GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.
Beskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.
Ved et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.
En grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.
Modellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.
OpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.
Udvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.
OpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.
Et nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.
", "aboutText": "GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.\n\n### Fuldfør en kodeopgave ud fra acceptbetingelserne\n\nBeskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.\n\nVed et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.\n\n### Kombiner visuelle belæg og skriftligt materiale\n\nEn grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.\n\nModellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.\n\n### Ræsonnement og en stor arbejdskontekst\n\nOpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.\n\nUdvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.\n\n### Modeloutput og værktøjsresultater\n\nOpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.\n\nEt nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct a command-line failure signal\n\nReview this Node.js CLI fragment: try { await importFile(path); console.log("Imported"); } catch (err) { console.error(err.message); process.exitCode = 0; }. Import failures must produce a nonzero exit status and never print Imported. Return a minimal patch and acceptance checks for one successful import and one rejected import.A focused code patch with expected stdout, stderr and exit status for the success and failure cases.Run each case in a separate process and check the actual exit status, not only the displayed error.gpt-5.6-solGPT-5.6 Sol er OpenAI’s flagskibsmodel i GPT-5.6 til kompleks ræsonnering, programmering og omfattende agentarbejdsgange. Den understøtter tekst- og billedinput, strukturerede resultater og værktøjsbrug med et kontekstvindue på 1.050.000 tokens og justerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.
Beskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.
Ved et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.
En grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.
Modellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.
OpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.
Udvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.
OpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.
Et nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.6-sol | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser Minimum: 1 Grænsen gælder for: den præcise øvre grænse for valgt model/modelkort | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typetool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].name | Typestring | KravValgfrit | Værdier og grænser Gælder når: værktøj angivet | Standard— |
Felttools[].description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltthinking.type | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmetadata | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
Feltcache_control | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller en blok med type=text
Tekst + billede
{type:image,source:{type:base64,media_type,data}} eller kilde med type=url
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext, image |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | Kontraktfaktisk UTF-8-indhold indsat som tekst; fil-ID’er/URLs kræver særskilt præcis understøttelse |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/messages| Anmodningens størrelse, tokens | Input | Output | Cachelæsning | Cacheskrivning | Cache 5 min. | Cache 1 time |
|---|---|---|---|---|---|---|
| Anmodningens størrelse, tokens(0; 272.000] | Input0,004 US$ | Output0,02 US$ | Cachelæsning0,0004 US$ | Cacheskrivning0,005 US$ | Cache 5 min.0,005 US$ | Cache 1 timeGrundsats: — |
| Anmodningens størrelse, tokens(272.000; ∞) | Input0,008 US$ | Output0,03 US$ | Cachelæsning0,0008 US$ | Cacheskrivning0,01 US$ | Cache 5 min.0,01 US$ | Cache 1 timeGrundsats: — |
Takster i USD pr. 1K tokens. Hvis ingen takst er angivet, overtages grundtaksten for denne metode; «—» betyder, at ingen grundtakst er angivet.
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 →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gpt-5.6-sol",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gpt-5.6-sol",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='gpt-5.6-sol',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
gpt-5.6-solGPT-5.6 Sol er OpenAI’s flagskibsmodel i GPT-5.6 til kompleks ræsonnering, programmering og omfattende agentarbejdsgange. Den understøtter tekst- og billedinput, strukturerede resultater og værktøjsbrug med et kontekstvindue på 1.050.000 tokens og justerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.
Beskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.
Ved et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.
En grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.
Modellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.
OpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.
Udvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.
OpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.
Et nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.
POST /v1/responsestext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.6-sol | Standard— |
Feltinput | Typestring|input_item[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltinput[].type | Typestring | KravValgfrit | Værdier og grænser message, reasoning, function_call, function_call_output | Standard— |
Feltinput[].content | Typestring|content_part[] | KravValgfrit | Værdier og grænser | Standard— |
Feltinput[].call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: function_call_output; bevar det faktisk returnerede call_id | Standard— |
Feltinput[].output | Typestring|content_part[] | KravValgfrit | Værdier og grænser Gælder når: function_call_output | Standard— |
Feltmax_output_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typetool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | 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— |
Feltreasoning.effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning.summary | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttext.format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttext.verbosity | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinclude | Typestring[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstore | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprevious_response_id | Typestring | KravValgfrit | Værdier og grænser ID-krav: Kun et faktisk svar-ID fra en understøttet fortsættelse Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_key | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Tekst · UTF8-tekst
inputtekst eller en input_text-del
Tekst + billede
{type:input_image,image_url}
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext, image |
Parameterrequired | Kontraktmodel, input |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | Kontraktfaktisk UTF-8-indhold indsat som tekst; fil-ID’er/URLs kræver særskilt præcis understøttelse |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/responses| Anmodningens størrelse, tokens | Input | Output | Cachelæsning | Cacheskrivning | Cache 5 min. | Cache 1 time |
|---|---|---|---|---|---|---|
| Anmodningens størrelse, tokens(0; 272.000] | Input0,004 US$ | Output0,02 US$ | Cachelæsning0,0004 US$ | Cacheskrivning0,005 US$ | Cache 5 min.0,005 US$ | Cache 1 timeGrundsats: — |
| Anmodningens størrelse, tokens(272.000; ∞) | Input0,008 US$ | Output0,03 US$ | Cachelæsning0,0008 US$ | Cacheskrivning0,01 US$ | Cache 5 min.0,01 US$ | Cache 1 timeGrundsats: — |
Takster i USD pr. 1K tokens. Hvis ingen takst er angivet, overtages grundtaksten for denne metode; «—» betyder, at ingen grundtakst er angivet.
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 →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="gpt-5.6-sol", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "gpt-5.6-sol", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="gpt-5.6-sol", input="Explain the difference between an observation and a hypothesis 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_response()\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 outputelement og hver indholdsdel, faktisk call_id for funktioner, krypteret ræsonnement og forbrugsoplysninger. Bevar ved streaming den fulde hændelses-/elementidentitet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltstatus | Typestring |
Feltoutput[] | Typemessage|reasoning|function_call|other item |
Feltoutput[].content[] | Typecontent part |
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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
gpt-5.6-solGPT-5.6 Sol er OpenAI’s flagskibsmodel i GPT-5.6 til kompleks ræsonnering, programmering og omfattende agentarbejdsgange. Den understøtter tekst- og billedinput, strukturerede resultater og værktøjsbrug med et kontekstvindue på 1.050.000 tokens og justerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.
Beskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.
Ved et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.
En grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.
Modellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.
OpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.
Udvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.
OpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.
Et nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.
POST /v1/chat/completionstext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.6-sol | 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 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— |
Tekst · UTF8-tekst
messages[].content
Tekst + billede
{type:image_url,image_url:{url,detail}}
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext, image |
Parameterrequired | Kontraktmodel, messages |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | Kontraktfaktisk UTF-8-indhold indsat som tekst; fil-ID’er/URLs kræver særskilt præcis understøttelse |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/chat/completions| Anmodningens størrelse, tokens | Input | Output | Cachelæsning | Cacheskrivning | Cache 5 min. | Cache 1 time |
|---|---|---|---|---|---|---|
| Anmodningens størrelse, tokens(0; 272.000] | Input0,004 US$ | Output0,02 US$ | Cachelæsning0,0004 US$ | Cacheskrivning0,005 US$ | Cache 5 min.0,005 US$ | Cache 1 timeGrundsats: — |
| Anmodningens størrelse, tokens(272.000; ∞) | Input0,008 US$ | Output0,03 US$ | Cachelæsning0,0008 US$ | Cacheskrivning0,01 US$ | Cache 5 min.0,01 US$ | Cache 1 timeGrundsats: — |
Takster i USD pr. 1K tokens. Hvis ingen takst er angivet, overtages grundtaksten for denne metode; «—» betyder, at ingen grundtakst er angivet.
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 →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 2 efter anmodningens længde | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="gpt-5.6-sol",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "gpt-5.6-sol",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.6-sol',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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
gpt-5.6-solGPT-5.6 Sol er OpenAI’s flagskibsmodel i GPT-5.6 til kompleks ræsonnering, programmering og omfattende agentarbejdsgange. Den understøtter tekst- og billedinput, strukturerede resultater og værktøjsbrug med et kontekstvindue på 1.050.000 tokens og justerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.
Beskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.
Ved et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.
En grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.
Modellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.
OpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.
Udvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.
OpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.
Et nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.6-sol | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
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 |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
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 $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-sol","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-5.6-sol", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
gpt-5.6-solGPT-5.6 Sol er OpenAI’s flagskibsmodel i GPT-5.6 til kompleks ræsonnering, programmering og omfattende agentarbejdsgange. Den understøtter tekst- og billedinput, strukturerede resultater og værktøjsbrug med et kontekstvindue på 1.050.000 tokens og justerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.
Beskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.
Ved et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.
En grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.
Modellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.
OpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.
Udvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.
OpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.
Et nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.6-sol | 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 $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-5.6-sol",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.6-sol', '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-5.6-sol', '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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
openai/gpt-5.6-solGPT-5.6 Sol er OpenAI’s flagskibsmodel i GPT-5.6 til kompleks ræsonnering, programmering og omfattende agentarbejdsgange. Den understøtter tekst- og billedinput, strukturerede resultater og værktøjsbrug med et kontekstvindue på 1.050.000 tokens og justerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.
Beskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.
Ved et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.
En grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.
Modellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.
OpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.
Udvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.
OpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.
Et nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.6-sol | 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 $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-sol", "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='openai/gpt-5.6-sol',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='openai/gpt-5.6-sol',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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
openai/gpt-5.6-solGPT-5.6 Sol er OpenAI’s flagskibsmodel i GPT-5.6 til kompleks ræsonnering, programmering og omfattende agentarbejdsgange. Den understøtter tekst- og billedinput, strukturerede resultater og værktøjsbrug med et kontekstvindue på 1.050.000 tokens og justerbar ræsonneringsindsats.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Sol er OpenAI’s førende model i GPT-5.6-familien. Den er beregnet til komplekst professionelt arbejde, herunder ræsonnement, programmering og agentopgaver i flere trin. Den offentliggjorte profil fremhæver kommandolinjeforløb og omfattende programmeringsarbejde. Tekst- og billedinput understøtter et tekstsvar, mens et tilknyttet værktøjsmiljø kan udføre handlingerne og fremstille de resultater, en større opgave kræver.
Beskriv den brugeroplevelige adfærd, der skal leveres, og giv den relevante kode, begrænsninger og observerede fejl. En projektbeskrivelse kan angive de berørte moduler, kontrakterne mellem dem og de kontroller, som ville fastslå det tilsigtede resultat. Hold den ønskede ændring afgrænset nok til, at den foreslåede implementering og valideringen kan gennemgås samlet.
Ved et kommandolinjeforløb bevares det faktiske kommandooutput og den tilstand, som er relevant for næste trin. Bed om en næste handling, som skelner mellem mulige årsager, når belæggene efterlader flere muligheder. Et modelforslag bliver nyttigt, når det omgivende værktøjsmiljø udfører handlingen og leverer resultatet, så arbejdet kan fortsætte ud fra observeret adfærd.
En grænsefladeopgave kan indeholde skærmbilleder sammen med krav og kildekode. Mærk de relevante skærme og tilstande, og angiv de betjeningselementer eller det indhold, som skal bevares. En dokumentopgave kan give kildepassager og bede om en sammenligning, forklaring eller struktureret udtrækning. Gem kildeidentifikatorerne sammen med de endelige observationer, så en læser kan kontrollere materialet bag hver konklusion.
Modellen understøtter strukturerede output og funktionskald. Definer resultatfelterne eller tilgængelige handlinger omkring opgaven. Valider returnerede værdier mod belæggene, og behold faktiske værktøjsobservationer, når et senere trin afhænger af et indhentet faktum, en beregning eller en filændring.
OpenAI dokumenterer indsatsvalgene none, low, medium, high, xhigh og max med medium som standard. Angiv den dybde og det resultat, problemet kræver. Ved en væsentlig designbeslutning angives alternativer, konsekvenser og kriterier, som skal afgøre anbefalingen. Ved implementering angives den adfærd, som skal demonstreres efter ændringen.
Udvikleren angiver et kontekstvindue på 1.050.000 tokens og maksimalt output på 128.000 tokens. Organiser langt arbejde omkring kildemateriale, fastlagte beslutninger, afsluttede handlinger og åbne spørgsmål. Afsæt plads til resultatet, og hold de seneste relevante observationer synlige frem for at stole på gentaget baggrundsmateriale til at føre opgaven videre.
OpenAI dokumenterer streaming og et værktøjsunderstøttet miljø med websøgning, filsøgning, billedgenerering, kodefortolkning, shellarbejde, patchanvendelse, computerbetjening og MCP. Værktøjerne giver muligheder omkring modellens tekstsvar. En applikation vælger de handlinger, den tilbyder, og returnerer deres faktiske resultater til forløbet.
Et nyttigt Sol-resultat forbinder den ønskede udgang med resultatet og belæggene: en ændring med validering, en analyse knyttet til sine kilder eller et færdigt værktøjsresultat med relevant kontekst. Bevar den endelige tilstand, så en senere opgave kan fortsætte fra det arbejde, der allerede er fastlagt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.6-sol | 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 $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning $0.0125 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-5.6-sol",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'openai/gpt-5.6-sol', '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': 'openai/gpt-5.6-sol', '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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
Teknisk eksempel på engelsk
Correct a command-line failure signal\n\nReview this Node.js CLI fragment: try { await importFile(path); console.log("Imported"); } catch (err) { console.error(err.message); process.exitCode = 0; }. Import failures must produce a nonzero exit status and never print Imported. Return a minimal patch and acceptance checks for one successful import and one rejected import.A focused code patch with expected stdout, stderr and exit status for the success and failure cases.Run each case in a separate process and check the actual exit status, not only the displayed error.