Grok 4.1 Fast Non-Reasoning är xAI:s namngivna variant för direkta svar i Grok 4.1 Fast-familjen. Tillverkaren släpper den separat från resonemangsvarianten och identifierar den som valet för omedelbara svar. Den är användbar för en textkonversation eller ett verktygsassisterat steg med en tydlig instruktion, kända indata och ett definierat resultat. Non-Reasoning väljer svarsläget; Grok 4.1 Fast förblir en separat familj från den vanliga Grok 4.1-modellen och från Grok 4 Fast.
xAI utvecklar Grok 4.1 Fast kring verktygsanvändning i verkligheten. Träningen med förstärkningsinlärning använder simulerade miljöer med varierande verktyg inom många områden, och kundsupport lyfts fram som en praktisk tillämpning. För en sådan uppgift ger du modellen användarens begäran, de relevanta reglerna och de funktioner som applikationen tillåter. Ange vilken information som behövs för att välja nästa åtgärd. Ett arbetsflödesexempel är att identifiera användarens aktuella problem, be om en saknad uppgift, välja en uppslagning och sedan förbereda ett kort svar utifrån den returnerade informationen.
Producenten betonar också förstärkningsinlärning över långa förlopp och scenarier med flera samtalsturer. Detta spelar roll när en begäran fortsätter genom flera åtgärder eller förtydliganden. Bevara det ursprungliga målet, viktiga begränsningar, tidigare svar och faktiska funktionsresultat så att nästa svar kan återspegla uppgiftens aktuella tillstånd. Om ett verktyg rapporterar att information saknas eller att en åtgärd misslyckades tar du med resultatet i stället för att anta att det lyckades. Be modellen förklara nästa nödvändiga steg utifrån det observerade tillståndet och håll en föreslagen åtgärd åtskild från en åtgärd som applikationen har slutfört.
Familjen har en av tillverkaren beskriven kontext på två miljoner token. Ett stort fönster kan rymma omfattande konversationshistorik, instruktioner och stödjande dokument, men prompten ska ändå göra den aktuella frågan lätt att hitta. Ge dokument stabila titlar, bevara relevanta identifierare och identifiera källan till ett faktapåstående. För ett långt supportärende ber du om problemet som det ser ut nu, de fakta som redan är fastställda och nästa obesvarade fråga. För dokumentbearbetning anger du fälten som ska extraheras och hur ett saknat eller motstridigt värde ska representeras.
Tillkännagivandet av Grok 4.1 Fast introducerar också en separat verktygstjänst för sökning, kodexekvering och dokumenthämtning. Modellens förmåga att anropa verktyg och tillgången till ett visst verktyg är olika delar av arbetsflödet. Beskriv de verktyg som din applikation faktiskt tillhandahåller och återför deras resultat till konversationen. För en researchuppgift definierar du frågan, omfattningen och beläggen du behöver och ber sedan om en syntes knuten till det hämtade materialet. För en datauppgift använder du faktiska beräkningsresultat som underlag för förklaringen i stället för att behandla ett genererat tal som en slutförd beräkning.
För en direkt textoperation gör du uppdragsbeskrivningen för utdata kompakt och precis. Du kan be om ett omskrivet stycke som bevarar angivna fakta, en kort sammanfattning av tillhandahållet material, en kategori vald enligt uttryckliga regler eller en tabell med extraherade detaljer. Ta med exempel när det förväntade formatet har viktiga gränsfall. Detta är exempel på tillämpningar av text- och agentarbetsflödet, snarare än påståenden om att varje indata ger ett korrekt resultat. Läget för direkta svar kan hålla resultatet fokuserat när uppgiften redan är väl specificerad.
För faktabaserat arbete ber du modellen skilja källstödd information från antaganden och markera saknade belägg. Kontrollera viktiga namn, identifierare, värden och påstådda åtgärdsresultat mot originalmaterialet eller det faktiska verktygssvaret. En stor kontext och en snabb svarsprocess ersätter inte den kontrollen. Välj den separat namngivna resonemangsvarianten när du vill ha en annan problemlösningsprocess och behåll Non-Reasoning för tydliga instruktioner och ett direkt slutsvar. Definiera färdigställandet genom det begärda resultatet och eventuella bekräftade operationsresultat, inte enbart genom att modellen har producerat ett svar.
", "aboutText": "Grok 4.1 Fast Non-Reasoning är xAI:s namngivna variant för direkta svar i Grok 4.1 Fast-familjen. Tillverkaren släpper den separat från resonemangsvarianten och identifierar den som valet för omedelbara svar. Den är användbar för en textkonversation eller ett verktygsassisterat steg med en tydlig instruktion, kända indata och ett definierat resultat. Non-Reasoning väljer svarsläget; Grok 4.1 Fast förblir en separat familj från den vanliga Grok 4.1-modellen och från Grok 4 Fast.\n\nxAI utvecklar Grok 4.1 Fast kring verktygsanvändning i verkligheten. Träningen med förstärkningsinlärning använder simulerade miljöer med varierande verktyg inom många områden, och kundsupport lyfts fram som en praktisk tillämpning. För en sådan uppgift ger du modellen användarens begäran, de relevanta reglerna och de funktioner som applikationen tillåter. Ange vilken information som behövs för att välja nästa åtgärd. Ett arbetsflödesexempel är att identifiera användarens aktuella problem, be om en saknad uppgift, välja en uppslagning och sedan förbereda ett kort svar utifrån den returnerade informationen.\n\nProducenten betonar också förstärkningsinlärning över långa förlopp och scenarier med flera samtalsturer. Detta spelar roll när en begäran fortsätter genom flera åtgärder eller förtydliganden. Bevara det ursprungliga målet, viktiga begränsningar, tidigare svar och faktiska funktionsresultat så att nästa svar kan återspegla uppgiftens aktuella tillstånd. Om ett verktyg rapporterar att information saknas eller att en åtgärd misslyckades tar du med resultatet i stället för att anta att det lyckades. Be modellen förklara nästa nödvändiga steg utifrån det observerade tillståndet och håll en föreslagen åtgärd åtskild från en åtgärd som applikationen har slutfört.\n\nFamiljen har en av tillverkaren beskriven kontext på två miljoner token. Ett stort fönster kan rymma omfattande konversationshistorik, instruktioner och stödjande dokument, men prompten ska ändå göra den aktuella frågan lätt att hitta. Ge dokument stabila titlar, bevara relevanta identifierare och identifiera källan till ett faktapåstående. För ett långt supportärende ber du om problemet som det ser ut nu, de fakta som redan är fastställda och nästa obesvarade fråga. För dokumentbearbetning anger du fälten som ska extraheras och hur ett saknat eller motstridigt värde ska representeras.\n\nTillkännagivandet av Grok 4.1 Fast introducerar också en separat verktygstjänst för sökning, kodexekvering och dokumenthämtning. Modellens förmåga att anropa verktyg och tillgången till ett visst verktyg är olika delar av arbetsflödet. Beskriv de verktyg som din applikation faktiskt tillhandahåller och återför deras resultat till konversationen. För en researchuppgift definierar du frågan, omfattningen och beläggen du behöver och ber sedan om en syntes knuten till det hämtade materialet. För en datauppgift använder du faktiska beräkningsresultat som underlag för förklaringen i stället för att behandla ett genererat tal som en slutförd beräkning.\n\nFör en direkt textoperation gör du uppdragsbeskrivningen för utdata kompakt och precis. Du kan be om ett omskrivet stycke som bevarar angivna fakta, en kort sammanfattning av tillhandahållet material, en kategori vald enligt uttryckliga regler eller en tabell med extraherade detaljer. Ta med exempel när det förväntade formatet har viktiga gränsfall. Detta är exempel på tillämpningar av text- och agentarbetsflödet, snarare än påståenden om att varje indata ger ett korrekt resultat. Läget för direkta svar kan hålla resultatet fokuserat när uppgiften redan är väl specificerad.\n\nFör faktabaserat arbete ber du modellen skilja källstödd information från antaganden och markera saknade belägg. Kontrollera viktiga namn, identifierare, värden och påstådda åtgärdsresultat mot originalmaterialet eller det faktiska verktygssvaret. En stor kontext och en snabb svarsprocess ersätter inte den kontrollen. Välj den separat namngivna resonemangsvarianten när du vill ha en annan problemlösningsprocess och behåll Non-Reasoning för tydliga instruktioner och ett direkt slutsvar. Definiera färdigställandet genom det begärda resultatet och eventuella bekräftade operationsresultat, inte enbart genom att modellen har producerat ett svar.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Continue a support case from its state\n\nContinue this support conversation with one concise reply. Customer: I cannot find order K19. Earlier reply: Please confirm the checkout email. Customer: It is pat@example.test. Supplied lookup result: No order found for K19 and that email. Ask for the next useful detail without saying the order was cancelled, refunded or located.One customer-facing reply acknowledging the unsuccessful lookup and asking for a relevant missing order detail.Check that the reply reflects the supplied no-match result and claims no completed account or order action.grok-4-1-fast-non-reasoningGrok 4.1 Fast Non-Reasoning är xAI:s variant för direkta svar i textkonversationer och verktygsassisterade uppgifter. Familjens kontext på två miljoner token och träning över flera samtalsturer hjälper till att hålla samman omfattande uppgiftshistorik, instruktioner och returnerad verktygsinformation.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Grok 4.1 Fast Non-Reasoning är xAI:s namngivna variant för direkta svar i Grok 4.1 Fast-familjen. Tillverkaren släpper den separat från resonemangsvarianten och identifierar den som valet för omedelbara svar. Den är användbar för en textkonversation eller ett verktygsassisterat steg med en tydlig instruktion, kända indata och ett definierat resultat. Non-Reasoning väljer svarsläget; Grok 4.1 Fast förblir en separat familj från den vanliga Grok 4.1-modellen och från Grok 4 Fast.
xAI utvecklar Grok 4.1 Fast kring verktygsanvändning i verkligheten. Träningen med förstärkningsinlärning använder simulerade miljöer med varierande verktyg inom många områden, och kundsupport lyfts fram som en praktisk tillämpning. För en sådan uppgift ger du modellen användarens begäran, de relevanta reglerna och de funktioner som applikationen tillåter. Ange vilken information som behövs för att välja nästa åtgärd. Ett arbetsflödesexempel är att identifiera användarens aktuella problem, be om en saknad uppgift, välja en uppslagning och sedan förbereda ett kort svar utifrån den returnerade informationen.
Producenten betonar också förstärkningsinlärning över långa förlopp och scenarier med flera samtalsturer. Detta spelar roll när en begäran fortsätter genom flera åtgärder eller förtydliganden. Bevara det ursprungliga målet, viktiga begränsningar, tidigare svar och faktiska funktionsresultat så att nästa svar kan återspegla uppgiftens aktuella tillstånd. Om ett verktyg rapporterar att information saknas eller att en åtgärd misslyckades tar du med resultatet i stället för att anta att det lyckades. Be modellen förklara nästa nödvändiga steg utifrån det observerade tillståndet och håll en föreslagen åtgärd åtskild från en åtgärd som applikationen har slutfört.
Familjen har en av tillverkaren beskriven kontext på två miljoner token. Ett stort fönster kan rymma omfattande konversationshistorik, instruktioner och stödjande dokument, men prompten ska ändå göra den aktuella frågan lätt att hitta. Ge dokument stabila titlar, bevara relevanta identifierare och identifiera källan till ett faktapåstående. För ett långt supportärende ber du om problemet som det ser ut nu, de fakta som redan är fastställda och nästa obesvarade fråga. För dokumentbearbetning anger du fälten som ska extraheras och hur ett saknat eller motstridigt värde ska representeras.
Tillkännagivandet av Grok 4.1 Fast introducerar också en separat verktygstjänst för sökning, kodexekvering och dokumenthämtning. Modellens förmåga att anropa verktyg och tillgången till ett visst verktyg är olika delar av arbetsflödet. Beskriv de verktyg som din applikation faktiskt tillhandahåller och återför deras resultat till konversationen. För en researchuppgift definierar du frågan, omfattningen och beläggen du behöver och ber sedan om en syntes knuten till det hämtade materialet. För en datauppgift använder du faktiska beräkningsresultat som underlag för förklaringen i stället för att behandla ett genererat tal som en slutförd beräkning.
För en direkt textoperation gör du uppdragsbeskrivningen för utdata kompakt och precis. Du kan be om ett omskrivet stycke som bevarar angivna fakta, en kort sammanfattning av tillhandahållet material, en kategori vald enligt uttryckliga regler eller en tabell med extraherade detaljer. Ta med exempel när det förväntade formatet har viktiga gränsfall. Detta är exempel på tillämpningar av text- och agentarbetsflödet, snarare än påståenden om att varje indata ger ett korrekt resultat. Läget för direkta svar kan hålla resultatet fokuserat när uppgiften redan är väl specificerad.
För faktabaserat arbete ber du modellen skilja källstödd information från antaganden och markera saknade belägg. Kontrollera viktiga namn, identifierare, värden och påstådda åtgärdsresultat mot originalmaterialet eller det faktiska verktygssvaret. En stor kontext och en snabb svarsprocess ersätter inte den kontrollen. Välj den separat namngivna resonemangsvarianten när du vill ha en annan problemlösningsprocess och behåll Non-Reasoning för tydliga instruktioner och ett direkt slutsvar. Definiera färdigställandet genom det begärda resultatet och eventuella bekräftade operationsresultat, inte enbart genom att modellen har producerat ett svar.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser grok-4-1-fast-non-reasoning | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0004 / 1K token Utdata · Utdatatoken $0.001 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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-non-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-non-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-non-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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra grok-4-1-fast-non-reasoning
Använd metodsökvägarna som visas ovan.
grok-4-1-fast-non-reasoningGrok 4.1 Fast Non-Reasoning är xAI:s variant för direkta svar i textkonversationer och verktygsassisterade uppgifter. Familjens kontext på två miljoner token och träning över flera samtalsturer hjälper till att hålla samman omfattande uppgiftshistorik, instruktioner och returnerad verktygsinformation.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Grok 4.1 Fast Non-Reasoning är xAI:s namngivna variant för direkta svar i Grok 4.1 Fast-familjen. Tillverkaren släpper den separat från resonemangsvarianten och identifierar den som valet för omedelbara svar. Den är användbar för en textkonversation eller ett verktygsassisterat steg med en tydlig instruktion, kända indata och ett definierat resultat. Non-Reasoning väljer svarsläget; Grok 4.1 Fast förblir en separat familj från den vanliga Grok 4.1-modellen och från Grok 4 Fast.
xAI utvecklar Grok 4.1 Fast kring verktygsanvändning i verkligheten. Träningen med förstärkningsinlärning använder simulerade miljöer med varierande verktyg inom många områden, och kundsupport lyfts fram som en praktisk tillämpning. För en sådan uppgift ger du modellen användarens begäran, de relevanta reglerna och de funktioner som applikationen tillåter. Ange vilken information som behövs för att välja nästa åtgärd. Ett arbetsflödesexempel är att identifiera användarens aktuella problem, be om en saknad uppgift, välja en uppslagning och sedan förbereda ett kort svar utifrån den returnerade informationen.
Producenten betonar också förstärkningsinlärning över långa förlopp och scenarier med flera samtalsturer. Detta spelar roll när en begäran fortsätter genom flera åtgärder eller förtydliganden. Bevara det ursprungliga målet, viktiga begränsningar, tidigare svar och faktiska funktionsresultat så att nästa svar kan återspegla uppgiftens aktuella tillstånd. Om ett verktyg rapporterar att information saknas eller att en åtgärd misslyckades tar du med resultatet i stället för att anta att det lyckades. Be modellen förklara nästa nödvändiga steg utifrån det observerade tillståndet och håll en föreslagen åtgärd åtskild från en åtgärd som applikationen har slutfört.
Familjen har en av tillverkaren beskriven kontext på två miljoner token. Ett stort fönster kan rymma omfattande konversationshistorik, instruktioner och stödjande dokument, men prompten ska ändå göra den aktuella frågan lätt att hitta. Ge dokument stabila titlar, bevara relevanta identifierare och identifiera källan till ett faktapåstående. För ett långt supportärende ber du om problemet som det ser ut nu, de fakta som redan är fastställda och nästa obesvarade fråga. För dokumentbearbetning anger du fälten som ska extraheras och hur ett saknat eller motstridigt värde ska representeras.
Tillkännagivandet av Grok 4.1 Fast introducerar också en separat verktygstjänst för sökning, kodexekvering och dokumenthämtning. Modellens förmåga att anropa verktyg och tillgången till ett visst verktyg är olika delar av arbetsflödet. Beskriv de verktyg som din applikation faktiskt tillhandahåller och återför deras resultat till konversationen. För en researchuppgift definierar du frågan, omfattningen och beläggen du behöver och ber sedan om en syntes knuten till det hämtade materialet. För en datauppgift använder du faktiska beräkningsresultat som underlag för förklaringen i stället för att behandla ett genererat tal som en slutförd beräkning.
För en direkt textoperation gör du uppdragsbeskrivningen för utdata kompakt och precis. Du kan be om ett omskrivet stycke som bevarar angivna fakta, en kort sammanfattning av tillhandahållet material, en kategori vald enligt uttryckliga regler eller en tabell med extraherade detaljer. Ta med exempel när det förväntade formatet har viktiga gränsfall. Detta är exempel på tillämpningar av text- och agentarbetsflödet, snarare än påståenden om att varje indata ger ett korrekt resultat. Läget för direkta svar kan hålla resultatet fokuserat när uppgiften redan är väl specificerad.
För faktabaserat arbete ber du modellen skilja källstödd information från antaganden och markera saknade belägg. Kontrollera viktiga namn, identifierare, värden och påstådda åtgärdsresultat mot originalmaterialet eller det faktiska verktygssvaret. En stor kontext och en snabb svarsprocess ersätter inte den kontrollen. Välj den separat namngivna resonemangsvarianten när du vill ha en annan problemlösningsprocess och behåll Non-Reasoning för tydliga instruktioner och ett direkt slutsvar. Definiera färdigställandet genom det begärda resultatet och eventuella bekräftade operationsresultat, inte enbart genom att modellen har producerat ett svar.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser grok-4-1-fast-non-reasoning | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0004 / 1K token Utdata · Utdatatoken $0.001 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "grok-4-1-fast-non-reasoning",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-non-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-non-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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra grok-4-1-fast-non-reasoning
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Continue a support case from its state\n\nContinue this support conversation with one concise reply. Customer: I cannot find order K19. Earlier reply: Please confirm the checkout email. Customer: It is pat@example.test. Supplied lookup result: No order found for K19 and that email. Ask for the next useful detail without saying the order was cancelled, refunded or located.One customer-facing reply acknowledging the unsuccessful lookup and asking for a relevant missing order detail.Check that the reply reflects the supplied no-match result and claims no completed account or order action.