanie Grok 2 przeznaczone wyłącznie do tekstu i jego produkty do generowania obrazów obsługują inne dane wejściowe i wyjściowe. Opisanym tutaj wynikiem jest pisemna odpowiedź dotycząca materiału wizualnego. Funkcje prezentowane w aplikacji Grok, takie jak dodatkowe możliwości wyszukiwania lub generowania obrazów, stanowią osobne integracje wokół tej rodziny i należy je odróżniać od możliwości tego nazwanego wpisu modelu.\n\nPrzygotuj czytelne strony i oznacz każdy obraz przy porównywaniu materiałów. Określ, która część obrazu jest istotna, zawrzyj w pytaniu potrzebne definicje lub jednostki i poproś, aby odpowiedź zachowała oryginalne nazwy. Jako przydatny rezultat końcowy wybierz wyjaśnienie, tabelę wydobytych danych lub listę obserwacji powiązanych z dowodami. Jeśli obraz jest niejednoznaczny, zachowaj tę niepewność w wyniku i sprawdzaj istotne odczyty względem materiału oryginalnego.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 to edycja xAI rozumiejąca obrazy, przeznaczona do pytań o dokumenty, wykresy, fotografie i zrzuty ekranu. Łączy pisemne pytanie z obrazem wejściowym i zwraca odpowiedź tekstową; dla tej nazwanej edycji udokumentowano ustrukturyzowane wyniki i wywoływanie funkcji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Grok 2 Vision 1212 to edycja rodziny Grok 2 firmy xAI przyjmująca obrazy, identyfikowana nazwą grok-2-vision-1212. Producent przedstawia Grok 2 jako model do rozumienia tekstu i obrazu, obejmujący zadania takie jak pytania o dokumenty i rozumowanie matematyczne na podstawie materiału wizualnego. Późniejsza zapowiedź wydania 1212 opisuje ulepszenia w wykonywaniu instrukcji i zachowaniu wielojęzycznym. Ta karta dotyczy nazwanej edycji Vision i jej wyniku tekstowego.
Metadane modelu podane przez producenta wymieniają tekst i obrazy jako wejście oraz tekst jako wyjście. Praktyczne zadanie zaczyna się więc zarówno od dowodu wizualnego, jak i precyzyjnego pytania. Dla strony dokumentu określ pole, sekcję lub zależność, którą należy wyjaśnić; dla wykresu wskaż istotne etykiety i wielkości; dla zrzutu ekranu opisz cel użytkownika i element, który chcesz zbadać. Celem jest powiązanie widocznej treści z prośbą, a nie żądanie nieukierunkowanego opisu wszystkiego na obrazie.
Przykładowa prośba dotycząca dokumentu brzmi: „Odczytaj nagłówki i oznaczone pola na tej stronie. Zwróć widoczne wartości, oznacz wpisy, których nie można pewnie odczytać, i wyjaśnij, który fragment uzasadnia odpowiedź”. Prośba dotycząca wykresu może wymagać opisania relacji między dwiema seriami i odróżnienia wartości bezpośrednio widocznych od interpretacji. Dla fotografii produktu poproś o widoczne cechy i porównanie z dostarczoną specyfikacją pisemną. Są to przykłady przygotowania zadania i wyniku oparte na rodzinach zadań wizualnych producenta, a nie obietnice odzyskania każdego szczegółu z każdego obrazu.
Przykład dotyczący nazwanego modelu odnotowuje także obsługę ustrukturyzowanych wyników i wywoływania funkcji. Przy wydobywaniu danych określ żądany wynik: na przykład listę pól, widoczny w nich tekst i uwagę o niepewności. W zadaniu wspomaganym narzędziami dostarcz opisy dozwolonych narzędzi i informacje potrzebne do operacji. Aplikacja wykonuje operację i zwraca jej wynik; model może następnie wykorzystać te informacje w kolejnej odpowiedzi tekstowej. Sama funkcja Vision jest zdolnością do interpretacji dostarczonego obrazu, natomiast operacja zewnętrzna należy do otaczającej model aplikacji.
W tym przykładzie producenta edycja jest wymieniona bez osobnego trybu rozumowania. Nadal może odpowiadać na pytania wymagające rozpoznawania zależności i wyjaśnień, ale wyraźnie oznaczone tryby rozszerzonego myślenia opisane dla innych wydań Grok należy traktować osobno. Ten sam przykład podaje maksymalną długość polecenia wynoszącą 32 768 tokenów. To opublikowane pole wejściowe dla nazwanego modelu, a nie osobno udokumentowana maksymalna długość odpowiedzi. Przeczytane źródła pierwotne nie określają dla Vision 1212 dokładnego globalnego limitu liczby obrazów, rozdzielczości obrazów ani tokenów wyjściowych, dlatego wartości te powinny pochodzić ze specyfikacji konkretnego zapytania, zamiast być zapożyczane z nowszego modelu wizyjnego.
Stała nazwa 1212 ma również znaczenie przy wyborze edycji. Wydanie Grok 2 przeznaczone wyłącznie do tekstu i jego produkty do generowania obrazów obsługują inne dane wejściowe i wyjściowe. Opisanym tutaj wynikiem jest pisemna odpowiedź dotycząca materiału wizualnego. Funkcje prezentowane w aplikacji Grok, takie jak dodatkowe możliwości wyszukiwania lub generowania obrazów, stanowią osobne integracje wokół tej rodziny i należy je odróżniać od możliwości tego nazwanego wpisu modelu.
Przygotuj czytelne strony i oznacz każdy obraz przy porównywaniu materiałów. Określ, która część obrazu jest istotna, zawrzyj w pytaniu potrzebne definicje lub jednostki i poproś, aby odpowiedź zachowała oryginalne nazwy. Jako przydatny rezultat końcowy wybierz wyjaśnienie, tabelę wydobytych danych lub listę obserwacji powiązanych z dowodami. Jeśli obraz jest niejednoznaczny, zachowaj tę niepewność w wyniku i sprawdzaj istotne odczyty względem materiału oryginalnego.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity grok-2-vision-1212 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra grok-2-vision-1212
Użyj ścieżek metod podanych powyżej.
grok-2-vision-1212Grok 2 Vision 1212 to edycja xAI rozumiejąca obrazy, przeznaczona do pytań o dokumenty, wykresy, fotografie i zrzuty ekranu. Łączy pisemne pytanie z obrazem wejściowym i zwraca odpowiedź tekstową; dla tej nazwanej edycji udokumentowano ustrukturyzowane wyniki i wywoływanie funkcji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Grok 2 Vision 1212 to edycja rodziny Grok 2 firmy xAI przyjmująca obrazy, identyfikowana nazwą grok-2-vision-1212. Producent przedstawia Grok 2 jako model do rozumienia tekstu i obrazu, obejmujący zadania takie jak pytania o dokumenty i rozumowanie matematyczne na podstawie materiału wizualnego. Późniejsza zapowiedź wydania 1212 opisuje ulepszenia w wykonywaniu instrukcji i zachowaniu wielojęzycznym. Ta karta dotyczy nazwanej edycji Vision i jej wyniku tekstowego.
Metadane modelu podane przez producenta wymieniają tekst i obrazy jako wejście oraz tekst jako wyjście. Praktyczne zadanie zaczyna się więc zarówno od dowodu wizualnego, jak i precyzyjnego pytania. Dla strony dokumentu określ pole, sekcję lub zależność, którą należy wyjaśnić; dla wykresu wskaż istotne etykiety i wielkości; dla zrzutu ekranu opisz cel użytkownika i element, który chcesz zbadać. Celem jest powiązanie widocznej treści z prośbą, a nie żądanie nieukierunkowanego opisu wszystkiego na obrazie.
Przykładowa prośba dotycząca dokumentu brzmi: „Odczytaj nagłówki i oznaczone pola na tej stronie. Zwróć widoczne wartości, oznacz wpisy, których nie można pewnie odczytać, i wyjaśnij, który fragment uzasadnia odpowiedź”. Prośba dotycząca wykresu może wymagać opisania relacji między dwiema seriami i odróżnienia wartości bezpośrednio widocznych od interpretacji. Dla fotografii produktu poproś o widoczne cechy i porównanie z dostarczoną specyfikacją pisemną. Są to przykłady przygotowania zadania i wyniku oparte na rodzinach zadań wizualnych producenta, a nie obietnice odzyskania każdego szczegółu z każdego obrazu.
Przykład dotyczący nazwanego modelu odnotowuje także obsługę ustrukturyzowanych wyników i wywoływania funkcji. Przy wydobywaniu danych określ żądany wynik: na przykład listę pól, widoczny w nich tekst i uwagę o niepewności. W zadaniu wspomaganym narzędziami dostarcz opisy dozwolonych narzędzi i informacje potrzebne do operacji. Aplikacja wykonuje operację i zwraca jej wynik; model może następnie wykorzystać te informacje w kolejnej odpowiedzi tekstowej. Sama funkcja Vision jest zdolnością do interpretacji dostarczonego obrazu, natomiast operacja zewnętrzna należy do otaczającej model aplikacji.
W tym przykładzie producenta edycja jest wymieniona bez osobnego trybu rozumowania. Nadal może odpowiadać na pytania wymagające rozpoznawania zależności i wyjaśnień, ale wyraźnie oznaczone tryby rozszerzonego myślenia opisane dla innych wydań Grok należy traktować osobno. Ten sam przykład podaje maksymalną długość polecenia wynoszącą 32 768 tokenów. To opublikowane pole wejściowe dla nazwanego modelu, a nie osobno udokumentowana maksymalna długość odpowiedzi. Przeczytane źródła pierwotne nie określają dla Vision 1212 dokładnego globalnego limitu liczby obrazów, rozdzielczości obrazów ani tokenów wyjściowych, dlatego wartości te powinny pochodzić ze specyfikacji konkretnego zapytania, zamiast być zapożyczane z nowszego modelu wizyjnego.
Stała nazwa 1212 ma również znaczenie przy wyborze edycji. Wydanie Grok 2 przeznaczone wyłącznie do tekstu i jego produkty do generowania obrazów obsługują inne dane wejściowe i wyjściowe. Opisanym tutaj wynikiem jest pisemna odpowiedź dotycząca materiału wizualnego. Funkcje prezentowane w aplikacji Grok, takie jak dodatkowe możliwości wyszukiwania lub generowania obrazów, stanowią osobne integracje wokół tej rodziny i należy je odróżniać od możliwości tego nazwanego wpisu modelu.
Przygotuj czytelne strony i oznacz każdy obraz przy porównywaniu materiałów. Określ, która część obrazu jest istotna, zawrzyj w pytaniu potrzebne definicje lub jednostki i poproś, aby odpowiedź zachowała oryginalne nazwy. Jako przydatny rezultat końcowy wybierz wyjaśnienie, tabelę wydobytych danych lub listę obserwacji powiązanych z dowodami. Jeśli obraz jest niejednoznaczny, zachowaj tę niepewność w wyniku i sprawdzaj istotne odczyty względem materiału oryginalnego.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity grok-2-vision-1212 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "grok-2-vision-1212",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra grok-2-vision-1212
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.