So installieren Sie Grok Code Fast 1 unter Windows 11: Eine Anleitung

Wenn Sie mit Windows 11 arbeiten und Ihre Entwicklung mithilfe von KI beschleunigen möchten , könnte Grok Code Fast 1 der ideale Partner für Sie sein. Dieses xAI-Modell ist auf blitzschnelle Programmierung optimiert und zeichnet sich durch sehr geringe Latenz, niedrige Kosten und einen „Agenten“-Stil aus, der sich perfekt in IDEs, Pipelines und Iterationsassistenten integrieren lässt.

Dieser Leitfaden erklärt die Aktivierung und Nutzung unter Windows 11 mit verschiedenen Methoden: GitHub Copilot, Cursor, Cline, direkter Zugriff über die xAI-API (gRPC SDK) und REST-Kompatibilität mit OpenRouter. Sie finden außerdem praktische Tipps , Anwendungsbeispiele, Informationen zu Preisen und Nutzungsbeschränkungen sowie Lösungen für häufige Probleme . Zusätzlich erhalten Sie Empfehlungen zu Sicherheit, Qualität und Teambereitstellung.

Was ist Grok Code Fast 1 und warum ist es für Windows 11 wichtig?

Grok Code Fast 1 (Modell „grok-code-fast-1“) ist das neue, programmierzentrierte Modell von xAI , das für schnelle Arbeitsabläufe und Agenten-Tools entwickelt wurde. Es generiert Code, debuggt ihn, plant Änderungen und ruft externe Funktionen (Tools) mit nachvollziehbarer und strukturierter Logik auf, die Sie nachvollziehen und anpassen können.

In der Praxis liegen seine größten Stärken in der Geschwindigkeit und den geringen Kosten pro Token. Es unterstützt sehr große Kontextfenster (bis zu 256.000 Token bei kompatiblen Anbietern) , wodurch sich problemlos ganze Repositories, Dokumentationen oder Bug-Traces beitragen lassen, ohne wichtige Informationen zu verlieren. Es eignet sich außerdem hervorragend für kurze, häufige Iterationen: Anstatt alles auf einmal anzufordern, ist es ideal, verkettete Mikrotasks bereitzustellen.

Bei der Planung Ihrer Nutzung sollten Sie einige wichtige technische Details beachten. Der Dienst arbeitet mit geringer Latenz (Region US Ost 1) und bietet wettbewerbsfähige Preise : Einstiegstoken für 0.20 $/Monat, Ausstiegstoken für 1.50 $/Monat und zwischengespeicherte Token für 0.02 $/Monat. Die Ratenbegrenzungen liegen üblicherweise bei 480 Anfragen pro Minute und 2.000.000 Token pro Minute, wodurch auch hohe Lasten bewältigt werden können.

Ein wichtiger Hinweis: Das Modell führt keine Live-Websuche durch . Benötigen Sie externe Informationen, müssen Sie diese entweder selbst in der Eingabeaufforderung angeben oder ein Tool verwenden, das diese Informationen für Sie abruft. Dennoch liefert es in Code-Benchmarks wie HumanEval im Vergleich zu gängigen Alternativen solide Ergebnisse und fühlt sich in der Praxis in Editoren agil und zuverlässig an.

Voraussetzungen in Windows 11

Bevor Sie mit der Arbeit an Ihrem PC beginnen, stellen Sie sicher, dass Ihre Systemumgebung bereit ist. Ein aktuelles Windows 11, Administratorrechte und eine stabile Internetverbindung sind üblicherweise die wichtigsten Voraussetzungen, um Probleme zu vermeiden.

Für die API-Schnittstelle (xAI SDK gRPC) benötigen Sie Python 3.8 oder höher und pip. Installieren Sie außerdem Git und Visual Studio Code, wenn Sie an realen Projekten arbeiten möchten . WSL2 ist empfehlenswert, wenn Sie Linux- Tools bevorzugen , obwohl es für die Verwendung von Grok Code Fast 1 nicht zwingend erforderlich ist.

Wenn Sie IDE-Integrationen nutzen, benötigen Sie folgende Plugins: GitHub Copilot in VS Code/JetBrains, Cursor IDE oder die Cline-Erweiterung . Mit jedem dieser Plugins können Sie die Grok Code Fast 1-Vorlage auswählen und sie sofort mit den Eingabeaufforderungen im Editor verwenden.

Zugriffspfade: Copilot, Cursor, Cline, Direct API und OpenRouter

Ein Vorteil von Grok Code Fast 1 ist, dass es sich je nach Ihrem Workflow auf verschiedene Arten aktivieren lässt. Ich werde Ihnen jede Option im Detail erläutern, damit Sie diejenige auswählen können, die am besten zu Ihnen und Ihrem Team passt.

Option 1: GitHub Copilot

Wenn Sie Copilot bereits verwenden, ist dies wahrscheinlich der einfachste Weg. Öffnen Sie Ihre IDE, aktualisieren Sie Copilot auf die neueste Version und gehen Sie zur Modellauswahl . Dort können Sie „Grok Code Fast 1“ auswählen und sofort mit der Codegenerierung oder -bearbeitung beginnen.

In einigen Einführungsphasen war die Nutzung unbegrenzt und uneingeschränkt möglich, es gab jedoch kostenlose Aktionen mit einem begrenzten Enddatum. Beachten Sie, dass sich Aktionen ändern können . Prüfen Sie diese daher am besten zum Zeitpunkt der Nutzung, um Überraschungen zu vermeiden.

Option 2: IDE-Cursor

Cursor ist ein KI-gestützter Editor, der die Modellauswahl vereinfacht. Laden Sie ihn herunter und installieren Sie ihn. Wählen Sie anschließend in den Modelleinstellungen „Grok Code Fast 1“ aus . Danach können Sie Ihr Projekt öffnen und direkt im Editor mit den Eingabeaufforderungen arbeiten.

Wie bei Copilot gab es auch hier zeitweise kostenlose Testversionen. Falls ein Testzeitraum mit Ablaufdatum angeboten wird, nutzen Sie ihn, um Leistung und Qualität in Ihrer Systemarchitektur zu überprüfen, bevor Sie sich für eine breitere Anwendung entscheiden.

Option 3: Cline (Erweiterung für VS Code)

Cline ist ein Codierungsagent, der sich in VS Code integriert und Grok Code Fast unterstützt. Installieren Sie die Erweiterung, passen Sie die Anbieter-/Modelleinstellungen an und wählen Sie grok-code-fast-1 aus . Beginnen Sie mit einer kurzen Anfrage, um Ablauf und Latenz zu überprüfen.

Das Cline-Team kündigte drei bemerkenswerte Verbesserungen an: Unterstützung für Grok Code Fast (zum Start ohne Einschränkungen), lokale Modelle über LM Studio + Qwen3 Coder 30B und den Qwen Code Provider mit OAuth (Kontextfenster mit bis zu 1 Million Tokens und 2000 kostenlosen Anfragen pro Tag in einigen Tarifen). Außerdem wurden die automatische Komprimierung und die Ratenbegrenzung optimiert.

Option 4: Direkter API-Zugriff (xAI)

Für volle Kontrolle nutzen Sie die xAI-API direkt über das gRPC SDK. Erstellen Sie zunächst ein mit X (ehemals Twitter) verknüpftes Konto, melden Sie sich bei ide.x.ai an und generieren Sie Ihren API-Schlüssel im Bereich „API-Schlüssel“. Definieren Sie anschließend die ACLs (z. B. sampler:write) entsprechend Ihrem benötigten Bereich.

Installieren Sie als Nächstes das SDK unter Windows 11: Öffnen Sie PowerShell und führen Sie folgenden Befehl aus :

pip install xai-sdk

Speichern Sie Ihr Passwort als Umgebungsvariable, um zu vermeiden, dass es in Ihrem Code offengelegt wird. Unter Windows können Sie Folgendes verwenden :

setx XAI_API_KEY "TU_CLAVE_AQUI"

Um die Konnektivität zu testen, können Sie einen kurzen SDK-Check durchführen. Erstellen Sie in Ihrem Python -Skript den Client und führen Sie einen einfachen Test aus :

import asyncio
import xai_sdk

async def main():
    client = xai_sdk.Client()
    prompt = "Escribe una función en Python que calcule la serie de Fibonacci"
    async for token in client.sampler.sample(prompt, max_len=120, model="grok-code-fast-1"):
        print(token.token_str, end="")

asyncio.run(main())

Wenn alles reibungslos funktioniert, ist es jetzt aktiv. Denken Sie daran, dass Sie Temperatur und top_p anpassen können, um Kreativität und Vielfalt zu steuern , und wiederholte Eingabeaufforderungen zwischenspeichern können, um Kosten zu sparen.

Option 5: OpenRouter (REST-Unterstützung)

Wenn Sie REST bevorzugen oder Ihr Stack bereits das OpenAI SDK verwendet , ist OpenRouter eine komfortable Option. Registrieren Sie sich unter openrouter.ai, generieren Sie einen API-Schlüssel und verwenden Sie dessen Endpunkt mit einem kompatiblen Client.

from openai import OpenAI
client = OpenAI(base_url="https://openrouter.ai/api/v1", api_key="TU_CLAVE_OPENROUTER")
res = client.chat.completions.create(
    model="x-ai/grok-code-fast-1",
    messages=[{"role": "user", "content": "Genera un algoritmo de ordenación"}]
)
print(res.choices[0].message.content)

OpenRouter standardisiert Parameter über verschiedene Anbieter hinweg. Es unterstützt große Kontextfenster, gewährleistet eine einheitliche Preisgestaltung und ermöglicht bei Bedarf das Hinzufügen von Headern wie HTTP-Referer zur Nachverfolgbarkeit.

Geführter Einstieg in Windows 11

Am besten lernt man, wie man das volle Potenzial ausschöpft, indem man mit etwas Kleinem beginnt. Eine To-Do-Listen-App in React eignet sich perfekt, um den Workflow zu verstehen, da sie einen überschaubaren Umfang und klare Anforderungen hat und leicht zu testen ist.

Startaufforderung : „Erstelle eine einfache To-Do-Liste in React mit Funktionen zum Hinzufügen, Entfernen und Markieren als erledigt. Verwende moderne Hooks und einen klaren Stil.“ Sieh dir die nahezu sofortige Reaktion an und überprüfe den Code, bevor du ihn einfügst.

Gehen Sie bei der Codeprüfung wie folgt vor: Lesen Sie den Code, verstehen Sie die Struktur, identifizieren Sie Probleme schnell, testen Sie die Grundlagen und notieren Sie Verbesserungsvorschläge . Streben Sie nicht beim ersten Versuch nach Perfektion; arbeiten Sie iterativ mit kleinen Anpassungen.

Empfohlene Iterationsreihenfolge: 1) Eingabevalidierung hinzufügen, 2) Stile (Hover-Effekt) verbessern, 3) im localStorage speichern, 4) Prioritätsstufen festlegen . Diese verketteten Verbesserungen sind effektiver als eine einzige große Anfrage.

Gute Aufforderungen vs. schlechte Aufforderungen

Der Schlüssel zu beständigen Ergebnissen liegt in klaren Vorgaben. Vermeiden Sie vage Forderungen wie „Macht es besser“ und setzen Sie sich stattdessen konkrete, messbare Ziele.

Schlechtes Beispiel: „Beheben Sie den Fehler.“ Gutes Beispiel : „Die Formularvalidierung im E-Mail-Feld funktioniert nicht. Die Fehlermeldung sollte erscheinen, wenn das Format ungültig ist.“

In React-Performance: „Optimieren Sie diese Komponente, um das erneute Rendern mithilfe von Memo- und Memorieselzeichen zu reduzieren.“ Beim Debuggen : Fügen Sie den Trace ein, stellen Sie den relevanten Codeausschnitt bereit und bitten Sie um begründete Korrekturen.

Empfohlene Sprachen und Projekttypen

Grok Code Fast 1 kommt mit mehreren Stacks gut zurecht. Für JavaScript/TypeScript zeichnet es sich besonders in React- Apps , Node.js-Backends, APIs und Frontend-Komponenten aus.

In Python eignet es sich für Datenanalyse-Skripte, Web-Scraper, Prototypen für maschinelles Lernen und Automatisierungsprogramme . In Java unterstützt es Spring Boot, Android und Unternehmenssysteme. In Go ist es eine gute Wahl für die Arbeit mit Microservices oder Kommandozeilenschnittstellen.

Fortgeschrittene Techniken für den Agenteneinsatz

Kontext intelligent vermitteln: Die relevante Datei einfügen, die Projektstruktur erläutern und definieren, was geändert werden soll . Beispiel: „Ich arbeite an einer E-Commerce-Website. Dies ist mein Benutzermodell […]. Erstellen Sie eine Warenkorbkomponente, die sich damit integrieren lässt.“

Zum Debuggen: Bitte den Fehler und den betroffenen Code einfügen und nach einer Lösung fragen. Für die Überprüfung: Bitten Sie um Feedback zu Performance und Lesbarkeit. Für die Architektur: Bitten Sie um einen Entwurf für einen Echtzeit-Chat mit React und WebSockets.

Ziel ist es, das Modell in Ihren Arbeitsalltag zu integrieren: Morgens planen, in der Entwicklungsumgebung entwickeln und optimieren, mithilfe von KI debuggen, eine abschließende Überprüfung anfordern und die Dokumentation erstellen . So bleibt die KI produktiv, ohne Ihren Workflow zu stören.

Teamarbeit: schrittweise Umsetzung

Wenn Sie es auf Teamebene einführen möchten, beginnen Sie klein und erweitern Sie den Umfang schrittweise. Wochen 1–2: Individuelle Tests, Austausch von Erkenntnissen und Identifizierung von Early Adopters und Skeptikern.

Wochen 3–4: Pilotprojekte mit geringem Risiko, Zusammenführung von fortgeschrittenen Nutzern und Neueinsteigern sowie Dokumentation bewährter Verfahren . Wochen 5–6: Teamrichtlinien, gezielte Überprüfung von KI-generiertem Code und gemeinsame Vorlagen.

Woche 7–8: Vollständige Implementierung in geeigneten Projekten, kontinuierliches Monitoring und Lernen aus Erfolgen und Fehlern . Dieser Rhythmus reduziert Reibungsverluste und verbessert die Akzeptanz.

Qualität, Sicherheit und häufige Fehler

Nutzen Sie eine Checkliste: Lässt es sich kompilieren? Gibt es offensichtliche Sicherheitslücken? Ist es wartungsfreundlich? Entspricht es den Teamstandards? Gibt es ausreichend Feedback? Das sind einfache Fragen, die Überraschungen im Produktivbetrieb verhindern.

Häufige Fehler: zu starke Abhängigkeit von KI, unzureichender Kontext, Vernachlässigung der Sicherheit, fehlende Tests und uneinheitlicher Stil . Lösungen: Mehr Kontext anfordern, in kleinere Abschnitte unterteilen, Versionen und Best Practices festlegen sowie einheitliche Formatierung und Stile fordern.

Typische Probleme: falsche Lösungen (mehr Kontext bereitstellen), mangelhafte Integration (Struktur teilen), veraltete Methoden (Versionen korrigieren), inkonsistente Ergebnisse (präzisere Vorgaben) . Messen und Anpassen trägt zur Stabilisierung der Ergebnisse bei.

Kennzahlen und Strategien zur Verbesserung

Geschwindigkeit messen: Zeit pro Aufgabe, nutzbare Zeilen pro Stunde, korrigierte Fehler pro Sitzung . Qualität messen: Feedback aus der Überprüfung, Fehlerrate, Wartbarkeit. Lernerfolg messen: neue Konzepte, verinnerlichte Best Practices, Geschwindigkeit bei der Problemlösung.

Strategien: Vorlagen, Kontextbibliotheken (für gute Interaktionen), kollaboratives Lernen und kontinuierliche Verbesserung . Die Pflege eines internen Repositorys mit Beispielen und Hilfestellungen beschleunigt den gesamten Teamprozess.

Erweiterte Nutzung: Funktionsaufrufe und strukturierte Ausgaben

Grok Code Fast 1 zeichnet sich durch vordefinierte Werkzeuge/Funktionen aus. Es definiert klare Verträge (Name, Eingaben, Ausgaben) und beschränkt die aufrufbaren Funktionen, um ein vorhersehbares Verhalten zu gewährleisten.

Wenn Sie eine auswertbare Ausgabe benötigen, fordern Sie strukturiertes JSON (response_format) an . Kombinieren Sie dies mit Agent-Flow-Tools: Das Modell analysiert die Daten, ruft Funktionen auf und gibt Ergebnisse zur Weiterverarbeitung zurück.

Es behandelt Fehler, indem es die Ausgaben validiert und bei Überschreitung des Ratenlimits Wiederholungsversuche mit Backoff durchführt. Dieser Ansatz hebt das Modell über einfache Vervollständigungen hinaus und ermöglicht reproduzierbare Automatisierungen.

xAI SDK unter Windows 11: Installation und Überprüfung

Zusammenfassend zum SDK: Installieren Sie es mit pip, exportieren Sie Ihren Schlüssel und erstellen Sie den Client. Informationen zu den Modellparametern finden Sie in der SDK-Dokumentation. Verwenden Sie `grok-code-fast-1` in Ihren Aufrufen. Sollte ein Fehler auftreten, überprüfen Sie Ihre ACLs, Ihr Netzwerk und die Paketversion.

In Hochleistungsumgebungen sollten Sie asynchrone Operationen nutzen . Für synchrone Operationen verwenden Sie blockierende Aufrufe, sofern diese in Ihrer Wrapper-Klasse verfügbar sind. Halten Sie den Schlüssel mithilfe von Umgebungsvariablen oder Vaults vom Code fern.

OpenRouter und Apidog: Praktisches REST und Testen

Mit OpenRouter können Sie einen Stack auf Basis von REST- und OpenAI-SDKs pflegen. Dies vereinfacht Webintegrationen oder Nicht-Python-Ökosysteme und gewährleistet gleichzeitig den Zugriff auf grok-code-fast-1.

Für Endpunkttests und -dokumentation ist Apidog hilfreich: Konfigurieren Sie eine POST-Anfrage an `/chat/completions` mit Ihrer Autorisierung: Bearer , definieren Sie den Body mit dem Modell und den Nachrichten, senden Sie die Anfrage und prüfen Sie die Antwort. Sie können automatisierte Assertions hinzufügen und Spezifikationen mit dem Team teilen.

Leistungs-, Kosten- und Cache-Optimierung

Klare Anweisungen mit kurzen Beispielen erleichtern das logische Denken, ohne unnötig viele Tokens zu verwenden. Durch die Wiederverwendung von Präfixen und die Pflege einer stabilen Historie werden Caching-Funktionen optimal genutzt (hohe Trefferquote) und Kosten sowie Latenz reduziert.

Parameter anpassen: Reduzieren Sie `max_tokens`, wenn Sie nur einen bestimmten Patch oder Block benötigen , senken Sie die Temperatur für deterministisches Verhalten und verwenden Sie `top_p` zur Steuerung der Diversität. Überwachen Sie den Verbrauch und verteilen Sie die Aufrufe, falls Skalierung erforderlich ist.

Beheben häufiger Probleme

Authentifizierung fehlgeschlagen? Überprüfen Sie die Zugriffskontrolllisten (ACLs) und die Gültigkeit der Schlüssel . Abgeschnittene Antworten? Erhöhen Sie die maximale Länge (max_len) oder überprüfen Sie den gesamten Kontext. Ratenlimit überschritten? Implementieren Sie exponentielles Backoff und Warteschlangen.

Wenn der Gedankengang zu komplex wird, fordern Sie einen kurzen, nummerierten Plan anstelle langer Gedankengänge an. Im Falle von SDK-Fehlern aktualisieren Sie die Pakete und aktivieren Sie die gRPC- Protokollierung zur Fehlersuche.

Preise, Limits und Skalierbarkeit

Die Token-Preisstruktur ist transparent, und Caching reduziert die Iterationskosten. Es orientiert sich an Benchmarks von 480 RPM und 2 Millionen TPM und nutzt asynchrone Verarbeitung für hohen Durchsatz. Individuelle Tarife für Unternehmen sind über x.ai/api verfügbar.

Wirkungsvolle Eingabemuster

Es erfordert einen „kurzen Plan + Ausführung“ für Änderungen an mehreren Dateien. Die Ausgabe beschränkt sich auf JSON, Unified Diffs oder getaggte Blöcke, um die Validierung zu automatisieren. Beim Generieren des Codes sind Tests und Sicherheitsprüfungen erforderlich.

Beispielhafter Werkzeugvertrag: „run_unit_tests“ mit expliziten Ein- und Ausgaben. Er enthält Rollback-Anweisungen (patch/undo_patch) beim Bearbeiten von Repositories und fordert eine numerische „Konfidenz“ für die Überprüfung an.

Community-Feedback und Benutzer-Feedback

Nutzer, die es mit Copilot auf VS Code getestet haben, heben die Geschwindigkeit, das Fehlen störender Geschwindigkeitsbegrenzungen und die für ein kostengünstiges Modell überraschend gute Qualität hervor. Einige vergleichen es mit High-End-Modellen und bemerken, dass man „im Spiel bleibt“, ohne die Vorteile der Oberklasse zu vermissen.

Es wurde auch erwähnt, dass das Modell möglicherweise kürzlich verbessert wurde und Benchmarks angefordert werden, um die Rangliste zu verbessern. Bei Interesse können Sie die Diskussionen im zugehörigen Ökosystem und Tools wie Cline verfolgen, um Aktualisierungen und Vergleiche zu erhalten.

Best Practices mit KI-Codierungstools

Viele Entwickler tappen in die Falle, riesige Projekte anzufordern, wenig Kontext zu liefern oder Perfektion auf Anhieb zu erwarten. Teilen Sie große Aufgaben in kleinere Teile auf, geben Sie Beispiele und akzeptieren Sie Iteration als natürlichen Arbeitsweg mit diesen Modellen.

Eine sinnvolle Routine: Morgenplanung, erster Build + Refactoring, Debugging durch Teilen von Fehlern, KI-gestützte Code-Review und unterstützte Dokumentation . Diese Routine passt perfekt zu Grok Code Fast 1.

Vorlagen und Praxisbeispiele

Vorlage für schnelle Fehlerbehebung (einzelne Datei): Erfordert einen minimalen Patch (Unified Diff), eine kurze Begründung und einen Test, der die Korrektur reproduziert. Dies erzwingt kleine, nachvollziehbare Änderungen und gewährleistet die Verifizierung.

Zweistufiges Refactoring-Template für mehrere Dateien: Zuerst planen (3–5 Schritte), dann beim Commit die Änderungen vergleichen und gegebenenfalls weitere Tests durchführen. Dieses Vorgehen reduziert die Komplexität und ermöglicht eine präzise Steuerung.

QA-Vorlage: Generiert pytest-Tests mit Fixtures und einem GitHub Actions YAML-Snippet zum Ausführen von Tests und Linting in CI mit Coverage.

Integration in IDE, CI und Bots

In der IDE: Online-Mikro-Prompts, ein Refactoring-Assistent mit Diff-Vorschau und ein Testgenerator für neue Funktionen. In der CI: Kostenkontrolle mit programmatischen Templates, Sandbox-Testanforderungen und Protokollierung von Entscheidungsabläufen.

Empfehlung: Führen Sie den Agenten in einem Container mit schreibgeschütztem Zugriff auf begrenzte Dateien aus, fordern Sie minimale Diffs an und führen Sie automatische Tests und Linter durch, bevor Sie Änderungen zusammenführen.

Andere Plattformen und Aggregatoren

Neben dem direkten Zugriff und OpenRouter gibt es Aggregatoren wie CometAPI, die grok-code-fast-1 über eine einheitliche Schnittstelle zusammen mit Modellen von OpenAI, Google, Anthropic, Qwen und anderen Anbietern bereitstellen . Dies ist oft praktisch für Teams, die Wert auf Herstellerunabhängigkeit, Kostenkontrolle und ein einziges SDK legen.

Einige Initiativen im Bereich Community- und professionelle Dienstleistungen bieten Strategie-Workshops, Rabatte, KI-Automatisierung und private Gruppen an , in denen Vorlagen, Fallstudien und neue Taktiken ausgetauscht werden. Wenn Sie schnell geschäftliche Erfolge erzielen möchten, könnte dies das Richtige für Sie sein.

Spuren der Argumentation: Wie man gut danach fragt

Grok Code Fast 1 kann sichtbare Spuren (kurze Pläne, nummerierte Schritte) aufdecken. Verlassen Sie sich nicht auf lange, undurchsichtige Denkprozesse ; bitten Sie stattdessen um einen prägnanten Plan und eine maschinenlesbare Zusammenfassung, zum Beispiel:

{
  "changes": [...],
  "tests": ["..."],
  "confidence": 0.87
}

Wenn Sie den Code nur für CI benötigen, fordern Sie „Keine Begründung, nur Patch“ an oder beschränken Sie die Begründung auf 5–6 Punkte in einem gekennzeichneten Block. Dadurch bleibt die Transparenz erhalten, wo sie benötigt wird, ohne unnötigen Ballast.