Claude Opus 4.6 er rettet mod arbejde, hvor det er nyttigt at holde meget materiale i samme kontekst og ræsonnere efter at have læst det. Anthropic fremhæver udvikling i store kodebaser, kodekontrol, fejlfinding, finansiel analyse og forskning. Modellen kan finde væsentlige detaljer, forbinde oplysninger fra forskellige materialedele og bruge dem til at løse opgaven i successive trin.
I udvikling betyder det at arbejde på en plan, undersøge et ukendt system og finde fejl i ændringerne. I faglig analyse handler det om dokumentbehandling og forberedelse af indhold til tabeller, rapporter eller præsentationer. I sådanne forløb er det vigtigt at give modellen selve opgaven og det materiale, der skal danne grundlag for konklusionerne, frem for kun et generelt emnenavn.
Modellen understøtter en adaptiv tilstand, hvor opgavens indhold bestemmer, hvornår yderligere analyse er nyttig. effort angiver bearbejdningsgraden; for Opus 4.6 er low, medium, high og max tilgængelige, med high som standard. Ifølge Anthropic kan dyb bearbejdning øge svartiden ved enkle opgaver, så det valgte niveau bør tilpasses kompleksiteten.
Den ældre extended thinking med manuelt budget understøttes stadig, men er markeret som under udfasning. Denne version har en væsentlig forskel mellem tilstandene: ræsonnement mellem værktøjskald er tilgængeligt i adaptiv tilstand, mens Opus 4.6 ikke udfører det i manuel tilstand. Ved tilslutning af værktøjer hjælper adaptiv analyse med at bruge ét handlingsresultat til at vælge det næste.
Anthropics aktuelle specifikation angiver 1 million tokens i konteksten og op til 128 tusind tokens i svaret i almindelig tilstand. Input er tekst og billeder, og svaret forbliver tekstbaseret. Den pålidelige skæringsdato for den indbyggede viden er maj 2025.
Producentens almindelige visuelle inputformater er JPEG/PNG/GIF/WebP med første frame fra animationer. Ved modellens indbyggede billedanalyse er den lange side 1568 pixels med 1568 visuelle tokens; store billeder nedskaleres før analysen. Understøttelse af filer og parametre afhænger af applikationens metode.
Til længere samtaler og agentopgaver beskriver producenten komprimering af ældre kontekst: tidligere arbejde erstattes med et resumé, når en fastlagt tærskel nærmer sig. Muligheden er eksperimentel og kræver understøttelse i applikationen; kontekststørrelsen aktiverer ikke i sig selv uendelig hukommelse.
Opus 4.6 er beregnet til arbejde i flere trin med søgning, kode og andre tilgængelige værktøjer. Applikationsmiljøet skal give mulighed for at læse materiale, udføre kommandoer eller producere filer. Produktionshandlinger, interfacestyring og oprettelse af en færdig præsentation afhænger af disse midler; tekstmodellen får dem ikke automatisk.
Anthropic beskriver særskilt sikkerhedskontroller og beskyttelse ved potentielt farlige cybersikkerhedsopgaver. I almindelig udvikling kan modellen hjælpe med at finde og rette sårbarheder, men forespørgslens karakter påvirker, om den kan besvares. Konklusioner fra store materialesamlinger og foreslåede ændringer skal kontrolleres mod dataene selv og udførelsens resultat.
", "aboutText": "### En stor opgave og forbindelserne mellem dens dele\n\nClaude Opus 4.6 er rettet mod arbejde, hvor det er nyttigt at holde meget materiale i samme kontekst og ræsonnere efter at have læst det. Anthropic fremhæver udvikling i store kodebaser, kodekontrol, fejlfinding, finansiel analyse og forskning. Modellen kan finde væsentlige detaljer, forbinde oplysninger fra forskellige materialedele og bruge dem til at løse opgaven i successive trin.\n\nI udvikling betyder det at arbejde på en plan, undersøge et ukendt system og finde fejl i ændringerne. I faglig analyse handler det om dokumentbehandling og forberedelse af indhold til tabeller, rapporter eller præsentationer. I sådanne forløb er det vigtigt at give modellen selve opgaven og det materiale, der skal danne grundlag for konklusionerne, frem for kun et generelt emnenavn.\n\n### Adaptivt ræsonnement\n\nModellen understøtter en adaptiv tilstand, hvor opgavens indhold bestemmer, hvornår yderligere analyse er nyttig. `effort` angiver bearbejdningsgraden; for Opus 4.6 er `low`, `medium`, `high` og `max` tilgængelige, med `high` som standard. Ifølge Anthropic kan dyb bearbejdning øge svartiden ved enkle opgaver, så det valgte niveau bør tilpasses kompleksiteten.\n\nDen ældre extended thinking med manuelt budget understøttes stadig, men er markeret som under udfasning. Denne version har en væsentlig forskel mellem tilstandene: ræsonnement mellem værktøjskald er tilgængeligt i adaptiv tilstand, mens Opus 4.6 ikke udfører det i manuel tilstand. Ved tilslutning af værktøjer hjælper adaptiv analyse med at bruge ét handlingsresultat til at vælge det næste.\n\n### Kontekst til længere arbejde\n\nAnthropics aktuelle specifikation angiver **1 million tokens i konteksten** og op til **128 tusind tokens i svaret i almindelig tilstand**. Input er **tekst og billeder**, og svaret forbliver tekstbaseret. Den pålidelige skæringsdato for den indbyggede viden er **maj 2025**.\n\nProducentens almindelige visuelle inputformater er JPEG/PNG/GIF/WebP med første frame fra animationer. Ved modellens indbyggede billedanalyse er den lange side 1568 pixels med 1568 visuelle tokens; store billeder nedskaleres før analysen. Understøttelse af filer og parametre afhænger af applikationens metode.\n\nTil længere samtaler og agentopgaver beskriver producenten komprimering af ældre kontekst: tidligere arbejde erstattes med et resumé, når en fastlagt tærskel nærmer sig. Muligheden er eksperimentel og kræver understøttelse i applikationen; kontekststørrelsen aktiverer ikke i sig selv uendelig hukommelse.\n\n### Værktøjer og kontrol af resultatet\n\nOpus 4.6 er beregnet til arbejde i flere trin med søgning, kode og andre tilgængelige værktøjer. Applikationsmiljøet skal give mulighed for at læse materiale, udføre kommandoer eller producere filer. Produktionshandlinger, interfacestyring og oprettelse af en færdig præsentation afhænger af disse midler; tekstmodellen får dem ikke automatisk.\n\nAnthropic beskriver særskilt sikkerhedskontroller og beskyttelse ved potentielt farlige cybersikkerhedsopgaver. I almindelig udvikling kan modellen hjælpe med at finde og rette sårbarheder, men forespørgslens karakter påvirker, om den kan besvares. Konklusioner fra store materialesamlinger og foreslåede ændringer skal kontrolleres mod dataene selv og udførelsens resultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review an idempotency bug\n\nReview this payment-handler excerpt: if not exists(event.id): charge(event.amount); save(event.id). Two workers can process the same event concurrently. The database supports transactions and a unique event_id. Propose a minimal safe change, explain the crash window and give tests for concurrent delivery and a crash after charging. Do not assume the payment service supports idempotency.A focused review with the race, a proposed code or pseudocode patch, required payment-service guarantees and two test scenarios.Verify that the proposal handles the external charge boundary explicitly rather than claiming a database transaction alone prevents duplicate charges.anthropic/claude-opus-4.6Claude Opus 4.6 er beregnet til store kodebaser, fejlfinding, forskning og analyse af lange dokumenter. Understøtter adaptivt ræsonnement og kontekst på op til 1 million tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Claude Opus 4.6 er rettet mod arbejde, hvor det er nyttigt at holde meget materiale i samme kontekst og ræsonnere efter at have læst det. Anthropic fremhæver udvikling i store kodebaser, kodekontrol, fejlfinding, finansiel analyse og forskning. Modellen kan finde væsentlige detaljer, forbinde oplysninger fra forskellige materialedele og bruge dem til at løse opgaven i successive trin.
I udvikling betyder det at arbejde på en plan, undersøge et ukendt system og finde fejl i ændringerne. I faglig analyse handler det om dokumentbehandling og forberedelse af indhold til tabeller, rapporter eller præsentationer. I sådanne forløb er det vigtigt at give modellen selve opgaven og det materiale, der skal danne grundlag for konklusionerne, frem for kun et generelt emnenavn.
Modellen understøtter en adaptiv tilstand, hvor opgavens indhold bestemmer, hvornår yderligere analyse er nyttig. effort angiver bearbejdningsgraden; for Opus 4.6 er low, medium, high og max tilgængelige, med high som standard. Ifølge Anthropic kan dyb bearbejdning øge svartiden ved enkle opgaver, så det valgte niveau bør tilpasses kompleksiteten.
Den ældre extended thinking med manuelt budget understøttes stadig, men er markeret som under udfasning. Denne version har en væsentlig forskel mellem tilstandene: ræsonnement mellem værktøjskald er tilgængeligt i adaptiv tilstand, mens Opus 4.6 ikke udfører det i manuel tilstand. Ved tilslutning af værktøjer hjælper adaptiv analyse med at bruge ét handlingsresultat til at vælge det næste.
Anthropics aktuelle specifikation angiver 1 million tokens i konteksten og op til 128 tusind tokens i svaret i almindelig tilstand. Input er tekst og billeder, og svaret forbliver tekstbaseret. Den pålidelige skæringsdato for den indbyggede viden er maj 2025.
Producentens almindelige visuelle inputformater er JPEG/PNG/GIF/WebP med første frame fra animationer. Ved modellens indbyggede billedanalyse er den lange side 1568 pixels med 1568 visuelle tokens; store billeder nedskaleres før analysen. Understøttelse af filer og parametre afhænger af applikationens metode.
Til længere samtaler og agentopgaver beskriver producenten komprimering af ældre kontekst: tidligere arbejde erstattes med et resumé, når en fastlagt tærskel nærmer sig. Muligheden er eksperimentel og kræver understøttelse i applikationen; kontekststørrelsen aktiverer ikke i sig selv uendelig hukommelse.
Opus 4.6 er beregnet til arbejde i flere trin med søgning, kode og andre tilgængelige værktøjer. Applikationsmiljøet skal give mulighed for at læse materiale, udføre kommandoer eller producere filer. Produktionshandlinger, interfacestyring og oprettelse af en færdig præsentation afhænger af disse midler; tekstmodellen får dem ikke automatisk.
Anthropic beskriver særskilt sikkerhedskontroller og beskyttelse ved potentielt farlige cybersikkerhedsopgaver. I almindelig udvikling kan modellen hjælpe med at finde og rette sårbarheder, men forespørgslens karakter påvirker, om den kan besvares. Konklusioner fra store materialesamlinger og foreslåede ændringer skal kontrolleres mod dataene selv og udførelsens resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser anthropic/claude-opus-4.6 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.05 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time $0.02 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.05 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time $0.02 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthropic/claude-opus-4.6", "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='anthropic/claude-opus-4.6',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='anthropic/claude-opus-4.6',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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra anthropic/claude-opus-4.6
Brug metodestierne vist ovenfor.
anthropic/claude-opus-4.6Claude Opus 4.6 er beregnet til store kodebaser, fejlfinding, forskning og analyse af lange dokumenter. Understøtter adaptivt ræsonnement og kontekst på op til 1 million tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Claude Opus 4.6 er rettet mod arbejde, hvor det er nyttigt at holde meget materiale i samme kontekst og ræsonnere efter at have læst det. Anthropic fremhæver udvikling i store kodebaser, kodekontrol, fejlfinding, finansiel analyse og forskning. Modellen kan finde væsentlige detaljer, forbinde oplysninger fra forskellige materialedele og bruge dem til at løse opgaven i successive trin.
I udvikling betyder det at arbejde på en plan, undersøge et ukendt system og finde fejl i ændringerne. I faglig analyse handler det om dokumentbehandling og forberedelse af indhold til tabeller, rapporter eller præsentationer. I sådanne forløb er det vigtigt at give modellen selve opgaven og det materiale, der skal danne grundlag for konklusionerne, frem for kun et generelt emnenavn.
Modellen understøtter en adaptiv tilstand, hvor opgavens indhold bestemmer, hvornår yderligere analyse er nyttig. effort angiver bearbejdningsgraden; for Opus 4.6 er low, medium, high og max tilgængelige, med high som standard. Ifølge Anthropic kan dyb bearbejdning øge svartiden ved enkle opgaver, så det valgte niveau bør tilpasses kompleksiteten.
Den ældre extended thinking med manuelt budget understøttes stadig, men er markeret som under udfasning. Denne version har en væsentlig forskel mellem tilstandene: ræsonnement mellem værktøjskald er tilgængeligt i adaptiv tilstand, mens Opus 4.6 ikke udfører det i manuel tilstand. Ved tilslutning af værktøjer hjælper adaptiv analyse med at bruge ét handlingsresultat til at vælge det næste.
Anthropics aktuelle specifikation angiver 1 million tokens i konteksten og op til 128 tusind tokens i svaret i almindelig tilstand. Input er tekst og billeder, og svaret forbliver tekstbaseret. Den pålidelige skæringsdato for den indbyggede viden er maj 2025.
Producentens almindelige visuelle inputformater er JPEG/PNG/GIF/WebP med første frame fra animationer. Ved modellens indbyggede billedanalyse er den lange side 1568 pixels med 1568 visuelle tokens; store billeder nedskaleres før analysen. Understøttelse af filer og parametre afhænger af applikationens metode.
Til længere samtaler og agentopgaver beskriver producenten komprimering af ældre kontekst: tidligere arbejde erstattes med et resumé, når en fastlagt tærskel nærmer sig. Muligheden er eksperimentel og kræver understøttelse i applikationen; kontekststørrelsen aktiverer ikke i sig selv uendelig hukommelse.
Opus 4.6 er beregnet til arbejde i flere trin med søgning, kode og andre tilgængelige værktøjer. Applikationsmiljøet skal give mulighed for at læse materiale, udføre kommandoer eller producere filer. Produktionshandlinger, interfacestyring og oprettelse af en færdig præsentation afhænger af disse midler; tekstmodellen får dem ikke automatisk.
Anthropic beskriver særskilt sikkerhedskontroller og beskyttelse ved potentielt farlige cybersikkerhedsopgaver. I almindelig udvikling kan modellen hjælpe med at finde og rette sårbarheder, men forespørgslens karakter påvirker, om den kan besvares. Konklusioner fra store materialesamlinger og foreslåede ændringer skal kontrolleres mod dataene selv og udførelsens resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser anthropic/claude-opus-4.6 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.05 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time $0.02 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.05 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time $0.02 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "anthropic/claude-opus-4.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'anthropic/claude-opus-4.6', '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': 'anthropic/claude-opus-4.6', '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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra anthropic/claude-opus-4.6
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Review an idempotency bug\n\nReview this payment-handler excerpt: if not exists(event.id): charge(event.amount); save(event.id). Two workers can process the same event concurrently. The database supports transactions and a unique event_id. Propose a minimal safe change, explain the crash window and give tests for concurrent delivery and a crash after charging. Do not assume the payment service supports idempotency.A focused review with the race, a proposed code or pseudocode patch, required payment-service guarantees and two test scenarios.Verify that the proposal handles the external charge boundary explicitly rather than claiming a database transaction alone prevents duplicate charges.