OpenAI GPT-3.5 Turbo 1106 er den navngivne GPT-3.5 Turbo-udgave med identifikatoren gpt-3.5-turbo-1106. Den forstår og genererer naturligt sprog og kode med et chatfokuseret design, som også understøtter tekstopgaver uden samtale. Udgavens dokumenterede ændringer omfatter et kontekstvindue på 16K som standard, forbedret efterlevelse af instruktioner, JSON-tilstand og parallelle funktionskald. Den udtrykkelige 1106-identitet holder profilen adskilt fra 0613-udgaven, den senere 0125-modelversion og GPT-3.5 Turbo Instruct.
Forbered opgaven med den relevante tekst, de regler, svaret skal følge, og den ønskede form på resultatet. Til et supportsvar skal du medtage kundens spørgsmål og de relevante produktfakta. Til udtræk skal du navngive de felter, der skal identificeres, og forklare, hvad der skal ske, når et felt mangler. Til en kodeopgave skal du levere den relevante kode, den forventede adfærd og den fejl eller begrænsning, der skal håndteres. Konteksten på 16K giver plads til understøttende materiale; den lover ikke, at alle detaljer bruges korrekt, eller at svaret kan være lige så langt som inputtet.
OpenAI angiver en vidensgrænse i september 2021 for GPT-3.5 Turbo-familien. Lever autoritativt materiale, når svaret afhænger af senere oplysninger eller projektspecifikke fakta. Bed modellen om at skelne mellem det, der findes i den leverede tekst, og det, den udleder. En anmodning om et svar i et bestemt format skal definere formatet udtrykkeligt frem for at lade modellen gætte felter, enheder eller konventioner.
JSON-tilstand sigter mod at producere syntaktisk gyldig JSON. Den er nyttig, når tekstudtræk eller klassifikation kræver et objekt, som en applikation kan parse. Medtag en udtrykkelig instruktion om at producere JSON, og angiv de påkrævede nøgler, værdityper og håndteringen af ukendte oplysninger. OpenAI advarer om, at udeladelse af JSON-instruktionen kan føre til generering af blanktegn indtil tokengrænsen. Et komplet svar skal også adskilles fra output, der afbrydes, før objektet er færdigt.
Gyldig JSON garanterer ikke i sig selv efterlevelse af et bestemt skema eller korrekte værdier. Til en opgave med postudtræk skal du kontrollere, at de påkrævede nøgler findes, og at hver udtrukket værdi understøttes af inputtet. JSON-tilstand skal ikke behandles som skemagarantien i den senere funktion Structured Outputs. Denne forskel er vigtig, når outputtet skal udfylde en formular, vælge en etiket eller være input til en anden arbejdsgang.
1106-udgaven understøtter parallelle funktionskald og lader modellen foreslå mere end ét funktionskald i et svar. Det kan understøtte en opgave, der kræver flere applikationsdefinerede handlinger eller uafhængige informationsopslag. Beskriv hver funktions formål og forventede input tydeligt. Den omgivende applikation udfører handlingen og leverer resultatet; et genereret funktionskald alene er ikke bevis på, at en handling er gennemført. Gennemgå de foreslåede argumenter, og hold et tekstsvar knyttet til de resultater, der faktisk returneres.
OpenAIs annoncering af udgaven dokumenterer finjustering af den nye GPT-3.5 Turbo-model med 16K. En finjusteret model er en separat forberedt variant frem for en automatisk egenskab ved alle anmodninger til denne basisudgave. Til almindelig brug skal du begynde med en klar instruktion og relevante eksempler på det ønskede svar. Ved forberedelse af et udtræks- eller omskrivningsoplæg skal eksempler vise de væsentlige forskelle som en manglende værdi eller en formulering, der skal forblive uændret.
Nyttige output omfatter et supportsvar baseret på leverede produktoplysninger, en kontrolleret JSON-post, en kort forklaring af kode eller en omskrevet passage med angivne begrænsninger. Sammenhold resultatet med kildeteksten og det ønskede format. Til kode skal du kontrollere den foreslåede ændring i målprojektet; til udtræk skal du kontrollere værdierne og håndteringen af manglende felter. Værdien af denne udgave er dens konkrete funktioner til tekst, efterlevelse af formater og funktionskald anvendt på et input, hvis tilsigtede resultat er tydeligt.
", "aboutText": "OpenAI GPT-3.5 Turbo 1106 er den navngivne GPT-3.5 Turbo-udgave med identifikatoren gpt-3.5-turbo-1106. Den forstår og genererer naturligt sprog og kode med et chatfokuseret design, som også understøtter tekstopgaver uden samtale. Udgavens dokumenterede ændringer omfatter et kontekstvindue på 16K som standard, forbedret efterlevelse af instruktioner, JSON-tilstand og parallelle funktionskald. Den udtrykkelige 1106-identitet holder profilen adskilt fra 0613-udgaven, den senere 0125-modelversion og GPT-3.5 Turbo Instruct.\n\n### Instruktioner og inputkonteksten\n\nForbered opgaven med den relevante tekst, de regler, svaret skal følge, og den ønskede form på resultatet. Til et supportsvar skal du medtage kundens spørgsmål og de relevante produktfakta. Til udtræk skal du navngive de felter, der skal identificeres, og forklare, hvad der skal ske, når et felt mangler. Til en kodeopgave skal du levere den relevante kode, den forventede adfærd og den fejl eller begrænsning, der skal håndteres. Konteksten på 16K giver plads til understøttende materiale; den lover ikke, at alle detaljer bruges korrekt, eller at svaret kan være lige så langt som inputtet.\n\nOpenAI angiver en vidensgrænse i september 2021 for GPT-3.5 Turbo-familien. Lever autoritativt materiale, når svaret afhænger af senere oplysninger eller projektspecifikke fakta. Bed modellen om at skelne mellem det, der findes i den leverede tekst, og det, den udleder. En anmodning om et svar i et bestemt format skal definere formatet udtrykkeligt frem for at lade modellen gætte felter, enheder eller konventioner.\n\n### JSON-tilstand og skemakontroller\n\nJSON-tilstand sigter mod at producere syntaktisk gyldig JSON. Den er nyttig, når tekstudtræk eller klassifikation kræver et objekt, som en applikation kan parse. Medtag en udtrykkelig instruktion om at producere JSON, og angiv de påkrævede nøgler, værdityper og håndteringen af ukendte oplysninger. OpenAI advarer om, at udeladelse af JSON-instruktionen kan føre til generering af blanktegn indtil tokengrænsen. Et komplet svar skal også adskilles fra output, der afbrydes, før objektet er færdigt.\n\nGyldig JSON garanterer ikke i sig selv efterlevelse af et bestemt skema eller korrekte værdier. Til en opgave med postudtræk skal du kontrollere, at de påkrævede nøgler findes, og at hver udtrukket værdi understøttes af inputtet. JSON-tilstand skal ikke behandles som skemagarantien i den senere funktion Structured Outputs. Denne forskel er vigtig, når outputtet skal udfylde en formular, vælge en etiket eller være input til en anden arbejdsgang.\n\n### Parallelle funktionskald\n\n1106-udgaven understøtter parallelle funktionskald og lader modellen foreslå mere end ét funktionskald i et svar. Det kan understøtte en opgave, der kræver flere applikationsdefinerede handlinger eller uafhængige informationsopslag. Beskriv hver funktions formål og forventede input tydeligt. Den omgivende applikation udfører handlingen og leverer resultatet; et genereret funktionskald alene er ikke bevis på, at en handling er gennemført. Gennemgå de foreslåede argumenter, og hold et tekstsvar knyttet til de resultater, der faktisk returneres.\n\n### Finjustering og praktisk brug\n\nOpenAIs annoncering af udgaven dokumenterer finjustering af den nye GPT-3.5 Turbo-model med 16K. En finjusteret model er en separat forberedt variant frem for en automatisk egenskab ved alle anmodninger til denne basisudgave. Til almindelig brug skal du begynde med en klar instruktion og relevante eksempler på det ønskede svar. Ved forberedelse af et udtræks- eller omskrivningsoplæg skal eksempler vise de væsentlige forskelle som en manglende værdi eller en formulering, der skal forblive uændret.\n\nNyttige output omfatter et supportsvar baseret på leverede produktoplysninger, en kontrolleret JSON-post, en kort forklaring af kode eller en omskrevet passage med angivne begrænsninger. Sammenhold resultatet med kildeteksten og det ønskede format. Til kode skal du kontrollere den foreslåede ændring i målprojektet; til udtræk skal du kontrollere værdierne og håndteringen af manglende felter. Værdien af denne udgave er dens konkrete funktioner til tekst, efterlevelse af formater og funktionskald anvendt på et input, hvis tilsigtede resultat er tydeligt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Request an extraction object\n\nExtract an appointment record from: "Visit V-17 is on 12 December at 10:30 with Morgan. No room assigned." Return only a JSON object with keys visit_id, date_text, time_text, contact and room. Use strings for known values and null for the missing room. Do not infer a year or location.One requested JSON object with five keys; room is null and the date remains textual.Parse the returned JSON and compare every value with the sentence; formatting alone does not establish correctness.gpt-3.5-turbo-1106OpenAI GPT-3.5 Turbo 1106 er den navngivne tekstmodeludgave med et kontekstvindue på 16K, forbedret efterlevelse af instruktioner, JSON-tilstand og parallelle funktionskald. Brug den til samtaleassistance, tekstudtræk og kode- eller indholdsopgaver med et tydeligt specificeret output.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
OpenAI GPT-3.5 Turbo 1106 er den navngivne GPT-3.5 Turbo-udgave med identifikatoren gpt-3.5-turbo-1106. Den forstår og genererer naturligt sprog og kode med et chatfokuseret design, som også understøtter tekstopgaver uden samtale. Udgavens dokumenterede ændringer omfatter et kontekstvindue på 16K som standard, forbedret efterlevelse af instruktioner, JSON-tilstand og parallelle funktionskald. Den udtrykkelige 1106-identitet holder profilen adskilt fra 0613-udgaven, den senere 0125-modelversion og GPT-3.5 Turbo Instruct.
Forbered opgaven med den relevante tekst, de regler, svaret skal følge, og den ønskede form på resultatet. Til et supportsvar skal du medtage kundens spørgsmål og de relevante produktfakta. Til udtræk skal du navngive de felter, der skal identificeres, og forklare, hvad der skal ske, når et felt mangler. Til en kodeopgave skal du levere den relevante kode, den forventede adfærd og den fejl eller begrænsning, der skal håndteres. Konteksten på 16K giver plads til understøttende materiale; den lover ikke, at alle detaljer bruges korrekt, eller at svaret kan være lige så langt som inputtet.
OpenAI angiver en vidensgrænse i september 2021 for GPT-3.5 Turbo-familien. Lever autoritativt materiale, når svaret afhænger af senere oplysninger eller projektspecifikke fakta. Bed modellen om at skelne mellem det, der findes i den leverede tekst, og det, den udleder. En anmodning om et svar i et bestemt format skal definere formatet udtrykkeligt frem for at lade modellen gætte felter, enheder eller konventioner.
JSON-tilstand sigter mod at producere syntaktisk gyldig JSON. Den er nyttig, når tekstudtræk eller klassifikation kræver et objekt, som en applikation kan parse. Medtag en udtrykkelig instruktion om at producere JSON, og angiv de påkrævede nøgler, værdityper og håndteringen af ukendte oplysninger. OpenAI advarer om, at udeladelse af JSON-instruktionen kan føre til generering af blanktegn indtil tokengrænsen. Et komplet svar skal også adskilles fra output, der afbrydes, før objektet er færdigt.
Gyldig JSON garanterer ikke i sig selv efterlevelse af et bestemt skema eller korrekte værdier. Til en opgave med postudtræk skal du kontrollere, at de påkrævede nøgler findes, og at hver udtrukket værdi understøttes af inputtet. JSON-tilstand skal ikke behandles som skemagarantien i den senere funktion Structured Outputs. Denne forskel er vigtig, når outputtet skal udfylde en formular, vælge en etiket eller være input til en anden arbejdsgang.
1106-udgaven understøtter parallelle funktionskald og lader modellen foreslå mere end ét funktionskald i et svar. Det kan understøtte en opgave, der kræver flere applikationsdefinerede handlinger eller uafhængige informationsopslag. Beskriv hver funktions formål og forventede input tydeligt. Den omgivende applikation udfører handlingen og leverer resultatet; et genereret funktionskald alene er ikke bevis på, at en handling er gennemført. Gennemgå de foreslåede argumenter, og hold et tekstsvar knyttet til de resultater, der faktisk returneres.
OpenAIs annoncering af udgaven dokumenterer finjustering af den nye GPT-3.5 Turbo-model med 16K. En finjusteret model er en separat forberedt variant frem for en automatisk egenskab ved alle anmodninger til denne basisudgave. Til almindelig brug skal du begynde med en klar instruktion og relevante eksempler på det ønskede svar. Ved forberedelse af et udtræks- eller omskrivningsoplæg skal eksempler vise de væsentlige forskelle som en manglende værdi eller en formulering, der skal forblive uændret.
Nyttige output omfatter et supportsvar baseret på leverede produktoplysninger, en kontrolleret JSON-post, en kort forklaring af kode eller en omskrevet passage med angivne begrænsninger. Sammenhold resultatet med kildeteksten og det ønskede format. Til kode skal du kontrollere den foreslåede ændring i målprojektet; til udtræk skal du kontrollere værdierne og håndteringen af manglende felter. Værdien af denne udgave er dens konkrete funktioner til tekst, efterlevelse af formater og funktionskald anvendt på et input, hvis tilsigtede resultat er tydeligt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-3.5-turbo-1106 | 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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.002 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-3.5-turbo-1106", "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='gpt-3.5-turbo-1106',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='gpt-3.5-turbo-1106',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 gpt-3.5-turbo-1106
Brug metodestierne vist ovenfor.
gpt-3.5-turbo-1106OpenAI GPT-3.5 Turbo 1106 er den navngivne tekstmodeludgave med et kontekstvindue på 16K, forbedret efterlevelse af instruktioner, JSON-tilstand og parallelle funktionskald. Brug den til samtaleassistance, tekstudtræk og kode- eller indholdsopgaver med et tydeligt specificeret output.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
OpenAI GPT-3.5 Turbo 1106 er den navngivne GPT-3.5 Turbo-udgave med identifikatoren gpt-3.5-turbo-1106. Den forstår og genererer naturligt sprog og kode med et chatfokuseret design, som også understøtter tekstopgaver uden samtale. Udgavens dokumenterede ændringer omfatter et kontekstvindue på 16K som standard, forbedret efterlevelse af instruktioner, JSON-tilstand og parallelle funktionskald. Den udtrykkelige 1106-identitet holder profilen adskilt fra 0613-udgaven, den senere 0125-modelversion og GPT-3.5 Turbo Instruct.
Forbered opgaven med den relevante tekst, de regler, svaret skal følge, og den ønskede form på resultatet. Til et supportsvar skal du medtage kundens spørgsmål og de relevante produktfakta. Til udtræk skal du navngive de felter, der skal identificeres, og forklare, hvad der skal ske, når et felt mangler. Til en kodeopgave skal du levere den relevante kode, den forventede adfærd og den fejl eller begrænsning, der skal håndteres. Konteksten på 16K giver plads til understøttende materiale; den lover ikke, at alle detaljer bruges korrekt, eller at svaret kan være lige så langt som inputtet.
OpenAI angiver en vidensgrænse i september 2021 for GPT-3.5 Turbo-familien. Lever autoritativt materiale, når svaret afhænger af senere oplysninger eller projektspecifikke fakta. Bed modellen om at skelne mellem det, der findes i den leverede tekst, og det, den udleder. En anmodning om et svar i et bestemt format skal definere formatet udtrykkeligt frem for at lade modellen gætte felter, enheder eller konventioner.
JSON-tilstand sigter mod at producere syntaktisk gyldig JSON. Den er nyttig, når tekstudtræk eller klassifikation kræver et objekt, som en applikation kan parse. Medtag en udtrykkelig instruktion om at producere JSON, og angiv de påkrævede nøgler, værdityper og håndteringen af ukendte oplysninger. OpenAI advarer om, at udeladelse af JSON-instruktionen kan føre til generering af blanktegn indtil tokengrænsen. Et komplet svar skal også adskilles fra output, der afbrydes, før objektet er færdigt.
Gyldig JSON garanterer ikke i sig selv efterlevelse af et bestemt skema eller korrekte værdier. Til en opgave med postudtræk skal du kontrollere, at de påkrævede nøgler findes, og at hver udtrukket værdi understøttes af inputtet. JSON-tilstand skal ikke behandles som skemagarantien i den senere funktion Structured Outputs. Denne forskel er vigtig, når outputtet skal udfylde en formular, vælge en etiket eller være input til en anden arbejdsgang.
1106-udgaven understøtter parallelle funktionskald og lader modellen foreslå mere end ét funktionskald i et svar. Det kan understøtte en opgave, der kræver flere applikationsdefinerede handlinger eller uafhængige informationsopslag. Beskriv hver funktions formål og forventede input tydeligt. Den omgivende applikation udfører handlingen og leverer resultatet; et genereret funktionskald alene er ikke bevis på, at en handling er gennemført. Gennemgå de foreslåede argumenter, og hold et tekstsvar knyttet til de resultater, der faktisk returneres.
OpenAIs annoncering af udgaven dokumenterer finjustering af den nye GPT-3.5 Turbo-model med 16K. En finjusteret model er en separat forberedt variant frem for en automatisk egenskab ved alle anmodninger til denne basisudgave. Til almindelig brug skal du begynde med en klar instruktion og relevante eksempler på det ønskede svar. Ved forberedelse af et udtræks- eller omskrivningsoplæg skal eksempler vise de væsentlige forskelle som en manglende værdi eller en formulering, der skal forblive uændret.
Nyttige output omfatter et supportsvar baseret på leverede produktoplysninger, en kontrolleret JSON-post, en kort forklaring af kode eller en omskrevet passage med angivne begrænsninger. Sammenhold resultatet med kildeteksten og det ønskede format. Til kode skal du kontrollere den foreslåede ændring i målprojektet; til udtræk skal du kontrollere værdierne og håndteringen af manglende felter. Værdien af denne udgave er dens konkrete funktioner til tekst, efterlevelse af formater og funktionskald anvendt på et input, hvis tilsigtede resultat er tydeligt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-3.5-turbo-1106 | 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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.002 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-3.5-turbo-1106",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'gpt-3.5-turbo-1106', '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': 'gpt-3.5-turbo-1106', '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 gpt-3.5-turbo-1106
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Request an extraction object\n\nExtract an appointment record from: "Visit V-17 is on 12 December at 10:30 with Morgan. No room assigned." Return only a JSON object with keys visit_id, date_text, time_text, contact and room. Use strings for known values and null for the missing room. Do not infer a year or location.One requested JSON object with five keys; room is null and the date remains textual.Parse the returned JSON and compare every value with the sentence; formatting alone does not establish correctness.