GPT-5-Codex er OpenAIs version af GPT-5, optimeret til softwareudvikling med agenter i Codex og tilsvarende programmeringsmiljøer. Træningen retter sig mod arbejde som at oprette projekter, implementere funktioner og tests, finde og rette fejl, omstrukturere eksisterende kodebaser og gennemgå ændringer. Forstærkningslæring på virkelige programmeringsopgaver udvikler efterlevelse af instruktioner, kodestil og iterativ efterprøvning. Det tilsigtede miljø er en programmeringsassistent med adgang til projektkontekst og udviklingsværktøjer.
Modellen tilpasser, hvor meget ræsonnering den bruger på en opgave. En lille, klart defineret ændring kan håndteres som en interaktiv udveksling, mens en kompleks omstrukturering kan omfatte vedvarende analyse og gentagne implementeringstrin. Denne adaptive adfærd forbinder samtale og udførelse: Agenten undersøger projektet, foreslår en ændring, modtager resultater fra sit miljø og fortsætter arbejdet mod det angivne resultat.
Kodegennemgang er en særskilt del af specialiseringen. OpenAI beskriver en reviewer, der undersøger kodebasen og afhængighederne, knytter en foreslået ændring til den tilsigtede adfærd og bruger kodeudførelse og tests til at undersøge korrektheden. Det nyttige output er en afgrænset forklaring af væsentlige fejl og den berørte kode frem for kommentarer, der kun er baseret på udseendet af en ændringsvisning. Projektfiler og værktøjsresultater leverer grundlaget for denne analyse.
Visuelt input understøtter frontendarbejde. Skærmbilleder, wireframes og diagrammer kan formidle den ønskede grænseflade eller et observeret problem. I et miljø med browser- og skærmbilledeværktøjer kan agenten undersøge implementeringen og sammenholde det byggede resultat med det leverede visuelle mål. Det er miljøunderstøttede arbejdsgange: Modellen fortolker oplysninger og vælger handlinger, mens applikationen stiller værktøjerne til rådighed og udfører dem.
Den offentliggjorte modelspecifikation angiver tekst- og billedinput og tekstoutput, et kontekstvindue på 400.000 tokens og op til 128.000 outputtokens. Den understøtter ræsonneringstokens, streaming, funktionskald og strukturerede output. OpenAI dokumenterer modellen gennem Responses-grænsefladen og angiver navnet uden versionsnummer som en modelbetegnelse, der opdateres. Den dokumenterede vidensgrænse er den 30. september 2024. Lyd og video ligger uden for de opførte inputmodaliteter; finjustering og Predicted Outputs understøttes ikke i denne konfiguration.
Tillægget til systemkortet adskiller modeltræning fra produktets kontrolmekanismer. Modellen er trænet til at modstå promptinjektionsinstruktioner i programmeringsmateriale. Isolering af arbejdsområdet, netværkstilladelser og godkendelsesregler hører til agentmiljøet. Denne forskel er vigtig, når assistenten læser ekstern dokumentation eller udfører kommandoer: Adgangen defineres af applikationen, og dens output dokumenterer, hvad der faktisk skete.
Til en programmeringsassistent, der bruger Ailoot API, skal du begynde med den ønskede adfærd, de relevante filer og et tydeligt afslutningskriterium. En passende opgave kan bede om en koordineret ændring, en forklaring af de berørte afhængigheder og de kontroller, der er nødvendige for at validere resultatet. Lever aktuelle projektinstruktioner og nyttige visuelle eksempler, og bed derefter om et resultat, der kan gennemgås: ændret kode, en fejlanalyse eller en afprøvet implementeringsplan.
", "aboutText": "GPT-5-Codex er OpenAIs version af GPT-5, optimeret til softwareudvikling med agenter i Codex og tilsvarende programmeringsmiljøer. Træningen retter sig mod arbejde som at oprette projekter, implementere funktioner og tests, finde og rette fejl, omstrukturere eksisterende kodebaser og gennemgå ændringer. Forstærkningslæring på virkelige programmeringsopgaver udvikler efterlevelse af instruktioner, kodestil og iterativ efterprøvning. Det tilsigtede miljø er en programmeringsassistent med adgang til projektkontekst og udviklingsværktøjer.\n\nModellen tilpasser, hvor meget ræsonnering den bruger på en opgave. En lille, klart defineret ændring kan håndteres som en interaktiv udveksling, mens en kompleks omstrukturering kan omfatte vedvarende analyse og gentagne implementeringstrin. Denne adaptive adfærd forbinder samtale og udførelse: Agenten undersøger projektet, foreslår en ændring, modtager resultater fra sit miljø og fortsætter arbejdet mod det angivne resultat.\n\nKodegennemgang er en særskilt del af specialiseringen. OpenAI beskriver en reviewer, der undersøger kodebasen og afhængighederne, knytter en foreslået ændring til den tilsigtede adfærd og bruger kodeudførelse og tests til at undersøge korrektheden. Det nyttige output er en afgrænset forklaring af væsentlige fejl og den berørte kode frem for kommentarer, der kun er baseret på udseendet af en ændringsvisning. Projektfiler og værktøjsresultater leverer grundlaget for denne analyse.\n\nVisuelt input understøtter frontendarbejde. Skærmbilleder, wireframes og diagrammer kan formidle den ønskede grænseflade eller et observeret problem. I et miljø med browser- og skærmbilledeværktøjer kan agenten undersøge implementeringen og sammenholde det byggede resultat med det leverede visuelle mål. Det er miljøunderstøttede arbejdsgange: Modellen fortolker oplysninger og vælger handlinger, mens applikationen stiller værktøjerne til rådighed og udfører dem.\n\nDen offentliggjorte modelspecifikation angiver tekst- og billedinput og tekstoutput, et kontekstvindue på 400.000 tokens og op til 128.000 outputtokens. Den understøtter ræsonneringstokens, streaming, funktionskald og strukturerede output. OpenAI dokumenterer modellen gennem Responses-grænsefladen og angiver navnet uden versionsnummer som en modelbetegnelse, der opdateres. Den dokumenterede vidensgrænse er den 30. september 2024. Lyd og video ligger uden for de opførte inputmodaliteter; finjustering og Predicted Outputs understøttes ikke i denne konfiguration.\n\nTillægget til systemkortet adskiller modeltræning fra produktets kontrolmekanismer. Modellen er trænet til at modstå promptinjektionsinstruktioner i programmeringsmateriale. Isolering af arbejdsområdet, netværkstilladelser og godkendelsesregler hører til agentmiljøet. Denne forskel er vigtig, når assistenten læser ekstern dokumentation eller udfører kommandoer: Adgangen defineres af applikationen, og dens output dokumenterer, hvad der faktisk skete.\n\nTil en programmeringsassistent, der bruger Ailoot API, skal du begynde med den ønskede adfærd, de relevante filer og et tydeligt afslutningskriterium. En passende opgave kan bede om en koordineret ændring, en forklaring af de berørte afhængigheder og de kontroller, der er nødvendige for at validere resultatet. Lever aktuelle projektinstruktioner og nyttige visuelle eksempler, og bed derefter om et resultat, der kan gennemgås: ændret kode, en fejlanalyse eller en afprøvet implementeringsplan.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review a discount patch for lost items\n\nReview this Python diff concept: old code totals all cart rows; new code filters rows with qty > 1 before summing price * qty, then applies a 10% discount. Requirement: discount every item, including single-quantity rows. Identify the consequential defect, propose the smallest correction and give a regression test with one single-quantity item.A focused defect finding, corrected calculation and a regression-test example with expected total.The regression includes qty=1 and demonstrates that its price contributes before the discount.gpt-5-codex-lowGPT-5-Codex er OpenAIs GPT-5-variant til softwareudvikling med agenter: implementering af funktioner, fejlfinding, omstrukturering og kodegennemgang i et miljø med værktøjer. Den kombinerer tekst- og billedinput med adaptiv ræsonnering og en kontekst på 400.000 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5-Codex er OpenAIs version af GPT-5, optimeret til softwareudvikling med agenter i Codex og tilsvarende programmeringsmiljøer. Træningen retter sig mod arbejde som at oprette projekter, implementere funktioner og tests, finde og rette fejl, omstrukturere eksisterende kodebaser og gennemgå ændringer. Forstærkningslæring på virkelige programmeringsopgaver udvikler efterlevelse af instruktioner, kodestil og iterativ efterprøvning. Det tilsigtede miljø er en programmeringsassistent med adgang til projektkontekst og udviklingsværktøjer.
Modellen tilpasser, hvor meget ræsonnering den bruger på en opgave. En lille, klart defineret ændring kan håndteres som en interaktiv udveksling, mens en kompleks omstrukturering kan omfatte vedvarende analyse og gentagne implementeringstrin. Denne adaptive adfærd forbinder samtale og udførelse: Agenten undersøger projektet, foreslår en ændring, modtager resultater fra sit miljø og fortsætter arbejdet mod det angivne resultat.
Kodegennemgang er en særskilt del af specialiseringen. OpenAI beskriver en reviewer, der undersøger kodebasen og afhængighederne, knytter en foreslået ændring til den tilsigtede adfærd og bruger kodeudførelse og tests til at undersøge korrektheden. Det nyttige output er en afgrænset forklaring af væsentlige fejl og den berørte kode frem for kommentarer, der kun er baseret på udseendet af en ændringsvisning. Projektfiler og værktøjsresultater leverer grundlaget for denne analyse.
Visuelt input understøtter frontendarbejde. Skærmbilleder, wireframes og diagrammer kan formidle den ønskede grænseflade eller et observeret problem. I et miljø med browser- og skærmbilledeværktøjer kan agenten undersøge implementeringen og sammenholde det byggede resultat med det leverede visuelle mål. Det er miljøunderstøttede arbejdsgange: Modellen fortolker oplysninger og vælger handlinger, mens applikationen stiller værktøjerne til rådighed og udfører dem.
Den offentliggjorte modelspecifikation angiver tekst- og billedinput og tekstoutput, et kontekstvindue på 400.000 tokens og op til 128.000 outputtokens. Den understøtter ræsonneringstokens, streaming, funktionskald og strukturerede output. OpenAI dokumenterer modellen gennem Responses-grænsefladen og angiver navnet uden versionsnummer som en modelbetegnelse, der opdateres. Den dokumenterede vidensgrænse er den 30. september 2024. Lyd og video ligger uden for de opførte inputmodaliteter; finjustering og Predicted Outputs understøttes ikke i denne konfiguration.
Tillægget til systemkortet adskiller modeltræning fra produktets kontrolmekanismer. Modellen er trænet til at modstå promptinjektionsinstruktioner i programmeringsmateriale. Isolering af arbejdsområdet, netværkstilladelser og godkendelsesregler hører til agentmiljøet. Denne forskel er vigtig, når assistenten læser ekstern dokumentation eller udfører kommandoer: Adgangen defineres af applikationen, og dens output dokumenterer, hvad der faktisk skete.
Til en programmeringsassistent, der bruger Ailoot API, skal du begynde med den ønskede adfærd, de relevante filer og et tydeligt afslutningskriterium. En passende opgave kan bede om en koordineret ændring, en forklaring af de berørte afhængigheder og de kontroller, der er nødvendige for at validere resultatet. Lever aktuelle projektinstruktioner og nyttige visuelle eksempler, og bed derefter om et resultat, der kan gennemgås: ændret kode, en fejlanalyse eller en afprøvet implementeringsplan.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5-codex-low | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5-codex-low", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gpt-5-codex-low',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gpt-5-codex-low',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gpt-5-codex-low
Brug metodestierne vist ovenfor.
gpt-5-codex-lowGPT-5-Codex er OpenAIs GPT-5-variant til softwareudvikling med agenter: implementering af funktioner, fejlfinding, omstrukturering og kodegennemgang i et miljø med værktøjer. Den kombinerer tekst- og billedinput med adaptiv ræsonnering og en kontekst på 400.000 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5-Codex er OpenAIs version af GPT-5, optimeret til softwareudvikling med agenter i Codex og tilsvarende programmeringsmiljøer. Træningen retter sig mod arbejde som at oprette projekter, implementere funktioner og tests, finde og rette fejl, omstrukturere eksisterende kodebaser og gennemgå ændringer. Forstærkningslæring på virkelige programmeringsopgaver udvikler efterlevelse af instruktioner, kodestil og iterativ efterprøvning. Det tilsigtede miljø er en programmeringsassistent med adgang til projektkontekst og udviklingsværktøjer.
Modellen tilpasser, hvor meget ræsonnering den bruger på en opgave. En lille, klart defineret ændring kan håndteres som en interaktiv udveksling, mens en kompleks omstrukturering kan omfatte vedvarende analyse og gentagne implementeringstrin. Denne adaptive adfærd forbinder samtale og udførelse: Agenten undersøger projektet, foreslår en ændring, modtager resultater fra sit miljø og fortsætter arbejdet mod det angivne resultat.
Kodegennemgang er en særskilt del af specialiseringen. OpenAI beskriver en reviewer, der undersøger kodebasen og afhængighederne, knytter en foreslået ændring til den tilsigtede adfærd og bruger kodeudførelse og tests til at undersøge korrektheden. Det nyttige output er en afgrænset forklaring af væsentlige fejl og den berørte kode frem for kommentarer, der kun er baseret på udseendet af en ændringsvisning. Projektfiler og værktøjsresultater leverer grundlaget for denne analyse.
Visuelt input understøtter frontendarbejde. Skærmbilleder, wireframes og diagrammer kan formidle den ønskede grænseflade eller et observeret problem. I et miljø med browser- og skærmbilledeværktøjer kan agenten undersøge implementeringen og sammenholde det byggede resultat med det leverede visuelle mål. Det er miljøunderstøttede arbejdsgange: Modellen fortolker oplysninger og vælger handlinger, mens applikationen stiller værktøjerne til rådighed og udfører dem.
Den offentliggjorte modelspecifikation angiver tekst- og billedinput og tekstoutput, et kontekstvindue på 400.000 tokens og op til 128.000 outputtokens. Den understøtter ræsonneringstokens, streaming, funktionskald og strukturerede output. OpenAI dokumenterer modellen gennem Responses-grænsefladen og angiver navnet uden versionsnummer som en modelbetegnelse, der opdateres. Den dokumenterede vidensgrænse er den 30. september 2024. Lyd og video ligger uden for de opførte inputmodaliteter; finjustering og Predicted Outputs understøttes ikke i denne konfiguration.
Tillægget til systemkortet adskiller modeltræning fra produktets kontrolmekanismer. Modellen er trænet til at modstå promptinjektionsinstruktioner i programmeringsmateriale. Isolering af arbejdsområdet, netværkstilladelser og godkendelsesregler hører til agentmiljøet. Denne forskel er vigtig, når assistenten læser ekstern dokumentation eller udfører kommandoer: Adgangen defineres af applikationen, og dens output dokumenterer, hvad der faktisk skete.
Til en programmeringsassistent, der bruger Ailoot API, skal du begynde med den ønskede adfærd, de relevante filer og et tydeligt afslutningskriterium. En passende opgave kan bede om en koordineret ændring, en forklaring af de berørte afhængigheder og de kontroller, der er nødvendige for at validere resultatet. Lever aktuelle projektinstruktioner og nyttige visuelle eksempler, og bed derefter om et resultat, der kan gennemgås: ændret kode, en fejlanalyse eller en afprøvet implementeringsplan.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5-codex-low | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-5-codex-low",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-codex-low', '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-codex-low', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gpt-5-codex-low
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Review a discount patch for lost items\n\nReview this Python diff concept: old code totals all cart rows; new code filters rows with qty > 1 before summing price * qty, then applies a 10% discount. Requirement: discount every item, including single-quantity rows. Identify the consequential defect, propose the smallest correction and give a regression test with one single-quantity item.A focused defect finding, corrected calculation and a regression-test example with expected total.The regression includes qty=1 and demonstrates that its price contributes before the discount.