> ## Documentation Index
> Fetch the complete documentation index at: https://docs.apiyi.com/llms.txt
> Use this file to discover all available pages before exploring further.
# Руководство по модели Grok Multi-Agent
> grok-4.20-multi-agent-beta-0309 на APIYI, проверено на практике: параллельное сотрудничество нескольких агентов для сложных исследовательских задач — с критическим разбором усиления тарификации (весь внутренний трафик агентов тарифицируется).
`grok-4.20-multi-agent-beta-0309` — это модель совместной работы нескольких агентов от xAI: один запрос запускает **несколько агентов, работающих параллельно** внутри системы (модель называет себя Oppie, «руководитель команды ИИ для совместной работы»), а ведущий агент синтезирует итоговый ответ. Она подходит для сложных исследований и сравнительного анализа с разных точек зрения. Доступна в APIYI в стандартном формате, совместимом с OpenAI.
## Профиль тарификации (Прочитайте сначала)
**Весь внутренний трафик агентов попадает в ваш счет.** Это главное отличие от обычных моделей:
* Измеренный обычный prompt примерно на 40 tokens фактически тарифицируется как **39,263 prompt tokens + 9,997 completion tokens** (включая все внутренние межагентные round-trip)
* Даже самый простой однофразовый запрос несет фиксированные накладные расходы примерно в **3,900 prompt tokens**
* Цена за единицу соответствует grok-4.3 (\$1.25 / \$2.50 за 1M tokens), но **один запрос может стоить в десятки раз дороже, чем у обычной модели**
Не используйте эту модель для простых задач — для обычных Q\&A используйте `grok-4.3` или `grok-4.20-0309-reasoning`.
Хорошая новость: внутренний трафик дает высокие показатели попадания в кэш (26.8K из измеренных 39K prompt tokens попали по сниженной ставке кэша), поэтому реальная стоимость ниже наивного пересчета по количеству tokens — но все равно значительно выше, чем у обычных моделей.
## Как вызвать
Аналогично любой другой модели — отличается только поле `model`:
```python theme={null}
from openai import OpenAI
client = OpenAI(
api_key="sk-your-api-key",
base_url="https://api.apiyi.com/v1",
)
resp = client.chat.completions.create(
model="grok-4.20-multi-agent-beta-0309",
messages=[{
"role": "user",
"content": "Compare Rust and Go for building highly concurrent network services: 3 points each, then a one-line verdict"
}],
)
print(resp.choices[0].message.content)
print("Billed tokens:", resp.usage.total_tokens)
```
Многоагентная оркестрация выполняется **полностью на стороне сервера** — без дополнительных параметров. Streaming и структурированные выходные данные (`json_schema`) тоже проверены и работают.
## Измеренные характеристики (2026-07-13)
| Измерение | Измерено |
| ------------------------------------------------- | --------------------------------------------------------------- |
| Задержка для задачи средней сложности | \~29 s |
| Задержка для простого Q\&A | \~5 s |
| Фиксированные накладные расходы для простого Q\&A | \~3,900 prompt tokens |
| Потребление tokens для задачи средней сложности | \~39K prompt + \~10K completion |
| Внутренние попадания в кэш | \~2/3 prompt tokens по льготному тарифу кэша |
| Раскрытие цепочки рассуждений | Не раскрывается (`reasoning_tokens` по-прежнему тарифицируется) |
## Когда использовать
Многоугольный глубокий сравнительный анализ, сложные исследовательские вопросы, открытые задачи, где полезно несколько линий рассуждения, взаимно проверяющих друг друга — параллельное исследование агентами заметно повышает полноту ответа.
Повседневные вопросы и ответы, перевод, краткое изложение, завершение кода — задачи с одним сценарием, где качество результата близко к обычным моделям, но стоимость возрастает в десятки раз. Используйте grok-4.3 / grok-4.5 для таких задач.
Перед запуском сравните качество результатов между `grok-4.20-0309-reasoning` и многоагентной моделью на нескольких реальных задачах, затем решите, оправдывает ли разница в качестве кратное увеличение тарификации — для большинства сценариев варианта с рассуждением достаточно.
## Часто задаваемые вопросы
Это встроенная персона модели (роль лидера мультиагентной команды) — совершенно нормально. Проверьте идентичность модели по полю `model` в вашем запросе и ответе.
Нет. Мультиагентная оркестрация происходит на серверах xAI, и параметры управления не предоставляются.
Устанавливайте его с запасом (например, 8192) — внутреннее рассуждение модели потребляет много token, и небольшой лимит легко обрезает итоговый ответ.
## Связанная документация
Полная линейка моделей и цены
Цепочка рассуждений и тарификация для обычных моделей