Error timeout: apa yang harus dilakukan saat grok-4.6 gagal

Timeout berarti klien menyerah sebelum respons datang. Permintaan streaming ke LLM paling sering mengalaminya, karena model berpikir sebelum token pertama dan fase berpikir itu tidak menghasilkan satu byte pun.

Timeout bukan kode status HTTP, melainkan batas tunggu di sisi klien. Permintaan biasanya sudah sampai gateway dan diteruskan ke upstream, tetapi model tidak menghasilkan jawaban dalam waktu yang Anda tentukan. Konteks panjang, output panjang, dan pemanggilan tanpa streaming adalah tiga pemicu paling umum.

grok-4.6 disediakan oleh xAI. Semua di halaman ini — penyebab, solusi, dan data terukur — disusun dari perilaku runtime nyata model ini di lapisan gateway.

Di gateway ini, pemicu yang paling umum adalah: Timeout di sisi klien terlalu kecil. Tindakan pertama yang disarankan: Naikkan timeout klien ke 300 detik atau lebih.

Penyebab umum

  • Timeout di sisi klien terlalu kecil
  • Prompt atau konteks panjang menaikkan latensi token pertama
  • Model sedang mengerjakan tugas penalaran panjang
  • Jaringan tidak stabil

Cara mengatasi

  • Naikkan timeout klien ke 300 detik atau lebih
  • Aktifkan streaming agar tidak menunggu seluruh jawaban
  • Perpendek konteks atau gunakan model yang lebih cepat
  • Turunkan max_tokens

Contoh percobaan ulang dengan exponential backoff

Kode di bawah mencoba ulang ketika grok-4.6 mengembalikan timeout, maksimal 5 kali, dengan waktu tunggu yang meningkat plus jitter acak agar permintaan paralel tidak mengulang bersamaan. Baca base URL dan API key dari environment variable, jangan hardcode.

import os, time, random
import requests

BASE  = os.getenv("OPENAI_BASE_URL")   # e.g. https://<your-gateway>/v1
KEY   = os.getenv("OPENAI_API_KEY")
MODEL = 'grok-4.6'


def chat(messages, retries=5):
    """Retry with exponential backoff + jitter."""
    for i in range(retries):
        try:
            r = requests.post(
                BASE + "/chat/completions",
                headers={"Authorization": "Bearer " + KEY},
                json={"model": MODEL, "messages": messages, "stream": True},
                timeout=60,
            )
            if r.status_code == 429 or r.status_code >= 500:
                time.sleep(min(2 ** i + random.uniform(0, 1), 30))
                continue
            r.raise_for_status()
            return r.json()
        except requests.exceptions.Timeout:
            time.sleep(min(2 ** i + random.uniform(0, 1), 30))
    raise RuntimeError("gave up after " + str(retries) + " retries")


print(chat([{"role": "user", "content": "hello"}]))

Data penting model ini

Endpoint APIhttps://api.airai.cc/v1
Kompatibel OpenAIOpenAI-compatible
VendorxAI
Konteks500K
KemampuanReasoning, Tools, Files, Vision
Format APIopenai, openai-response, openai-response-compact, anthropic, gemini, openai-alpha-search
Rumus penagihanp * 2 + cr * 0.5 + c * 6) : tier("200k_plus", p * 4 + cr * 1 + c * 12

FAQ

Berapa batas jumlah retry yang wajar?

Mencoba ulang adalah langkah pertama yang paling efektif. Dengan penagihan p * 2 + cr * 0.5 + c * 6) : tier("200k_plus", p * 4 + cr * 1 + c * 12, permintaan yang gagal tidak dihitung dalam penggunaan. Tetapkan batas percobaan ulang ke 3–5 kali dan tambahkan jitter. Gunakan exponential backoff untuk error yang bisa diulang, dan kembalikan error segera untuk sisanya.

Apakah saya ditagih saat grok-4.6 mengembalikan timeout?

Tidak ada tagihan, hanya output yang benar-benar dihasilkan yang dihitung. Hanya output yang sudah dihasilkan yang ditagihkan; bagian yang gagal tidak. Penagihan mengikuti p * 2 + cr * 0.5 + c * 6) : tier("200k_plus", p * 4 + cr * 1 + c * 12, tanpa output berarti tanpa tagihan. Periksa saldo dan batas laju di konsol dulu, baru periksa kodenya.

Bagaimana memantau timeout di produksi?

Simpan request ID dan isi respons mentahnya, kalau tidak tidak ada yang bisa dilacak. Jika hanya terjadi di produksi, biasanya itu perbedaan lingkungan, bukan modelnya. Model ini dilayani oleh xAI, sehingga status upstream mengikuti pengumuman penyedia. Reproduksi dulu di lingkungan pengujian dengan request body yang sama.

Apakah sebaiknya turun ke model cadangan saat timeout muncul?

Siapkan juga satu model cadangan. Fallback di tingkat arsitektur lebih andal daripada menambal setiap error satu per satu. Model dari xAI ini punya beberapa node upstream yang bisa diganti gateway. Siapkan model cadangan yang lebih ringan agar alur utama tidak terputus. Taruh nama model di konfigurasi, sehingga ganti upstream tidak perlu mengubah kode.

Error lain pada model ini

Model lain dengan error yang sama

Kembali ke halaman model

Data diperbarui: 2026-10-10 18:30

Dukungan teknisDukungan langsung
Kembali ke atas