GPT-4o er OpenAIs alsidige GPT-model til tekst- og billedforståelse, skrivning og arbejde i applikationer. Bogstavet “o” står for “omni”, mens denne dokumenterede model modtager tekst og billeder og returnerer tekst, herunder Structured Outputs. En praktisk anmodning kan kombinere en skriftlig opgavebeskrivelse med fotografier, skærmbilleder eller dokumentsider og bede om en tydelig forklaring, et redigeret resultat eller definerede felter til et andet trin i applikationen.
Til en rapport skal du levere kildedokumenterne og angive den beslutning, rapporten skal understøtte. Angiv de relevante datoer, enheder og kildehenvisninger, og bed derefter om en sammenligning, der adskiller observationer, antagelser og manglende oplysninger. Til en visuel opgave skal du udpege den relevante genstand, det relevante diagram eller den relevante tilstand i grænsefladen og medtage den omgivende kontekst. Til en kodeændring skal du levere den berørte kode, den ønskede adfærd og de begrænsninger, der skal bevares. Det er konkrete måder at bruge modellens tekst- og billedfunktioner på uden at lade hele opgaven være underforstået i prompten.
OpenAIs aktuelle GPT-4o-profil angiver et kontekstvindue på 128.000 tokens, et maksimalt output på 16.384 tokens og en vidensgrænse den 1. oktober 2023. Leverandøren opfører flere daterede GPT-4o-modelversioner separat. Samtalen, inputmaterialet og det genererede svar deler kontekstbudgettet, så en stor dokumentsamling kræver stadig organisering og plads til det endelige resultat. Fakta, som ændrer sig eller kommer fra et privat system, bør leveres direkte eller hentes gennem et udtrykkeligt konfigureret værktøj.
Vejledningen til billedforståelse accepterer PNG, JPEG, WebP og ikke-animerede GIF-filer. GPT-4o understøtter billeddetaljeniveauerne low, high og auto; high og auto følger en behandling baseret på billedfliser. Forstør små etiketter, hold teksten opret, og bevar signaturforklaringen eller det omgivende diagram, når du fortolker en graf. De dokumenterede begrænsninger omfatter præcis rumlig lokalisering, omtrentlige optællinger af genstande, visse ikke-latinske skriftsystemer og panorama- eller fiskeøjevisninger. Modellen kan også beskrive et billede forkert, så gem kilden, og bed om de konkrete observationer, der understøtter en fortolkning. 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.
OpenAIs arbejdsgang til filinput giver en model med billedforståelse både udtrukket tekst og sidebilleder fra PDF-dokumenter. Kontordokumenter, der ikke er PDF-filer, leverer udtrukket tekst frem for deres indlejrede diagrammer, og regneark beriges ud fra op til de første 1.000 rækker pr. ark. Hver fil skal være under 50 MB, og filerne i en anmodning må tilsammen fylde 50 MB. Chat Completions understøtter PDF-fildele; den dokumenterede Responses-arbejdsgang accepterer yderligere filformater. Vælg en PDF-gengivelse, hvor visuel nøjagtighed er vigtig, og hold kildeidentifikatorerne synlige i resultatet.
Streaming kan returnere svaret, mens det genereres. Structured Outputs begrænser et færdigt svar til den understøttede delmængde af JSON Schema og er derfor nyttigt til dokumentudtræk eller et applikationsobjekt med definerede felter. JSON-tilstand vedrører kun gyldigheden af JSON. Definer de forventede typer, tilladte værdier og håndteringen af manglende kildeoplysninger, og håndter derefter udtrykkelige afvisninger eller ufuldstændige svar separat. Et skema fastslår ikke, om en værdi er faktuelt korrekt, så de ønskede felter skal fortsat kunne spores til det leverede materiale.
Leverandøren understøtter funktionskald, websøgning, filsøgning, kodefortolkning og MCP-forbindelser. Egne funktioner kræver meningsfulde beskrivelser og argumentskemaer; applikationen udfører den ønskede handling og returnerer resultatet til modellens næste trin. GPT-4o kan også styre et separat billedgenereringsværktøj i en konfigureret Responses-arbejdsgang. Et billede skabt af et værktøj er et selvstændigt resultat, mens det dokumenterede native svar fra GPT-4o er tekst. En agents afsluttende forklaring bør bruge faktisk hentede eller beregnede observationer frem for at behandle et foreslået værktøjskald som en udført handling.
Predicted Outputs er tilgængeligt for GPT-4o ved gendannelse af stort set kendt tekst eller kode med små ændringer. Lever det eksisterende indhold og en præcis ændring, og undersøg derefter det returnerede resultat. Denne rent tekstbaserede fremgangsmåde kan ikke kombineres med funktionskald og udelukker logprobs, max_completion_tokens og flere andre kontroller. En anmodning, der bruger værktøjer, er et separat valg, når svaret afhænger af nye oplysninger fra en ekstern handling.
OpenAI dokumenterer finjustering af GPT-4o, og optimeringsvejledningen navngiver specifikt modelversionen fra den 6. august 2024 til finjustering af billedforståelse med billedeksempler. Denne versionsspecifikke tilpasningsarbejdsgang adskiller sig fra en almindelig anmodning til modelaliaset. Til daglig skrivning, analyse eller udtræk skal du begynde med en nyttig opgavebeskrivelse og et eksempel på det ønskede output. En opfølgning kan afklare én manglende oplysning, revidere et felt eller forbedre samme resultat og samtidig bevare opgavens kildegrundlag og begrænsninger.
", "aboutText": "GPT-4o er OpenAIs alsidige GPT-model til tekst- og billedforståelse, skrivning og arbejde i applikationer. Bogstavet “o” står for “omni”, mens denne dokumenterede model modtager tekst og billeder og returnerer tekst, herunder Structured Outputs. En praktisk anmodning kan kombinere en skriftlig opgavebeskrivelse med fotografier, skærmbilleder eller dokumentsider og bede om en tydelig forklaring, et redigeret resultat eller definerede felter til et andet trin i applikationen.\n\nTil en rapport skal du levere kildedokumenterne og angive den beslutning, rapporten skal understøtte. Angiv de relevante datoer, enheder og kildehenvisninger, og bed derefter om en sammenligning, der adskiller observationer, antagelser og manglende oplysninger. Til en visuel opgave skal du udpege den relevante genstand, det relevante diagram eller den relevante tilstand i grænsefladen og medtage den omgivende kontekst. Til en kodeændring skal du levere den berørte kode, den ønskede adfærd og de begrænsninger, der skal bevares. Det er konkrete måder at bruge modellens tekst- og billedfunktioner på uden at lade hele opgaven være underforstået i prompten.\n\nOpenAIs aktuelle GPT-4o-profil angiver et kontekstvindue på 128.000 tokens, et maksimalt output på 16.384 tokens og en vidensgrænse den 1. oktober 2023. Leverandøren opfører flere daterede GPT-4o-modelversioner separat. Samtalen, inputmaterialet og det genererede svar deler kontekstbudgettet, så en stor dokumentsamling kræver stadig organisering og plads til det endelige resultat. Fakta, som ændrer sig eller kommer fra et privat system, bør leveres direkte eller hentes gennem et udtrykkeligt konfigureret værktøj.\n\nVejledningen til billedforståelse accepterer PNG, JPEG, WebP og ikke-animerede GIF-filer. GPT-4o understøtter billeddetaljeniveauerne low, high og auto; high og auto følger en behandling baseret på billedfliser. Forstør små etiketter, hold teksten opret, og bevar signaturforklaringen eller det omgivende diagram, når du fortolker en graf. De dokumenterede begrænsninger omfatter præcis rumlig lokalisering, omtrentlige optællinger af genstande, visse ikke-latinske skriftsystemer og panorama- eller fiskeøjevisninger. Modellen kan også beskrive et billede forkert, så gem kilden, og bed om de konkrete observationer, der understøtter en fortolkning. 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\nOpenAIs arbejdsgang til filinput giver en model med billedforståelse både udtrukket tekst og sidebilleder fra PDF-dokumenter. Kontordokumenter, der ikke er PDF-filer, leverer udtrukket tekst frem for deres indlejrede diagrammer, og regneark beriges ud fra op til de første 1.000 rækker pr. ark. Hver fil skal være under 50 MB, og filerne i en anmodning må tilsammen fylde 50 MB. Chat Completions understøtter PDF-fildele; den dokumenterede Responses-arbejdsgang accepterer yderligere filformater. Vælg en PDF-gengivelse, hvor visuel nøjagtighed er vigtig, og hold kildeidentifikatorerne synlige i resultatet.\n\nStreaming kan returnere svaret, mens det genereres. Structured Outputs begrænser et færdigt svar til den understøttede delmængde af JSON Schema og er derfor nyttigt til dokumentudtræk eller et applikationsobjekt med definerede felter. JSON-tilstand vedrører kun gyldigheden af JSON. Definer de forventede typer, tilladte værdier og håndteringen af manglende kildeoplysninger, og håndter derefter udtrykkelige afvisninger eller ufuldstændige svar separat. Et skema fastslår ikke, om en værdi er faktuelt korrekt, så de ønskede felter skal fortsat kunne spores til det leverede materiale.\n\nLeverandøren understøtter funktionskald, websøgning, filsøgning, kodefortolkning og MCP-forbindelser. Egne funktioner kræver meningsfulde beskrivelser og argumentskemaer; applikationen udfører den ønskede handling og returnerer resultatet til modellens næste trin. GPT-4o kan også styre et separat billedgenereringsværktøj i en konfigureret Responses-arbejdsgang. Et billede skabt af et værktøj er et selvstændigt resultat, mens det dokumenterede native svar fra GPT-4o er tekst. En agents afsluttende forklaring bør bruge faktisk hentede eller beregnede observationer frem for at behandle et foreslået værktøjskald som en udført handling.\n\nPredicted Outputs er tilgængeligt for GPT-4o ved gendannelse af stort set kendt tekst eller kode med små ændringer. Lever det eksisterende indhold og en præcis ændring, og undersøg derefter det returnerede resultat. Denne rent tekstbaserede fremgangsmåde kan ikke kombineres med funktionskald og udelukker logprobs, max_completion_tokens og flere andre kontroller. En anmodning, der bruger værktøjer, er et separat valg, når svaret afhænger af nye oplysninger fra en ekstern handling.\n\nOpenAI dokumenterer finjustering af GPT-4o, og optimeringsvejledningen navngiver specifikt modelversionen fra den 6. august 2024 til finjustering af billedforståelse med billedeksempler. Denne versionsspecifikke tilpasningsarbejdsgang adskiller sig fra en almindelig anmodning til modelaliaset. Til daglig skrivning, analyse eller udtræk skal du begynde med en nyttig opgavebeskrivelse og et eksempel på det ønskede output. En opfølgning kan afklare én manglende oplysning, revidere et felt eller forbedre samme resultat og samtidig bevare opgavens kildegrundlag og begrænsninger.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "04bd7011f2ef2bf11bd37eff1fdc921ae489f71d1b612eb4a41aa4de1c296da1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/gpt-4o:batchGPT-4o kombinerer tekst- og billedforståelse med skrivning, programmering, Structured Outputs og applikationsværktøjer. Brug modellen til at udarbejde et svar baseret på kildemateriale, fortolke visuelt materiale eller returnere definerede felter fra en omfattende samling af kilder.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o er OpenAIs alsidige GPT-model til tekst- og billedforståelse, skrivning og arbejde i applikationer. Bogstavet “o” står for “omni”, mens denne dokumenterede model modtager tekst og billeder og returnerer tekst, herunder Structured Outputs. En praktisk anmodning kan kombinere en skriftlig opgavebeskrivelse med fotografier, skærmbilleder eller dokumentsider og bede om en tydelig forklaring, et redigeret resultat eller definerede felter til et andet trin i applikationen.
Til en rapport skal du levere kildedokumenterne og angive den beslutning, rapporten skal understøtte. Angiv de relevante datoer, enheder og kildehenvisninger, og bed derefter om en sammenligning, der adskiller observationer, antagelser og manglende oplysninger. Til en visuel opgave skal du udpege den relevante genstand, det relevante diagram eller den relevante tilstand i grænsefladen og medtage den omgivende kontekst. Til en kodeændring skal du levere den berørte kode, den ønskede adfærd og de begrænsninger, der skal bevares. Det er konkrete måder at bruge modellens tekst- og billedfunktioner på uden at lade hele opgaven være underforstået i prompten.
OpenAIs aktuelle GPT-4o-profil angiver et kontekstvindue på 128.000 tokens, et maksimalt output på 16.384 tokens og en vidensgrænse den 1. oktober 2023. Leverandøren opfører flere daterede GPT-4o-modelversioner separat. Samtalen, inputmaterialet og det genererede svar deler kontekstbudgettet, så en stor dokumentsamling kræver stadig organisering og plads til det endelige resultat. Fakta, som ændrer sig eller kommer fra et privat system, bør leveres direkte eller hentes gennem et udtrykkeligt konfigureret værktøj.
Vejledningen til billedforståelse accepterer PNG, JPEG, WebP og ikke-animerede GIF-filer. GPT-4o understøtter billeddetaljeniveauerne low, high og auto; high og auto følger en behandling baseret på billedfliser. Forstør små etiketter, hold teksten opret, og bevar signaturforklaringen eller det omgivende diagram, når du fortolker en graf. De dokumenterede begrænsninger omfatter præcis rumlig lokalisering, omtrentlige optællinger af genstande, visse ikke-latinske skriftsystemer og panorama- eller fiskeøjevisninger. Modellen kan også beskrive et billede forkert, så gem kilden, og bed om de konkrete observationer, der understøtter en fortolkning. 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.
OpenAIs arbejdsgang til filinput giver en model med billedforståelse både udtrukket tekst og sidebilleder fra PDF-dokumenter. Kontordokumenter, der ikke er PDF-filer, leverer udtrukket tekst frem for deres indlejrede diagrammer, og regneark beriges ud fra op til de første 1.000 rækker pr. ark. Hver fil skal være under 50 MB, og filerne i en anmodning må tilsammen fylde 50 MB. Chat Completions understøtter PDF-fildele; den dokumenterede Responses-arbejdsgang accepterer yderligere filformater. Vælg en PDF-gengivelse, hvor visuel nøjagtighed er vigtig, og hold kildeidentifikatorerne synlige i resultatet.
Streaming kan returnere svaret, mens det genereres. Structured Outputs begrænser et færdigt svar til den understøttede delmængde af JSON Schema og er derfor nyttigt til dokumentudtræk eller et applikationsobjekt med definerede felter. JSON-tilstand vedrører kun gyldigheden af JSON. Definer de forventede typer, tilladte værdier og håndteringen af manglende kildeoplysninger, og håndter derefter udtrykkelige afvisninger eller ufuldstændige svar separat. Et skema fastslår ikke, om en værdi er faktuelt korrekt, så de ønskede felter skal fortsat kunne spores til det leverede materiale.
Leverandøren understøtter funktionskald, websøgning, filsøgning, kodefortolkning og MCP-forbindelser. Egne funktioner kræver meningsfulde beskrivelser og argumentskemaer; applikationen udfører den ønskede handling og returnerer resultatet til modellens næste trin. GPT-4o kan også styre et separat billedgenereringsværktøj i en konfigureret Responses-arbejdsgang. Et billede skabt af et værktøj er et selvstændigt resultat, mens det dokumenterede native svar fra GPT-4o er tekst. En agents afsluttende forklaring bør bruge faktisk hentede eller beregnede observationer frem for at behandle et foreslået værktøjskald som en udført handling.
Predicted Outputs er tilgængeligt for GPT-4o ved gendannelse af stort set kendt tekst eller kode med små ændringer. Lever det eksisterende indhold og en præcis ændring, og undersøg derefter det returnerede resultat. Denne rent tekstbaserede fremgangsmåde kan ikke kombineres med funktionskald og udelukker logprobs, max_completion_tokens og flere andre kontroller. En anmodning, der bruger værktøjer, er et separat valg, når svaret afhænger af nye oplysninger fra en ekstern handling.
OpenAI dokumenterer finjustering af GPT-4o, og optimeringsvejledningen navngiver specifikt modelversionen fra den 6. august 2024 til finjustering af billedforståelse med billedeksempler. Denne versionsspecifikke tilpasningsarbejdsgang adskiller sig fra en almindelig anmodning til modelaliaset. Til daglig skrivning, analyse eller udtræk skal du begynde med en nyttig opgavebeskrivelse og et eksempel på det ønskede output. En opfølgning kan afklare én manglende oplysning, revidere et felt eller forbedre samme resultat og samtidig bevare opgavens kildegrundlag og begrænsninger.
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-4o: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-4o:batch, openai/gpt-4o | 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 $0.0025 / 1K tokens Output · Outputtokens $0.01 / 1K tokens Input · Cachelæsning $0.00125 / 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 $0.0025 / 1K tokens Output · Outputtokens $0.01 / 1K tokens Input · Cachelæsning $0.00125 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-4o: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-4o:batch', 'openai/gpt-4o']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4o: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-4o:batch
Brug metodestierne vist ovenfor.