GPT-4.1 Nano er OpenAIs hurtigste medlem af GPT-4.1-familien, udviklet til efterlevelse af instruktioner og værktøjskald uden et separat ræsonneringstrin. Den modtager tekst og billeder og producerer tekst. Nano egner sig til en veldefineret handling, hvor applikationen har brug for et kompakt svar, et sæt felter eller den næste værktøjsanmodning frem for en omfattende undersøgelse.
Et nyttigt eksempel er at sortere indgående beskeder efter et leveret sæt kategorier. Forklar hver kategori, vis, hvordan tvetydige beskeder eller beskeder uden for opgavens rammer skal repræsenteres, og bed om kategorien sammen med den kildeformulering, der understøtter den. Til udtræk skal du definere feltnavne, tilladte værdier og håndtering af manglende oplysninger. Til en kort skriveopgave skal du levere fakta og bede om den konkrete passage, som det næste applikationstrin har brug for. Eksemplerne og begrænsningerne skal være korte nok til at forblive tydelige, selv når kildesamlingen er stor.
Leverandøren angiver et kontekstvindue på 1.047.576 tokens, et maksimalt output på 32.768 tokens og en vidensgrænse den 1. juni 2024. Specifikationerne matcher vinduet i GPT-4.1 Mini og bevarer samtidig Nanos særskilte modelidentitet og rolle med fokus på hurtige svar. Mærk dokumenter og samtaleafsnit, medtag kun den kontekst, som er relevant for handlingen, og reserver plads til det komplette svar. Hentede søgeresultater eller leveret referencetekst kan give fakta, som er nyere end modellens indlærte viden.
Nano understøtter streaming og Structured Outputs. Et skemabegrænset slutsvar tjener et andet formål end et funktionskald: det ene giver applikationen et færdigt resultat, mens det andet beder den om at udføre en handling. Structured Outputs understøtter en delmængde af JSON Schema; definer påkrævede egenskaber og en tydelig repræsentation af ukendte værdier. Håndter afvisninger og ufuldstændige svar separat, og kontroller de udtrukne værdier mod inputtet frem for at sætte lighedstegn mellem en gyldig form og en korrekt konklusion.
Det dokumenterede værktøjssæt omfatter funktionskald, filsøgning, kodefortolkning, MCP-forbindelser og et separat billedgenereringsværktøj. Applikationen leverer værktøjsbeskrivelser og skemaer, udfører egne funktioner og returnerer deres faktiske resultater. For Nano-modelversionen fra den 14. april 2025 anbefaler OpenAI specifikt at deaktivere parallelle værktøjskald, fordi modellen kan anmode om samme værktøj flere gange i én samtalerunde. Det er et versionsspecifikt hensyn ved udførelse, ikke en grund til at fortolke flere foreslåede kald som gennemførte handlinger.
Billedinput føjer visuelt kildemateriale til en tekstopgave, eksempelvis læsning af en synlig etiket eller beskrivelse af tilstanden i et skærmbillede. Brug understøttede PNG-, JPEG-, WebP- eller ikke-animerede GIF-billeder, hold teksten læsbar, og forklar, hvilken observation der er vigtig. Vejledningen til billedforståelse nævner vanskeligheder med lille eller roteret tekst, præcise rumlige relationer, optælling af genstande og visse ikke-latinske skriftsystemer. Tilføj omgivende kontekst, hvor en beskæring alene ville gøre en etiket eller et diagram tvetydigt. Nanos eget svar er tekst; et billedgenereringsværktøj returnerer sit eget separate resultat. I OpenAIs dokumenterede arbejdsgang til billedforståelse er den samlede anmodnings nyttelast begrænset til 512 MB, og en anmodning kan indeholde op til 1.500 billeder; billederne og teksten skal også passe ind i modellens kontekst.
I leverandørens filarbejdsgang modtager en model med billedforståelse både udtrukket tekst og sidebilleder fra PDF-dokumenter. Andre dokumentformater bidrager med udtrukket tekst, og berigelse af regneark medtager op til de første 1.000 rækker pr. ark. En fil skal være under 50 MB, og filerne i anmodningen må tilsammen fylde 50 MB. Chat Completions understøtter PDF-fildele, mens den dokumenterede Responses-arbejdsgang accepterer yderligere filtyper. Indlejrede diagrammer i dokumenter, der ikke er PDF-filer, sendes ikke som billedindhold, så en PDF-gengivelse er nyttig, når det visuelle kildemateriale er vigtigt.
OpenAI dokumenterer promptcaching for Nano og Predicted Outputs for GPT-4.1 Nano-serien. Promptcaching genbruger et inputpræfiks, som opfylder betingelserne, i leverandørens tjeneste. Predicted Outputs leverer i stedet stort set kendt outputtekst til en redigering, eksempelvis revision af et dokument eller en kodefil med bevarelse af de uændrede dele. Fremgangsmåden med forudsagt output er rent tekstbaseret og udelukker blandt andet funktionskald, logprobs og max_completion_tokens. Vælg fremgangsmåden til den faktiske handling, og hold resultatet knyttet til den oprindelige kilde.
Leverandøren dokumenterer også superviseret finjustering og direkte præferenceoptimering for Nanos navngivne GPT-4.1-modelversion. Træningseksempler og foretrukne frem for afviste svar tilpasser en model til en tilbagevendende opgave; de er adskilt fra den kontekst, der leveres til en almindelig anmodning. Til et praktisk udtræks- eller klassifikationstrin skal du begynde med tydelige kategorier, eksempler og et udtrykkeligt slutformat og derefter undersøge, om de returnerede felter bevarer de fakta, som næste trin skal bruge.
", "aboutText": "GPT-4.1 Nano er OpenAIs hurtigste medlem af GPT-4.1-familien, udviklet til efterlevelse af instruktioner og værktøjskald uden et separat ræsonneringstrin. Den modtager tekst og billeder og producerer tekst. Nano egner sig til en veldefineret handling, hvor applikationen har brug for et kompakt svar, et sæt felter eller den næste værktøjsanmodning frem for en omfattende undersøgelse.\n\nEt nyttigt eksempel er at sortere indgående beskeder efter et leveret sæt kategorier. Forklar hver kategori, vis, hvordan tvetydige beskeder eller beskeder uden for opgavens rammer skal repræsenteres, og bed om kategorien sammen med den kildeformulering, der understøtter den. Til udtræk skal du definere feltnavne, tilladte værdier og håndtering af manglende oplysninger. Til en kort skriveopgave skal du levere fakta og bede om den konkrete passage, som det næste applikationstrin har brug for. Eksemplerne og begrænsningerne skal være korte nok til at forblive tydelige, selv når kildesamlingen er stor.\n\nLeverandøren angiver et kontekstvindue på 1.047.576 tokens, et maksimalt output på 32.768 tokens og en vidensgrænse den 1. juni 2024. Specifikationerne matcher vinduet i GPT-4.1 Mini og bevarer samtidig Nanos særskilte modelidentitet og rolle med fokus på hurtige svar. Mærk dokumenter og samtaleafsnit, medtag kun den kontekst, som er relevant for handlingen, og reserver plads til det komplette svar. Hentede søgeresultater eller leveret referencetekst kan give fakta, som er nyere end modellens indlærte viden.\n\nNano understøtter streaming og Structured Outputs. Et skemabegrænset slutsvar tjener et andet formål end et funktionskald: det ene giver applikationen et færdigt resultat, mens det andet beder den om at udføre en handling. Structured Outputs understøtter en delmængde af JSON Schema; definer påkrævede egenskaber og en tydelig repræsentation af ukendte værdier. Håndter afvisninger og ufuldstændige svar separat, og kontroller de udtrukne værdier mod inputtet frem for at sætte lighedstegn mellem en gyldig form og en korrekt konklusion.\n\nDet dokumenterede værktøjssæt omfatter funktionskald, filsøgning, kodefortolkning, MCP-forbindelser og et separat billedgenereringsværktøj. Applikationen leverer værktøjsbeskrivelser og skemaer, udfører egne funktioner og returnerer deres faktiske resultater. For Nano-modelversionen fra den 14. april 2025 anbefaler OpenAI specifikt at deaktivere parallelle værktøjskald, fordi modellen kan anmode om samme værktøj flere gange i én samtalerunde. Det er et versionsspecifikt hensyn ved udførelse, ikke en grund til at fortolke flere foreslåede kald som gennemførte handlinger.\n\nBilledinput føjer visuelt kildemateriale til en tekstopgave, eksempelvis læsning af en synlig etiket eller beskrivelse af tilstanden i et skærmbillede. Brug understøttede PNG-, JPEG-, WebP- eller ikke-animerede GIF-billeder, hold teksten læsbar, og forklar, hvilken observation der er vigtig. Vejledningen til billedforståelse nævner vanskeligheder med lille eller roteret tekst, præcise rumlige relationer, optælling af genstande og visse ikke-latinske skriftsystemer. Tilføj omgivende kontekst, hvor en beskæring alene ville gøre en etiket eller et diagram tvetydigt. Nanos eget svar er tekst; et billedgenereringsværktøj returnerer sit eget separate resultat. I OpenAIs dokumenterede arbejdsgang til billedforståelse er den samlede anmodnings nyttelast begrænset til 512 MB, og en anmodning kan indeholde op til 1.500 billeder; billederne og teksten skal også passe ind i modellens kontekst.\n\nI leverandørens filarbejdsgang modtager en model med billedforståelse både udtrukket tekst og sidebilleder fra PDF-dokumenter. Andre dokumentformater bidrager med udtrukket tekst, og berigelse af regneark medtager op til de første 1.000 rækker pr. ark. En fil skal være under 50 MB, og filerne i anmodningen må tilsammen fylde 50 MB. Chat Completions understøtter PDF-fildele, mens den dokumenterede Responses-arbejdsgang accepterer yderligere filtyper. Indlejrede diagrammer i dokumenter, der ikke er PDF-filer, sendes ikke som billedindhold, så en PDF-gengivelse er nyttig, når det visuelle kildemateriale er vigtigt.\n\nOpenAI dokumenterer promptcaching for Nano og Predicted Outputs for GPT-4.1 Nano-serien. Promptcaching genbruger et inputpræfiks, som opfylder betingelserne, i leverandørens tjeneste. Predicted Outputs leverer i stedet stort set kendt outputtekst til en redigering, eksempelvis revision af et dokument eller en kodefil med bevarelse af de uændrede dele. Fremgangsmåden med forudsagt output er rent tekstbaseret og udelukker blandt andet funktionskald, logprobs og max_completion_tokens. Vælg fremgangsmåden til den faktiske handling, og hold resultatet knyttet til den oprindelige kilde.\n\nLeverandøren dokumenterer også superviseret finjustering og direkte præferenceoptimering for Nanos navngivne GPT-4.1-modelversion. Træningseksempler og foretrukne frem for afviste svar tilpasser en model til en tilbagevendende opgave; de er adskilt fra den kontekst, der leveres til en almindelig anmodning. Til et praktisk udtræks- eller klassifikationstrin skal du begynde med tydelige kategorier, eksempler og et udtrykkeligt slutformat og derefter undersøge, om de returnerede felter bevarer de fakta, som næste trin skal bruge.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d1168f211907c3cad0d893549893a9a2386b9bfad8f41b0a87e08deada923d09", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/gpt-4.1-nano:batchGPT-4.1 Nano er det kompakte, hurtigt reagerende medlem af GPT-4.1-familien til nøje specificerede tekst- og billedopgaver. Dens store kontekst, Structured Outputs og funktionskald understøtter klassifikation, udtræk og afgrænsede applikationstrin.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4.1 Nano er OpenAIs hurtigste medlem af GPT-4.1-familien, udviklet til efterlevelse af instruktioner og værktøjskald uden et separat ræsonneringstrin. Den modtager tekst og billeder og producerer tekst. Nano egner sig til en veldefineret handling, hvor applikationen har brug for et kompakt svar, et sæt felter eller den næste værktøjsanmodning frem for en omfattende undersøgelse.
Et nyttigt eksempel er at sortere indgående beskeder efter et leveret sæt kategorier. Forklar hver kategori, vis, hvordan tvetydige beskeder eller beskeder uden for opgavens rammer skal repræsenteres, og bed om kategorien sammen med den kildeformulering, der understøtter den. Til udtræk skal du definere feltnavne, tilladte værdier og håndtering af manglende oplysninger. Til en kort skriveopgave skal du levere fakta og bede om den konkrete passage, som det næste applikationstrin har brug for. Eksemplerne og begrænsningerne skal være korte nok til at forblive tydelige, selv når kildesamlingen er stor.
Leverandøren angiver et kontekstvindue på 1.047.576 tokens, et maksimalt output på 32.768 tokens og en vidensgrænse den 1. juni 2024. Specifikationerne matcher vinduet i GPT-4.1 Mini og bevarer samtidig Nanos særskilte modelidentitet og rolle med fokus på hurtige svar. Mærk dokumenter og samtaleafsnit, medtag kun den kontekst, som er relevant for handlingen, og reserver plads til det komplette svar. Hentede søgeresultater eller leveret referencetekst kan give fakta, som er nyere end modellens indlærte viden.
Nano understøtter streaming og Structured Outputs. Et skemabegrænset slutsvar tjener et andet formål end et funktionskald: det ene giver applikationen et færdigt resultat, mens det andet beder den om at udføre en handling. Structured Outputs understøtter en delmængde af JSON Schema; definer påkrævede egenskaber og en tydelig repræsentation af ukendte værdier. Håndter afvisninger og ufuldstændige svar separat, og kontroller de udtrukne værdier mod inputtet frem for at sætte lighedstegn mellem en gyldig form og en korrekt konklusion.
Det dokumenterede værktøjssæt omfatter funktionskald, filsøgning, kodefortolkning, MCP-forbindelser og et separat billedgenereringsværktøj. Applikationen leverer værktøjsbeskrivelser og skemaer, udfører egne funktioner og returnerer deres faktiske resultater. For Nano-modelversionen fra den 14. april 2025 anbefaler OpenAI specifikt at deaktivere parallelle værktøjskald, fordi modellen kan anmode om samme værktøj flere gange i én samtalerunde. Det er et versionsspecifikt hensyn ved udførelse, ikke en grund til at fortolke flere foreslåede kald som gennemførte handlinger.
Billedinput føjer visuelt kildemateriale til en tekstopgave, eksempelvis læsning af en synlig etiket eller beskrivelse af tilstanden i et skærmbillede. Brug understøttede PNG-, JPEG-, WebP- eller ikke-animerede GIF-billeder, hold teksten læsbar, og forklar, hvilken observation der er vigtig. Vejledningen til billedforståelse nævner vanskeligheder med lille eller roteret tekst, præcise rumlige relationer, optælling af genstande og visse ikke-latinske skriftsystemer. Tilføj omgivende kontekst, hvor en beskæring alene ville gøre en etiket eller et diagram tvetydigt. Nanos eget svar er tekst; et billedgenereringsværktøj returnerer sit eget separate resultat. I OpenAIs dokumenterede arbejdsgang til billedforståelse er den samlede anmodnings nyttelast begrænset til 512 MB, og en anmodning kan indeholde op til 1.500 billeder; billederne og teksten skal også passe ind i modellens kontekst.
I leverandørens filarbejdsgang modtager en model med billedforståelse både udtrukket tekst og sidebilleder fra PDF-dokumenter. Andre dokumentformater bidrager med udtrukket tekst, og berigelse af regneark medtager op til de første 1.000 rækker pr. ark. En fil skal være under 50 MB, og filerne i anmodningen må tilsammen fylde 50 MB. Chat Completions understøtter PDF-fildele, mens den dokumenterede Responses-arbejdsgang accepterer yderligere filtyper. Indlejrede diagrammer i dokumenter, der ikke er PDF-filer, sendes ikke som billedindhold, så en PDF-gengivelse er nyttig, når det visuelle kildemateriale er vigtigt.
OpenAI dokumenterer promptcaching for Nano og Predicted Outputs for GPT-4.1 Nano-serien. Promptcaching genbruger et inputpræfiks, som opfylder betingelserne, i leverandørens tjeneste. Predicted Outputs leverer i stedet stort set kendt outputtekst til en redigering, eksempelvis revision af et dokument eller en kodefil med bevarelse af de uændrede dele. Fremgangsmåden med forudsagt output er rent tekstbaseret og udelukker blandt andet funktionskald, logprobs og max_completion_tokens. Vælg fremgangsmåden til den faktiske handling, og hold resultatet knyttet til den oprindelige kilde.
Leverandøren dokumenterer også superviseret finjustering og direkte præferenceoptimering for Nanos navngivne GPT-4.1-modelversion. Træningseksempler og foretrukne frem for afviste svar tilpasser en model til en tilbagevendende opgave; de er adskilt fra den kontekst, der leveres til en almindelig anmodning. Til et praktisk udtræks- eller klassifikationstrin skal du begynde med tydelige kategorier, eksempler og et udtrykkeligt slutformat og derefter undersøge, om de returnerede felter bevarer de fakta, som næste trin skal bruge.
POST /v1/batchestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrævet | Værdier og grænser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-4.1-nano:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltcompletion_window | Typestring | KravValgfrit | Værdier og grænser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfrit | Værdier og grænser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfrit | Værdier og grænser openai/gpt-4.1-nano:batch, openai/gpt-4.1-nano | Standard— |
Feltprovider.only | Typestring[] | KravValgfrit | Værdier og grænser openai | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfrit | Værdier og grænser false, null | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktendpoint, model, requests |
Parametermaterial_types | Kontrakttext |
Parameterrepresentation | Kontraktrequests[] direkte i anmodningen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parameterfile_material | KontraktDen kaldende part kan læse det faktiske JSONL-indhold i UTF-8 lokalt ind i requests[]. Der angives hverken purpose til upload, input_file_id eller en filreference. Hvis kundematerialet mangler eller er tomt, stoppes forberedelsen før POST. |
Parameterserialization_order | Kontraktendpoint, model, provider (hvis angivet), completion_window (hvis angivet), requests til sidst |
Parameteroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontraktAnmodningsindhold for Chat Completions med tekst i den dokumenterede inline Batch-struktur. |
Livscyklus: asynchronous
GET /v1/batches/{operation_id} · det faktiske response.id fra den oprindelige oprettelse; samme bruger/nøgle/gruppe
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 $0.0001 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000025 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000025 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-4.1-nano:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-4.1-nano:batch', 'openai/gpt-4.1-nano']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4.1-nano:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON direkte i results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele den oprindelige status i JSON, hvert resultat/custom_id og det fulde svar- eller fejlindhold. Gem færdige results[] som JSONL uden filtrering.
Gem det oprindelige operations-ID. 503 result_pending_check har X-Should-Retry:false; send aldrig en oprindelig batch igen, hvis dens udfald er ukendt.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldig dokumenteret inline-struktur, dublerede nøgler, ugyldig elementidentitet eller konflikt med modellens konfigurerede funktioner. | Næste trinRet de angivne felter, før du sender en ny anmodning. |
Svar401 · authentication_error | BetingelseUgyldig API-nøgle. | Næste trinBrug den godkendte Ailoot-nøgle. |
Svar403 · permission_error | BetingelseBatch-gruppen er ikke tilgængelig. | Næste trinKontrollér nøglens/gruppens adgangsrettigheder. |
Svar422 · invalid_request_error | BetingelseBatch afregnes via saldoen; oprettelse via et abonnement afvises. | Næste trinBrug den godkendte gruppe med saldoafregning. |
Svar422 · price_unavailable | BetingelseDer kan ikke beregnes en pris for Batch-inputtet. | Næste trinGem svaret; brug det dokumenterede input for API-familien. |
Svar402 · billing_error | BetingelseReservationen til Batch er ikke tilgængelig. | Næste trinAfklar adgangen, før du sender en ny anmodning. |
Svar503 · price_unavailable | BetingelsePrisen for Batch-metoden eller de native satser er ikke tilgængelige. | Næste trinGem svaret; erstat ikke priserne med andre priser. |
Svar503 · api_error | BetingelseDen præcise leverandørrute er ikke tilgængelig. | Næste trinGem svaret, så ruten kan repareres. |
Svar503 · result_pending_check | BetingelseDet oprindelige resultat skal kontrolleres; X-Should-Retry:false. | Næste trinGem det oprindelige operation_id/id, og læs dets status; gentag aldrig den oprindelige POST. |
Svar404 · not_found | BetingelseOperationen til Batch-status findes ikke eller tilhører en anden identitet. | Næste trinBrug det nøjagtige oprindelige id og samme bruger/nøgle/gruppe. |
Ailoot Ultra openai/gpt-4.1-nano:batch
Brug metodestierne vist ovenfor.