GPT-4o mini er en lille OpenAI-model til afgrænsede opgaver. Den modtager tekst og billeder og returnerer tekst, herunder strukturerede svar. En opgave kan kombinere en kort instruktion med en passage, et skærmbillede eller et andet relevant billede og derefter bede om et konkret resultat som udtrukne felter, en kategori eller et svarudkast.
Til klassifikation af beskeder skal du levere kategorierne og forklare håndteringen af en besked, der passer til mere end én kategori. Bed om den valgte kategori og den del af beskeden, der understøtter den. Til udtræk skal du angive felterne og håndteringen af værdier, som kilden ikke indeholder. Bevar de oprindelige identifikatorer, så hvert resultat kan spores til sit input.
En skriveopgave kan levere kundens spørgsmål, de relevante produktoplysninger og det budskab, svaret skal formidle. Bed om et svar med en defineret længde eller tone. Til omskrivning skal du levere den oprindelige passage og angive, hvad der må ændres: ordlyd, længde eller organisering. Hold navne, mængder og den tilsigtede betydning tydelige.
En billedopgave kan anmode om den synlige besked i et skærmbillede, en beskrivelse af en produktdetalje eller en sammenligning af to mærkede billeder. Udpeg det relevante område, og angiv, hvad resultatet skal indeholde. Ved en fejl på skærmen kan du eksempelvis bede om den læsbare fejltekst og det involverede grænsefladeelement. Kontroller de udtrukne detaljer mod det leverede billede, før du sender dem videre til en anden handling.
Modellens dokumenterede output er tekst. Et visuelt spørgsmål producerer derfor en forklaring, beskrivelse eller udtrukne oplysninger fra inputbilledet. Lever en læsbar kilde, og bevar dens etiket, når flere billeder indgår i samme opgave.
OpenAI dokumenterer Structured Outputs og funktionskald for GPT-4o mini. Et struktureret svar kan følge feltnavne og typer, der er valgt til applikationen. Kontroller både strukturen og indholdet mod inputtet, før du gemmer eller bruger resultatet.
I en arbejdsgang med funktioner stiller applikationen en funktion til rådighed og udfører et anmodet kald. Derefter returnerer den det faktiske resultat, som modellen kan bruge. En afgrænset funktionsbeskrivelse og udtrykkelige argumentregler hjælper med at holde anmodningen knyttet til den opgave, der udføres.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Brug konteksten til relevant materiale, og efterlad plads til svaret. Et afgrænset udtræk kræver måske kun få felter; en længere dokumentsammenligning har gavn af mærkede uddrag og et defineret spørgsmål.
", "aboutText": "GPT-4o mini er en lille OpenAI-model til afgrænsede opgaver. Den modtager tekst og billeder og returnerer tekst, herunder strukturerede svar. En opgave kan kombinere en kort instruktion med en passage, et skærmbillede eller et andet relevant billede og derefter bede om et konkret resultat som udtrukne felter, en kategori eller et svarudkast.\n\n### Omdan leveret materiale til et kompakt resultat\n\nTil klassifikation af beskeder skal du levere kategorierne og forklare håndteringen af en besked, der passer til mere end én kategori. Bed om den valgte kategori og den del af beskeden, der understøtter den. Til udtræk skal du angive felterne og håndteringen af værdier, som kilden ikke indeholder. Bevar de oprindelige identifikatorer, så hvert resultat kan spores til sit input.\n\nEn skriveopgave kan levere kundens spørgsmål, de relevante produktoplysninger og det budskab, svaret skal formidle. Bed om et svar med en defineret længde eller tone. Til omskrivning skal du levere den oprindelige passage og angive, hvad der må ændres: ordlyd, længde eller organisering. Hold navne, mængder og den tilsigtede betydning tydelige.\n\n### Stil et præcist spørgsmål om et billede\n\nEn billedopgave kan anmode om den synlige besked i et skærmbillede, en beskrivelse af en produktdetalje eller en sammenligning af to mærkede billeder. Udpeg det relevante område, og angiv, hvad resultatet skal indeholde. Ved en fejl på skærmen kan du eksempelvis bede om den læsbare fejltekst og det involverede grænsefladeelement. Kontroller de udtrukne detaljer mod det leverede billede, før du sender dem videre til en anden handling.\n\nModellens dokumenterede output er tekst. Et visuelt spørgsmål producerer derfor en forklaring, beskrivelse eller udtrukne oplysninger fra inputbilledet. Lever en læsbar kilde, og bevar dens etiket, når flere billeder indgår i samme opgave.\n\n### Form svaret til en applikation\n\nOpenAI dokumenterer Structured Outputs og funktionskald for GPT-4o mini. Et struktureret svar kan følge feltnavne og typer, der er valgt til applikationen. Kontroller både strukturen og indholdet mod inputtet, før du gemmer eller bruger resultatet.\n\nI en arbejdsgang med funktioner stiller applikationen en funktion til rådighed og udfører et anmodet kald. Derefter returnerer den det faktiske resultat, som modellen kan bruge. En afgrænset funktionsbeskrivelse og udtrykkelige argumentregler hjælper med at holde anmodningen knyttet til den opgave, der udføres.\n\nProducenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Brug konteksten til relevant materiale, og efterlad plads til svaret. Et afgrænset udtræk kræver måske kun få felter; en længere dokumentsammenligning har gavn af mærkede uddrag og et defineret spørgsmål.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract an appointment request\n\nExtract fields from this message: 'Hi, I am Morgan. Please move booking B-18 from Tuesday to Friday afternoon; I cannot attend in the morning.' Return name, booking ID, current day, requested day and time preference. Preserve the reference exactly and mark any precise requested time as unknown.A compact labelled record with the five requested fields and an explicit unknown precise time.Friday afternoon is a preference rather than an invented clock time, and B-18 remains exact.gpt-4o-miniGPT-4o mini er OpenAIs lille model til afgrænsede tekst- og billedopgaver. Brug den til at klassificere en besked, udtrække felter fra leveret materiale, forklare et skærmbillede eller udarbejde et svarudkast med tekstoutput og understøttelse af Structured Outputs og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o mini er en lille OpenAI-model til afgrænsede opgaver. Den modtager tekst og billeder og returnerer tekst, herunder strukturerede svar. En opgave kan kombinere en kort instruktion med en passage, et skærmbillede eller et andet relevant billede og derefter bede om et konkret resultat som udtrukne felter, en kategori eller et svarudkast.
Til klassifikation af beskeder skal du levere kategorierne og forklare håndteringen af en besked, der passer til mere end én kategori. Bed om den valgte kategori og den del af beskeden, der understøtter den. Til udtræk skal du angive felterne og håndteringen af værdier, som kilden ikke indeholder. Bevar de oprindelige identifikatorer, så hvert resultat kan spores til sit input.
En skriveopgave kan levere kundens spørgsmål, de relevante produktoplysninger og det budskab, svaret skal formidle. Bed om et svar med en defineret længde eller tone. Til omskrivning skal du levere den oprindelige passage og angive, hvad der må ændres: ordlyd, længde eller organisering. Hold navne, mængder og den tilsigtede betydning tydelige.
En billedopgave kan anmode om den synlige besked i et skærmbillede, en beskrivelse af en produktdetalje eller en sammenligning af to mærkede billeder. Udpeg det relevante område, og angiv, hvad resultatet skal indeholde. Ved en fejl på skærmen kan du eksempelvis bede om den læsbare fejltekst og det involverede grænsefladeelement. Kontroller de udtrukne detaljer mod det leverede billede, før du sender dem videre til en anden handling.
Modellens dokumenterede output er tekst. Et visuelt spørgsmål producerer derfor en forklaring, beskrivelse eller udtrukne oplysninger fra inputbilledet. Lever en læsbar kilde, og bevar dens etiket, når flere billeder indgår i samme opgave.
OpenAI dokumenterer Structured Outputs og funktionskald for GPT-4o mini. Et struktureret svar kan følge feltnavne og typer, der er valgt til applikationen. Kontroller både strukturen og indholdet mod inputtet, før du gemmer eller bruger resultatet.
I en arbejdsgang med funktioner stiller applikationen en funktion til rådighed og udfører et anmodet kald. Derefter returnerer den det faktiske resultat, som modellen kan bruge. En afgrænset funktionsbeskrivelse og udtrykkelige argumentregler hjælper med at holde anmodningen knyttet til den opgave, der udføres.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Brug konteksten til relevant materiale, og efterlad plads til svaret. Et afgrænset udtræk kræver måske kun få felter; en længere dokumentsammenligning har gavn af mærkede uddrag og et defineret spørgsmål.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-4o-mini | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-4o-mini","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gpt-4o-mini", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gpt-4o-mini, openai/gpt-4o-mini
/chat/completions
gpt-4o-miniGPT-4o mini er OpenAIs lille model til afgrænsede tekst- og billedopgaver. Brug den til at klassificere en besked, udtrække felter fra leveret materiale, forklare et skærmbillede eller udarbejde et svarudkast med tekstoutput og understøttelse af Structured Outputs og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o mini er en lille OpenAI-model til afgrænsede opgaver. Den modtager tekst og billeder og returnerer tekst, herunder strukturerede svar. En opgave kan kombinere en kort instruktion med en passage, et skærmbillede eller et andet relevant billede og derefter bede om et konkret resultat som udtrukne felter, en kategori eller et svarudkast.
Til klassifikation af beskeder skal du levere kategorierne og forklare håndteringen af en besked, der passer til mere end én kategori. Bed om den valgte kategori og den del af beskeden, der understøtter den. Til udtræk skal du angive felterne og håndteringen af værdier, som kilden ikke indeholder. Bevar de oprindelige identifikatorer, så hvert resultat kan spores til sit input.
En skriveopgave kan levere kundens spørgsmål, de relevante produktoplysninger og det budskab, svaret skal formidle. Bed om et svar med en defineret længde eller tone. Til omskrivning skal du levere den oprindelige passage og angive, hvad der må ændres: ordlyd, længde eller organisering. Hold navne, mængder og den tilsigtede betydning tydelige.
En billedopgave kan anmode om den synlige besked i et skærmbillede, en beskrivelse af en produktdetalje eller en sammenligning af to mærkede billeder. Udpeg det relevante område, og angiv, hvad resultatet skal indeholde. Ved en fejl på skærmen kan du eksempelvis bede om den læsbare fejltekst og det involverede grænsefladeelement. Kontroller de udtrukne detaljer mod det leverede billede, før du sender dem videre til en anden handling.
Modellens dokumenterede output er tekst. Et visuelt spørgsmål producerer derfor en forklaring, beskrivelse eller udtrukne oplysninger fra inputbilledet. Lever en læsbar kilde, og bevar dens etiket, når flere billeder indgår i samme opgave.
OpenAI dokumenterer Structured Outputs og funktionskald for GPT-4o mini. Et struktureret svar kan følge feltnavne og typer, der er valgt til applikationen. Kontroller både strukturen og indholdet mod inputtet, før du gemmer eller bruger resultatet.
I en arbejdsgang med funktioner stiller applikationen en funktion til rådighed og udfører et anmodet kald. Derefter returnerer den det faktiske resultat, som modellen kan bruge. En afgrænset funktionsbeskrivelse og udtrykkelige argumentregler hjælper med at holde anmodningen knyttet til den opgave, der udføres.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Brug konteksten til relevant materiale, og efterlad plads til svaret. Et afgrænset udtræk kræver måske kun få felter; en længere dokumentsammenligning har gavn af mærkede uddrag og et defineret spørgsmål.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-4o-mini | 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 — / 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 $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-4o-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4o-mini', '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-4o-mini', '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-4o-mini, openai/gpt-4o-mini
/chat/completions
openai/gpt-4o-miniGPT-4o mini er OpenAIs lille model til afgrænsede tekst- og billedopgaver. Brug den til at klassificere en besked, udtrække felter fra leveret materiale, forklare et skærmbillede eller udarbejde et svarudkast med tekstoutput og understøttelse af Structured Outputs og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o mini er en lille OpenAI-model til afgrænsede opgaver. Den modtager tekst og billeder og returnerer tekst, herunder strukturerede svar. En opgave kan kombinere en kort instruktion med en passage, et skærmbillede eller et andet relevant billede og derefter bede om et konkret resultat som udtrukne felter, en kategori eller et svarudkast.
Til klassifikation af beskeder skal du levere kategorierne og forklare håndteringen af en besked, der passer til mere end én kategori. Bed om den valgte kategori og den del af beskeden, der understøtter den. Til udtræk skal du angive felterne og håndteringen af værdier, som kilden ikke indeholder. Bevar de oprindelige identifikatorer, så hvert resultat kan spores til sit input.
En skriveopgave kan levere kundens spørgsmål, de relevante produktoplysninger og det budskab, svaret skal formidle. Bed om et svar med en defineret længde eller tone. Til omskrivning skal du levere den oprindelige passage og angive, hvad der må ændres: ordlyd, længde eller organisering. Hold navne, mængder og den tilsigtede betydning tydelige.
En billedopgave kan anmode om den synlige besked i et skærmbillede, en beskrivelse af en produktdetalje eller en sammenligning af to mærkede billeder. Udpeg det relevante område, og angiv, hvad resultatet skal indeholde. Ved en fejl på skærmen kan du eksempelvis bede om den læsbare fejltekst og det involverede grænsefladeelement. Kontroller de udtrukne detaljer mod det leverede billede, før du sender dem videre til en anden handling.
Modellens dokumenterede output er tekst. Et visuelt spørgsmål producerer derfor en forklaring, beskrivelse eller udtrukne oplysninger fra inputbilledet. Lever en læsbar kilde, og bevar dens etiket, når flere billeder indgår i samme opgave.
OpenAI dokumenterer Structured Outputs og funktionskald for GPT-4o mini. Et struktureret svar kan følge feltnavne og typer, der er valgt til applikationen. Kontroller både strukturen og indholdet mod inputtet, før du gemmer eller bruger resultatet.
I en arbejdsgang med funktioner stiller applikationen en funktion til rådighed og udfører et anmodet kald. Derefter returnerer den det faktiske resultat, som modellen kan bruge. En afgrænset funktionsbeskrivelse og udtrykkelige argumentregler hjælper med at holde anmodningen knyttet til den opgave, der udføres.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Brug konteksten til relevant materiale, og efterlad plads til svaret. Et afgrænset udtræk kræver måske kun få felter; en længere dokumentsammenligning har gavn af mærkede uddrag og et defineret spørgsmål.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-4o-mini | 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 — / 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 $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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", "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',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',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-4o-mini, openai/gpt-4o-mini
/chat/completions
openai/gpt-4o-miniGPT-4o mini er OpenAIs lille model til afgrænsede tekst- og billedopgaver. Brug den til at klassificere en besked, udtrække felter fra leveret materiale, forklare et skærmbillede eller udarbejde et svarudkast med tekstoutput og understøttelse af Structured Outputs og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o mini er en lille OpenAI-model til afgrænsede opgaver. Den modtager tekst og billeder og returnerer tekst, herunder strukturerede svar. En opgave kan kombinere en kort instruktion med en passage, et skærmbillede eller et andet relevant billede og derefter bede om et konkret resultat som udtrukne felter, en kategori eller et svarudkast.
Til klassifikation af beskeder skal du levere kategorierne og forklare håndteringen af en besked, der passer til mere end én kategori. Bed om den valgte kategori og den del af beskeden, der understøtter den. Til udtræk skal du angive felterne og håndteringen af værdier, som kilden ikke indeholder. Bevar de oprindelige identifikatorer, så hvert resultat kan spores til sit input.
En skriveopgave kan levere kundens spørgsmål, de relevante produktoplysninger og det budskab, svaret skal formidle. Bed om et svar med en defineret længde eller tone. Til omskrivning skal du levere den oprindelige passage og angive, hvad der må ændres: ordlyd, længde eller organisering. Hold navne, mængder og den tilsigtede betydning tydelige.
En billedopgave kan anmode om den synlige besked i et skærmbillede, en beskrivelse af en produktdetalje eller en sammenligning af to mærkede billeder. Udpeg det relevante område, og angiv, hvad resultatet skal indeholde. Ved en fejl på skærmen kan du eksempelvis bede om den læsbare fejltekst og det involverede grænsefladeelement. Kontroller de udtrukne detaljer mod det leverede billede, før du sender dem videre til en anden handling.
Modellens dokumenterede output er tekst. Et visuelt spørgsmål producerer derfor en forklaring, beskrivelse eller udtrukne oplysninger fra inputbilledet. Lever en læsbar kilde, og bevar dens etiket, når flere billeder indgår i samme opgave.
OpenAI dokumenterer Structured Outputs og funktionskald for GPT-4o mini. Et struktureret svar kan følge feltnavne og typer, der er valgt til applikationen. Kontroller både strukturen og indholdet mod inputtet, før du gemmer eller bruger resultatet.
I en arbejdsgang med funktioner stiller applikationen en funktion til rådighed og udfører et anmodet kald. Derefter returnerer den det faktiske resultat, som modellen kan bruge. En afgrænset funktionsbeskrivelse og udtrykkelige argumentregler hjælper med at holde anmodningen knyttet til den opgave, der udføres.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Brug konteksten til relevant materiale, og efterlad plads til svaret. Et afgrænset udtræk kræver måske kun få felter; en længere dokumentsammenligning har gavn af mærkede uddrag og et defineret spørgsmål.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-4o-mini | 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 — / 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 $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-4o-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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-4o-mini, openai/gpt-4o-mini
/chat/completions
Teknisk eksempel på engelsk
Extract an appointment request\n\nExtract fields from this message: 'Hi, I am Morgan. Please move booking B-18 from Tuesday to Friday afternoon; I cannot attend in the morning.' Return name, booking ID, current day, requested day and time preference. Preserve the reference exactly and mark any precise requested time as unknown.A compact labelled record with the five requested fields and an explicit unknown precise time.Friday afternoon is a preference rather than an invented clock time, and B-18 remains exact.