Indlæser kataloget…
Indlæser kataloget…
xAI's multi-agent-orkestreringsmodel: parallel debat mellem underagenter samlet til ét svar, bygget til grundig ræsonnering frem for hastighed.
Oversigt. Grok 4.20 Multi-Agent er xAI's orkestreringsvariant af Grok 4.20-modelfamilien: I stedet for at udføre en enkelt runde inferens kører den flere underagenter i parallel debat og samler deres uddata til ét endeligt svar. Den accepterer tekst og billeder som inddata og returnerer tekst, med et kontekstvindue på 1.000.000 tokens og ræsonnering aktiveret hele tiden frem for som et valgfrit flag. Som udvikler bør du vælge den, når en opgave har gavn af overvejelser på tværs af flere ræsonneringsveje frem for det hurtigst mulige svar.
Vigtigste styrker. Modellens største styrke er dens multi-agent-arkitektur med debat og opsamling, kombineret med obligatorisk ræsonnering, verktøjskald og strukturerede uddata. Samlet set gør det den velegnet til problemløsning med mange trin og værktøjsdrevne arbejdsflow. xAI positionerer den som et flagskib til grundig ræsonnering i Grok 4.20-serien frem for en chatmodel med kort svartid. Der findes endnu ikke uafhængige benchmarkresultater for netop denne variant, så dens fordel i forhold til de andre Grok 4.20-modeller forstås bedst kvalitativt som et valg af dyb ræsonnering på bekostning af hastighed.
Anvendelsesområder. Brug denne model til komplekse ræsonneringsopgaver med mange trin eller agentiske opgaver — planlægning, orkestrering af værktøjer eller research-lignende opsamling — hvor korrekthed gennem overvejelse betyder mere end svartid. Understøttelsen af tekst og billeder som inddata gør den velegnet til opgaver, der kombinerer visuel kontekst med omfattende ræsonnering, og dens understøttelse af strukturerede uddata og værktøjskald passer til automatiserede behandlingskæder med agenter. Den er ikke det rigtige valg til anvendelsesområder, der kræver kort svartid, samtaler eller interaktiv brug med høj gennemstrømning, da den er designet til batch-orienteret behandling i flere trin.
Begrænsninger. Multi-agent-debatprocessen er i sagens natur langsommere end inferens i ét trin, så du skal forvente svartider i batch-klassen frem for respons i sanntid. xAI har ikke offentliggjort antallet af milliarder parametre, detaljer om arkitekturen eller præcis hvor træningsdataene slutter for denne variant, og indbygget understøttelse af dokumenter eller filer ud over billeder er ikke bekræftet af leverandøren. xAI har heller ikke oplyst grænser for uddata-tokens for denne model.
Bemærkning om suverænitet. Grok 4.20 Multi-Agent er en proprietær model med lukkede vægte, der er bygget og drives af xAI; der er ingen åbne vægte tilgængelige. Aktuel research har ikke fundet detaljer fra xAI om hverken dataplacering eller politik for ingen træning på dine data for denne variant, så suverænitetsniveauet kan ikke beskrives fuldt ud her ud over dens lukkede natur, hvor den drives af leverandøren.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L0 | 1,13 / 2,27€ | Online |
14 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Kombinerer et kontekstvindue på 1 million tokens med en grundig ræsonneringsarkitektur med flere agenter, hvilket prioriterer grundighed over hastighed ved gennemgang af store dokumentsæt.
Specialbygget til grundig ræsonnering via parallel debat mellem underagenter, der syntetiseres til ét svar — passer direkte til planlægningsopgaver med mange trin, der drager fordel af intern overvejelse frem for hastighed.
Et kontekstvindue på 1 million tokens understøtter indlæsning af lange dokumenter i deres helhed, og designet med debatsyntese prioriterer nøjagtighed over hurtige svar i én arbejdsgang.
Et stort kontekstvindue og krydstjek mellem flere agenter reducerer risikoen for hallucinationer sammenlignet med en enkelt model, når der genereres velbegrundede svar fra hentede dokumenter.
Et kontekstvindue på 1 million tokens plus debatsyntese mellem flere agenter er velegnet til at afstemme og sammenfatte store mængder kildemateriale til et sammenhængende svar.
Grundig ræsonnering via debat mellem underagenter kan hjælpe med at fange analytiske fejl, men der er ikke dokumenteret nogen specifik benchmark eller egenskab for dataanalyse.
Krydstjek via parallel debat mellem underagenter kan afdække subtile fejl, som ræsonnering i én arbejdsgang ville overse, selvom der ikke er dokumenteret kodespecifikke benchmarks for denne variant.
Syntese af debatter mellem flere agenter giver en sandsynlig fordel ved at fange fejl i reviewet via krydsvalidering, men mangler en bekræftet benchmark for kodning til at understøtte en stærkere påstand.
Et kontekstvindue på 1 million tokens understøtter lange uddata, men modellens fokus på grundig ræsonnering med flere agenter er ikke specifikt optimeret til kvaliteten af kreativ prosa.
Et kontekstvindue på 1 million tokens håndterer lange inddata, selvom designet med debat mellem flere agenter er optimeret til grundighed frem for hurtig opsummering.
Modelkortet angiver ingen egenskaber (herunder brug af værktøjer), så agentiske arbejdsflow til autonom kodning understøttes ikke ifølge de dokumenterede data, på trods af rammen med flere agenter.
Der er ikke dokumenteret nogen egenskaber for billedforståelse eller OCR; denne tekstorienterede model til ræsonnering med flere agenter har intet grundlag for dataudtræk fra dokumentbilleder.
Der er ikke angivet nogen egenskaber for billedforståelse for denne model, så den kan ikke anbefales til billedbaseret spørgsmål og svar.
Der er ikke angivet nogen egenskaber for værktøjskald for denne variant, hvilket gør agentisk værktøjsstyring til en ubekræftet egenskab på trods af arkitekturen med flere agenter.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "xai/grok-4.20-multi-agent-0309",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på