GPT-4 Turbo Preview 1106 er OpenAI’s første navngivne GPT-4 Turbo Preview-tekstudgave. Den introducerer et kontekstvindue på 128K, forbedret instruktionsfølgning, JSON-tilstand og opdaterede funktionskald, herunder anmodninger om flere funktioner i én besked. Det nyttige output er et tekstsvar, et kodeforslag eller en struktureret applikationspost forankret i det givne materiale. Denne 1106-profil er adskilt fra Vision Preview og den senere 0125-opdatering.
Lanceringen angiver et kontekstvindue på 128K og kendskab til verdensbegivenheder til og med april 2023. Giv nyere belæg, når opgaven afhænger af aktuelle oplysninger. En større kontekst kan rumme beslægtede kildedokumenter eller kode, men prompten skal stadig fastlægge, hvad modellen skal gøre med dem. Angiv spørgsmålet, hvilket materiale der er autoritativt, og den forventede svarform.
Ved en dokumentsammenligning angives versionerne, og der bedes om de ændrede betingelser med de passager, der understøtter dem. Ved en kodeopgave medtages den eksisterende adfærd, den ønskede ændring og de relevante grænsefladekrav. Et nyttigt resultat kan være en afgrænset patch eller en forklaring af en fejl med det konkrete tilfælde, der blotlægger den. Hold uvedkommende materiale ude af opgaven, så modellens opmærksomhed rettes mod de belæg, der ændrer resultatet.
Udvikleren fremhæver bedre overholdelse af instruktioner, som kræver et bestemt svarformat. En anmodning kan definere en ordnet forklaring, en tabel eller en maskinlæsbar post. Angiv felterne, og forklar, hvad der skal returneres, når kilden ikke fastslår en værdi. En eksempelopgave til postbehandling kan bede om en kildeidentifikator, en udtrukket betingelse og den passage, den stammer fra.
JSON-tilstand begrænser svaret til et syntaktisk gyldigt JSON-objekt i udviklerens Chat Completions-forløb. Gyldig JSON fastslår ikke, at posten har de rigtige felter eller korrekte værdier. Hold applikationsvalidering og kildekontrol adskilt fra formatindstillingen, især når næste trin afhænger af en bestemt identifikator eller status. Ved brug af udviklerens JSON-tilstand instrueres modellen eksplicit i at producere JSON, og ordet “JSON” medtages i samtalen. Uden denne instruktion kan den udsende blanktegn indtil tokengrænsen; kontroller, at et fuldstændigt objekt blev returneret. Senere funktioner i andre modeller til output med tvunget skema er en anden mekanisme.
Modellen kan producere argumenter til applikationsdefinerede funktioner. Udgaven tilføjer muligheden for at anmode om flere funktioner i én besked, hvilket kan understøtte en opgave, som kræver mere end ét opslag. Beskriv hver funktions formål og krævede input, og forbind derefter de faktisk returnerede oplysninger med næste svar. Modellen vælger og beskriver anmodningen; applikationen udfører den.
Ved en sammenligning af to poster kan en funktion hente hver posts faktiske detaljer, før assistenten forbereder sammenligningen. Bevar sammenhængen mellem den ønskede post og det returnerede resultat. Når en kilde mangler, eller en handling fejler, føres denne tilstand med ind i svaret frem for at annoncere et vellykket resultat ud fra de foreslåede argumenter alene.
Lanceringens betaindstilling seed sigter mod at producere ensartede svar det meste af tiden. Brug den med samme kildemateriale og øvrige indstillinger ved sammenligning af en lille promptændring. Den garanterer ikke determinisme, så undersøg begge svar, og gem de betingelser, hvert blev produceret under.
Den oprindelige udgave adskiller denne tekst-Preview fra GPT-4 Turbo with Vision, billedgenerering og talegenereringsmodeller. Giv et diagrams relevante oplysninger skriftligt til denne profil frem for at overføre Vision-modellens inputmulighed. Den senere 0125 Preview-opdatering sigter mod mere grundig opgaveafslutning og retter en kodningsfejl; 1106-udgaven ligger før disse ændringer. Gem den navngivne model, kildematerialet, det ønskede format og det returnerede resultat samlet ved vurdering.
", "aboutText": "GPT-4 Turbo Preview 1106 er OpenAI’s første navngivne GPT-4 Turbo Preview-tekstudgave. Den introducerer et kontekstvindue på 128K, forbedret instruktionsfølgning, JSON-tilstand og opdaterede funktionskald, herunder anmodninger om flere funktioner i én besked. Det nyttige output er et tekstsvar, et kodeforslag eller en struktureret applikationspost forankret i det givne materiale. Denne 1106-profil er adskilt fra Vision Preview og den senere 0125-opdatering.\n\n### Saml beslægtet tekst i én afgrænset opgave\n\nLanceringen angiver et kontekstvindue på 128K og kendskab til verdensbegivenheder til og med april 2023. Giv nyere belæg, når opgaven afhænger af aktuelle oplysninger. En større kontekst kan rumme beslægtede kildedokumenter eller kode, men prompten skal stadig fastlægge, hvad modellen skal gøre med dem. Angiv spørgsmålet, hvilket materiale der er autoritativt, og den forventede svarform.\n\nVed en dokumentsammenligning angives versionerne, og der bedes om de ændrede betingelser med de passager, der understøtter dem. Ved en kodeopgave medtages den eksisterende adfærd, den ønskede ændring og de relevante grænsefladekrav. Et nyttigt resultat kan være en afgrænset patch eller en forklaring af en fejl med det konkrete tilfælde, der blotlægger den. Hold uvedkommende materiale ude af opgaven, så modellens opmærksomhed rettes mod de belæg, der ændrer resultatet.\n\n### Følg et ønsket format\n\nUdvikleren fremhæver bedre overholdelse af instruktioner, som kræver et bestemt svarformat. En anmodning kan definere en ordnet forklaring, en tabel eller en maskinlæsbar post. Angiv felterne, og forklar, hvad der skal returneres, når kilden ikke fastslår en værdi. En eksempelopgave til postbehandling kan bede om en kildeidentifikator, en udtrukket betingelse og den passage, den stammer fra.\n\nJSON-tilstand begrænser svaret til et syntaktisk gyldigt JSON-objekt i udviklerens Chat Completions-forløb. Gyldig JSON fastslår ikke, at posten har de rigtige felter eller korrekte værdier. Hold applikationsvalidering og kildekontrol adskilt fra formatindstillingen, især når næste trin afhænger af en bestemt identifikator eller status. Ved brug af udviklerens JSON-tilstand instrueres modellen eksplicit i at producere JSON, og ordet “JSON” medtages i samtalen. Uden denne instruktion kan den udsende blanktegn indtil tokengrænsen; kontroller, at et fuldstændigt objekt blev returneret. Senere funktioner i andre modeller til output med tvunget skema er en anden mekanisme.\n\n### Anmod om funktioner med nyttige argumenter\n\nModellen kan producere argumenter til applikationsdefinerede funktioner. Udgaven tilføjer muligheden for at anmode om flere funktioner i én besked, hvilket kan understøtte en opgave, som kræver mere end ét opslag. Beskriv hver funktions formål og krævede input, og forbind derefter de faktisk returnerede oplysninger med næste svar. Modellen vælger og beskriver anmodningen; applikationen udfører den.\n\nVed en sammenligning af to poster kan en funktion hente hver posts faktiske detaljer, før assistenten forbereder sammenligningen. Bevar sammenhængen mellem den ønskede post og det returnerede resultat. Når en kilde mangler, eller en handling fejler, føres denne tilstand med ind i svaret frem for at annoncere et vellykket resultat ud fra de foreslåede argumenter alene.\n\n### Gentagelige eksperimenter og den valgte udgave\n\nLanceringens betaindstilling seed sigter mod at producere ensartede svar det meste af tiden. Brug den med samme kildemateriale og øvrige indstillinger ved sammenligning af en lille promptændring. Den garanterer ikke determinisme, så undersøg begge svar, og gem de betingelser, hvert blev produceret under.\n\nDen oprindelige udgave adskiller denne tekst-Preview fra GPT-4 Turbo with Vision, billedgenerering og talegenereringsmodeller. Giv et diagrams relevante oplysninger skriftligt til denne profil frem for at overføre Vision-modellens inputmulighed. Den senere 0125 Preview-opdatering sigter mod mere grundig opgaveafslutning og retter en kodningsfejl; 1106-udgaven ligger før disse ændringer. Gem den navngivne model, kildematerialet, det ønskede format og det returnerede resultat samlet ved vurdering.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.gpt-4-1106-previewGPT-4 Turbo Preview 1106 håndterer tekst- og kodeopgaver med lang kontekst og et dokumenteret kontekstvindue på 128K. JSON-tilstand og funktionskald hjælper med at omdanne leveret materiale til tekstsvar eller applikationsposter, mens den præcise Preview-udgave holdes adskilt fra modeller med billedforståelse og senere modeller.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4 Turbo Preview 1106 er OpenAI’s første navngivne GPT-4 Turbo Preview-tekstudgave. Den introducerer et kontekstvindue på 128K, forbedret instruktionsfølgning, JSON-tilstand og opdaterede funktionskald, herunder anmodninger om flere funktioner i én besked. Det nyttige output er et tekstsvar, et kodeforslag eller en struktureret applikationspost forankret i det givne materiale. Denne 1106-profil er adskilt fra Vision Preview og den senere 0125-opdatering.
Lanceringen angiver et kontekstvindue på 128K og kendskab til verdensbegivenheder til og med april 2023. Giv nyere belæg, når opgaven afhænger af aktuelle oplysninger. En større kontekst kan rumme beslægtede kildedokumenter eller kode, men prompten skal stadig fastlægge, hvad modellen skal gøre med dem. Angiv spørgsmålet, hvilket materiale der er autoritativt, og den forventede svarform.
Ved en dokumentsammenligning angives versionerne, og der bedes om de ændrede betingelser med de passager, der understøtter dem. Ved en kodeopgave medtages den eksisterende adfærd, den ønskede ændring og de relevante grænsefladekrav. Et nyttigt resultat kan være en afgrænset patch eller en forklaring af en fejl med det konkrete tilfælde, der blotlægger den. Hold uvedkommende materiale ude af opgaven, så modellens opmærksomhed rettes mod de belæg, der ændrer resultatet.
Udvikleren fremhæver bedre overholdelse af instruktioner, som kræver et bestemt svarformat. En anmodning kan definere en ordnet forklaring, en tabel eller en maskinlæsbar post. Angiv felterne, og forklar, hvad der skal returneres, når kilden ikke fastslår en værdi. En eksempelopgave til postbehandling kan bede om en kildeidentifikator, en udtrukket betingelse og den passage, den stammer fra.
JSON-tilstand begrænser svaret til et syntaktisk gyldigt JSON-objekt i udviklerens Chat Completions-forløb. Gyldig JSON fastslår ikke, at posten har de rigtige felter eller korrekte værdier. Hold applikationsvalidering og kildekontrol adskilt fra formatindstillingen, især når næste trin afhænger af en bestemt identifikator eller status. Ved brug af udviklerens JSON-tilstand instrueres modellen eksplicit i at producere JSON, og ordet “JSON” medtages i samtalen. Uden denne instruktion kan den udsende blanktegn indtil tokengrænsen; kontroller, at et fuldstændigt objekt blev returneret. Senere funktioner i andre modeller til output med tvunget skema er en anden mekanisme.
Modellen kan producere argumenter til applikationsdefinerede funktioner. Udgaven tilføjer muligheden for at anmode om flere funktioner i én besked, hvilket kan understøtte en opgave, som kræver mere end ét opslag. Beskriv hver funktions formål og krævede input, og forbind derefter de faktisk returnerede oplysninger med næste svar. Modellen vælger og beskriver anmodningen; applikationen udfører den.
Ved en sammenligning af to poster kan en funktion hente hver posts faktiske detaljer, før assistenten forbereder sammenligningen. Bevar sammenhængen mellem den ønskede post og det returnerede resultat. Når en kilde mangler, eller en handling fejler, føres denne tilstand med ind i svaret frem for at annoncere et vellykket resultat ud fra de foreslåede argumenter alene.
Lanceringens betaindstilling seed sigter mod at producere ensartede svar det meste af tiden. Brug den med samme kildemateriale og øvrige indstillinger ved sammenligning af en lille promptændring. Den garanterer ikke determinisme, så undersøg begge svar, og gem de betingelser, hvert blev produceret under.
Den oprindelige udgave adskiller denne tekst-Preview fra GPT-4 Turbo with Vision, billedgenerering og talegenereringsmodeller. Giv et diagrams relevante oplysninger skriftligt til denne profil frem for at overføre Vision-modellens inputmulighed. Den senere 0125 Preview-opdatering sigter mod mere grundig opgaveafslutning og retter en kodningsfejl; 1106-udgaven ligger før disse ændringer. Gem den navngivne model, kildematerialet, det ønskede format og det returnerede resultat samlet ved vurdering.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-4-1106-preview | 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 $0.02 / 1K tokens Output · Outputtokens $0.06 / 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-4-1106-preview", "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-4-1106-preview',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-4-1106-preview',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-4-1106-preview
Brug metodestierne vist ovenfor.
gpt-4-1106-previewGPT-4 Turbo Preview 1106 håndterer tekst- og kodeopgaver med lang kontekst og et dokumenteret kontekstvindue på 128K. JSON-tilstand og funktionskald hjælper med at omdanne leveret materiale til tekstsvar eller applikationsposter, mens den præcise Preview-udgave holdes adskilt fra modeller med billedforståelse og senere modeller.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4 Turbo Preview 1106 er OpenAI’s første navngivne GPT-4 Turbo Preview-tekstudgave. Den introducerer et kontekstvindue på 128K, forbedret instruktionsfølgning, JSON-tilstand og opdaterede funktionskald, herunder anmodninger om flere funktioner i én besked. Det nyttige output er et tekstsvar, et kodeforslag eller en struktureret applikationspost forankret i det givne materiale. Denne 1106-profil er adskilt fra Vision Preview og den senere 0125-opdatering.
Lanceringen angiver et kontekstvindue på 128K og kendskab til verdensbegivenheder til og med april 2023. Giv nyere belæg, når opgaven afhænger af aktuelle oplysninger. En større kontekst kan rumme beslægtede kildedokumenter eller kode, men prompten skal stadig fastlægge, hvad modellen skal gøre med dem. Angiv spørgsmålet, hvilket materiale der er autoritativt, og den forventede svarform.
Ved en dokumentsammenligning angives versionerne, og der bedes om de ændrede betingelser med de passager, der understøtter dem. Ved en kodeopgave medtages den eksisterende adfærd, den ønskede ændring og de relevante grænsefladekrav. Et nyttigt resultat kan være en afgrænset patch eller en forklaring af en fejl med det konkrete tilfælde, der blotlægger den. Hold uvedkommende materiale ude af opgaven, så modellens opmærksomhed rettes mod de belæg, der ændrer resultatet.
Udvikleren fremhæver bedre overholdelse af instruktioner, som kræver et bestemt svarformat. En anmodning kan definere en ordnet forklaring, en tabel eller en maskinlæsbar post. Angiv felterne, og forklar, hvad der skal returneres, når kilden ikke fastslår en værdi. En eksempelopgave til postbehandling kan bede om en kildeidentifikator, en udtrukket betingelse og den passage, den stammer fra.
JSON-tilstand begrænser svaret til et syntaktisk gyldigt JSON-objekt i udviklerens Chat Completions-forløb. Gyldig JSON fastslår ikke, at posten har de rigtige felter eller korrekte værdier. Hold applikationsvalidering og kildekontrol adskilt fra formatindstillingen, især når næste trin afhænger af en bestemt identifikator eller status. Ved brug af udviklerens JSON-tilstand instrueres modellen eksplicit i at producere JSON, og ordet “JSON” medtages i samtalen. Uden denne instruktion kan den udsende blanktegn indtil tokengrænsen; kontroller, at et fuldstændigt objekt blev returneret. Senere funktioner i andre modeller til output med tvunget skema er en anden mekanisme.
Modellen kan producere argumenter til applikationsdefinerede funktioner. Udgaven tilføjer muligheden for at anmode om flere funktioner i én besked, hvilket kan understøtte en opgave, som kræver mere end ét opslag. Beskriv hver funktions formål og krævede input, og forbind derefter de faktisk returnerede oplysninger med næste svar. Modellen vælger og beskriver anmodningen; applikationen udfører den.
Ved en sammenligning af to poster kan en funktion hente hver posts faktiske detaljer, før assistenten forbereder sammenligningen. Bevar sammenhængen mellem den ønskede post og det returnerede resultat. Når en kilde mangler, eller en handling fejler, føres denne tilstand med ind i svaret frem for at annoncere et vellykket resultat ud fra de foreslåede argumenter alene.
Lanceringens betaindstilling seed sigter mod at producere ensartede svar det meste af tiden. Brug den med samme kildemateriale og øvrige indstillinger ved sammenligning af en lille promptændring. Den garanterer ikke determinisme, så undersøg begge svar, og gem de betingelser, hvert blev produceret under.
Den oprindelige udgave adskiller denne tekst-Preview fra GPT-4 Turbo with Vision, billedgenerering og talegenereringsmodeller. Giv et diagrams relevante oplysninger skriftligt til denne profil frem for at overføre Vision-modellens inputmulighed. Den senere 0125 Preview-opdatering sigter mod mere grundig opgaveafslutning og retter en kodningsfejl; 1106-udgaven ligger før disse ændringer. Gem den navngivne model, kildematerialet, det ønskede format og det returnerede resultat samlet ved vurdering.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-4-1106-preview | 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 $0.02 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-4-1106-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-1106-preview', '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-4-1106-preview', '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-4-1106-preview
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.