GPT-4o Mini (2024-07-18) er OpenAIs daterede udgave af den lille model fra den 18. juli til afgrænsede tekst- og billedopgaver. Den modtager tekst og billeder og producerer tekst, herunder Structured Outputs. Leverandøren beskriver arbejdsgange med kædede eller parallelle modelkald, omfattende samtale- eller dokumentkontekst og korte, kunderettede tekstsvar.
En eksempelopgave er at behandle en anmodning efter et ensartet regelsæt. Lever beskeden, de relevante referenceoplysninger og kravene til svaret. Bed om emnet, de fastlagte fakta og et kort svarforslag. Til udtræk skal du definere de påkrævede felter og repræsentationen af en manglende værdi. Producentens lancering beskriver strukturerede data fra dokumenter og svar baseret på samtalehistorik som nyttige anvendelser.
Visuelt input kan føje et skærmbillede eller en dokumentside til den skriftlige anmodning. Angiv den etiket, tilstand eller detalje, der skal danne grundlag for svaret, og lever kontekst, som billedet ikke viser. Lanceringen beskriver samme sprogdækning som GPT-4o samt sproglig og visuel ræsonnering, matematik og programmering. Til en afgrænset redigering eller et kodespørgsmål skal du angive den konkrete handling og de fakta eller den adfærd, der skal bevares.
OpenAIs præcise modelkort angiver et kontekstvindue på 128.000 tokens, et maksimalt output på 16.384 tokens og en vidensgrænse den 1. oktober 2023. Kildematerialet og det genererede svar deler det tilgængelige vindue. Modelversionen fra den 18. juli opføres separat fra de fulde GPT-4o-udgaver og bevarer sin egen modelidentitet og sine egne grænser.
Leverandøren dokumenterer streaming, funktionskald, Structured Outputs, fil- og billedinput samt søgning, finjustering og Predicted Outputs. Det opførte værktøjssæt omfatter funktioner, web- og filsøgning, billedgenerering, kodefortolkning og MCP-forbindelser. Værktøjer er separate handlinger: en applikation stiller dem til rådighed, udfører sine handlinger og returnerer faktiske resultater. Leverandøren beskriver også finjustering af modellen til specialiserede opgaver, uden at en eksisterende anmodning dermed bliver en nytrænet model.
Vejledningen til Structured Outputs navngiver udtrykkeligt gpt-4o-mini-2024-07-18 og understøtter en delmængde af JSON Schema. Håndter en afvisning eller et ufuldstændigt svar separat fra et færdigt struktureret resultat, og kontroller udtrukne værdier mod kildematerialet. Predicted Outputs kan bruge stort set kendt tekst ved gendannelse af et dokument eller en kodefil; denne fremgangsmåde med forudsagt output er rent tekstbaseret og kan ikke kombineres med funktionskald.
Definer et nyttigt endeligt resultat: et kort svar, en liste over handlinger, en redigeret passage eller et sæt felter til næste trin. Hold reglerne ensartede på tværs af gentagne input, og viderefør væsentlige tidligere fakta i en opfølgning. Et svar er nyttigt, når indholdet, formatet og den foreslåede næste handling bevarer forbindelsen til opgaven og det kildemateriale, du leverede.
", "aboutText": "GPT-4o Mini (2024-07-18) er OpenAIs daterede udgave af den lille model fra den 18. juli til afgrænsede tekst- og billedopgaver. Den modtager tekst og billeder og producerer tekst, herunder Structured Outputs. Leverandøren beskriver arbejdsgange med kædede eller parallelle modelkald, omfattende samtale- eller dokumentkontekst og korte, kunderettede tekstsvar.\n\nEn eksempelopgave er at behandle en anmodning efter et ensartet regelsæt. Lever beskeden, de relevante referenceoplysninger og kravene til svaret. Bed om emnet, de fastlagte fakta og et kort svarforslag. Til udtræk skal du definere de påkrævede felter og repræsentationen af en manglende værdi. Producentens lancering beskriver strukturerede data fra dokumenter og svar baseret på samtalehistorik som nyttige anvendelser.\n\nVisuelt input kan føje et skærmbillede eller en dokumentside til den skriftlige anmodning. Angiv den etiket, tilstand eller detalje, der skal danne grundlag for svaret, og lever kontekst, som billedet ikke viser. Lanceringen beskriver samme sprogdækning som GPT-4o samt sproglig og visuel ræsonnering, matematik og programmering. Til en afgrænset redigering eller et kodespørgsmål skal du angive den konkrete handling og de fakta eller den adfærd, der skal bevares.\n\nOpenAIs præcise modelkort angiver et kontekstvindue på 128.000 tokens, et maksimalt output på 16.384 tokens og en vidensgrænse den 1. oktober 2023. Kildematerialet og det genererede svar deler det tilgængelige vindue. Modelversionen fra den 18. juli opføres separat fra de fulde GPT-4o-udgaver og bevarer sin egen modelidentitet og sine egne grænser.\n\nLeverandøren dokumenterer streaming, funktionskald, Structured Outputs, fil- og billedinput samt søgning, finjustering og Predicted Outputs. Det opførte værktøjssæt omfatter funktioner, web- og filsøgning, billedgenerering, kodefortolkning og MCP-forbindelser. Værktøjer er separate handlinger: en applikation stiller dem til rådighed, udfører sine handlinger og returnerer faktiske resultater. Leverandøren beskriver også finjustering af modellen til specialiserede opgaver, uden at en eksisterende anmodning dermed bliver en nytrænet model.\n\nVejledningen til Structured Outputs navngiver udtrykkeligt gpt-4o-mini-2024-07-18 og understøtter en delmængde af JSON Schema. Håndter en afvisning eller et ufuldstændigt svar separat fra et færdigt struktureret resultat, og kontroller udtrukne værdier mod kildematerialet. Predicted Outputs kan bruge stort set kendt tekst ved gendannelse af et dokument eller en kodefil; denne fremgangsmåde med forudsagt output er rent tekstbaseret og kan ikke kombineres med funktionskald.\n\nDefiner et nyttigt endeligt resultat: et kort svar, en liste over handlinger, en redigeret passage eller et sæt felter til næste trin. Hold reglerne ensartede på tværs af gentagne input, og viderefør væsentlige tidligere fakta i en opfølgning. Et svar er nyttigt, når indholdet, formatet og den foreslåede næste handling bevarer forbindelsen til opgaven og det kildemateriale, du leverede.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract fields from a service thread\n\nExtract a service record from this thread: M1: 'My order Q-81 arrived with one blue mug missing.' M2: 'We can send a replacement; please confirm your address.' M3: 'The address is unchanged.' Return order ID, missing item, proposed remedy and whether shipment is confirmed. Preserve message labels as evidence.A four-field service record with supporting message labels and distinct proposal versus confirmation status.A proposed replacement must not be reported as a shipped replacement.openai/gpt-4o-mini-2024-07-18GPT-4o Mini-modelversionen fra den 18. juli er en lille tekst- og billedmodel til afgrænsede opgaver. Den understøtter streaming, funktionskald og Structured Outputs til opgaver som dokumentudtræk, korte svar og gentagen behandling.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o Mini (2024-07-18) er OpenAIs daterede udgave af den lille model fra den 18. juli til afgrænsede tekst- og billedopgaver. Den modtager tekst og billeder og producerer tekst, herunder Structured Outputs. Leverandøren beskriver arbejdsgange med kædede eller parallelle modelkald, omfattende samtale- eller dokumentkontekst og korte, kunderettede tekstsvar.
En eksempelopgave er at behandle en anmodning efter et ensartet regelsæt. Lever beskeden, de relevante referenceoplysninger og kravene til svaret. Bed om emnet, de fastlagte fakta og et kort svarforslag. Til udtræk skal du definere de påkrævede felter og repræsentationen af en manglende værdi. Producentens lancering beskriver strukturerede data fra dokumenter og svar baseret på samtalehistorik som nyttige anvendelser.
Visuelt input kan føje et skærmbillede eller en dokumentside til den skriftlige anmodning. Angiv den etiket, tilstand eller detalje, der skal danne grundlag for svaret, og lever kontekst, som billedet ikke viser. Lanceringen beskriver samme sprogdækning som GPT-4o samt sproglig og visuel ræsonnering, matematik og programmering. Til en afgrænset redigering eller et kodespørgsmål skal du angive den konkrete handling og de fakta eller den adfærd, der skal bevares.
OpenAIs præcise modelkort angiver et kontekstvindue på 128.000 tokens, et maksimalt output på 16.384 tokens og en vidensgrænse den 1. oktober 2023. Kildematerialet og det genererede svar deler det tilgængelige vindue. Modelversionen fra den 18. juli opføres separat fra de fulde GPT-4o-udgaver og bevarer sin egen modelidentitet og sine egne grænser.
Leverandøren dokumenterer streaming, funktionskald, Structured Outputs, fil- og billedinput samt søgning, finjustering og Predicted Outputs. Det opførte værktøjssæt omfatter funktioner, web- og filsøgning, billedgenerering, kodefortolkning og MCP-forbindelser. Værktøjer er separate handlinger: en applikation stiller dem til rådighed, udfører sine handlinger og returnerer faktiske resultater. Leverandøren beskriver også finjustering af modellen til specialiserede opgaver, uden at en eksisterende anmodning dermed bliver en nytrænet model.
Vejledningen til Structured Outputs navngiver udtrykkeligt gpt-4o-mini-2024-07-18 og understøtter en delmængde af JSON Schema. Håndter en afvisning eller et ufuldstændigt svar separat fra et færdigt struktureret resultat, og kontroller udtrukne værdier mod kildematerialet. Predicted Outputs kan bruge stort set kendt tekst ved gendannelse af et dokument eller en kodefil; denne fremgangsmåde med forudsagt output er rent tekstbaseret og kan ikke kombineres med funktionskald.
Definer et nyttigt endeligt resultat: et kort svar, en liste over handlinger, en redigeret passage eller et sæt felter til næste trin. Hold reglerne ensartede på tværs af gentagne input, og viderefør væsentlige tidligere fakta i en opfølgning. Et svar er nyttigt, når indholdet, formatet og den foreslåede næste handling bevarer forbindelsen til opgaven og det kildemateriale, du leverede.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-4o-mini-2024-07-18 | 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 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": "openai/gpt-4o-mini-2024-07-18", "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-4o-mini-2024-07-18',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-4o-mini-2024-07-18',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 openai/gpt-4o-mini-2024-07-18
Brug metodestierne vist ovenfor.
openai/gpt-4o-mini-2024-07-18GPT-4o Mini-modelversionen fra den 18. juli er en lille tekst- og billedmodel til afgrænsede opgaver. Den understøtter streaming, funktionskald og Structured Outputs til opgaver som dokumentudtræk, korte svar og gentagen behandling.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o Mini (2024-07-18) er OpenAIs daterede udgave af den lille model fra den 18. juli til afgrænsede tekst- og billedopgaver. Den modtager tekst og billeder og producerer tekst, herunder Structured Outputs. Leverandøren beskriver arbejdsgange med kædede eller parallelle modelkald, omfattende samtale- eller dokumentkontekst og korte, kunderettede tekstsvar.
En eksempelopgave er at behandle en anmodning efter et ensartet regelsæt. Lever beskeden, de relevante referenceoplysninger og kravene til svaret. Bed om emnet, de fastlagte fakta og et kort svarforslag. Til udtræk skal du definere de påkrævede felter og repræsentationen af en manglende værdi. Producentens lancering beskriver strukturerede data fra dokumenter og svar baseret på samtalehistorik som nyttige anvendelser.
Visuelt input kan føje et skærmbillede eller en dokumentside til den skriftlige anmodning. Angiv den etiket, tilstand eller detalje, der skal danne grundlag for svaret, og lever kontekst, som billedet ikke viser. Lanceringen beskriver samme sprogdækning som GPT-4o samt sproglig og visuel ræsonnering, matematik og programmering. Til en afgrænset redigering eller et kodespørgsmål skal du angive den konkrete handling og de fakta eller den adfærd, der skal bevares.
OpenAIs præcise modelkort angiver et kontekstvindue på 128.000 tokens, et maksimalt output på 16.384 tokens og en vidensgrænse den 1. oktober 2023. Kildematerialet og det genererede svar deler det tilgængelige vindue. Modelversionen fra den 18. juli opføres separat fra de fulde GPT-4o-udgaver og bevarer sin egen modelidentitet og sine egne grænser.
Leverandøren dokumenterer streaming, funktionskald, Structured Outputs, fil- og billedinput samt søgning, finjustering og Predicted Outputs. Det opførte værktøjssæt omfatter funktioner, web- og filsøgning, billedgenerering, kodefortolkning og MCP-forbindelser. Værktøjer er separate handlinger: en applikation stiller dem til rådighed, udfører sine handlinger og returnerer faktiske resultater. Leverandøren beskriver også finjustering af modellen til specialiserede opgaver, uden at en eksisterende anmodning dermed bliver en nytrænet model.
Vejledningen til Structured Outputs navngiver udtrykkeligt gpt-4o-mini-2024-07-18 og understøtter en delmængde af JSON Schema. Håndter en afvisning eller et ufuldstændigt svar separat fra et færdigt struktureret resultat, og kontroller udtrukne værdier mod kildematerialet. Predicted Outputs kan bruge stort set kendt tekst ved gendannelse af et dokument eller en kodefil; denne fremgangsmåde med forudsagt output er rent tekstbaseret og kan ikke kombineres med funktionskald.
Definer et nyttigt endeligt resultat: et kort svar, en liste over handlinger, en redigeret passage eller et sæt felter til næste trin. Hold reglerne ensartede på tværs af gentagne input, og viderefør væsentlige tidligere fakta i en opfølgning. Et svar er nyttigt, når indholdet, formatet og den foreslåede næste handling bevarer forbindelsen til opgaven og det kildemateriale, du leverede.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-4o-mini-2024-07-18 | 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-4o-mini-2024-07-18",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4o-mini-2024-07-18', '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-4o-mini-2024-07-18', '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 openai/gpt-4o-mini-2024-07-18
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract fields from a service thread\n\nExtract a service record from this thread: M1: 'My order Q-81 arrived with one blue mug missing.' M2: 'We can send a replacement; please confirm your address.' M3: 'The address is unchanged.' Return order ID, missing item, proposed remedy and whether shipment is confirmed. Preserve message labels as evidence.A four-field service record with supporting message labels and distinct proposal versus confirmation status.A proposed replacement must not be reported as a shipped replacement.