GPT-4o er en alsidig OpenAI-model, der modtager tekst og billeder og producerer tekst. En anmodning kan kombinere skriftlige instruktioner med visuelt kildemateriale, så en assistent kan besvare spørgsmål om et skærmbillede, sammenligne mærkede billeder eller forklare oplysninger fra et dokumentuddrag. Modellen understøtter også strukturerede svar og funktionskald i producentens dokumenterede grænseflader.
Giv hvert billede en etiket, og forklar, hvilken beslutning svaret skal understøtte. En gennemgang af et skærmbillede kan bede om den synlige tilstand, fejlmeddelelsen og det næste diagnostiske spørgsmål. En sammenligning kan angive de egenskaber, der skal undersøges, og bede om en separat observation for hvert billede. Medtag skriftlig kontekst, når billedet alene ikke forklarer opgaven.
Ved materiale, der indeholder både prosa og billeder, skal du vælge de relevante passager og billeder og derefter angive det spørgsmål, der forbinder dem. Bed modellen om at skelne mellem det, der er synligt i kilden, og det, der følger af fortolkning. Bevar side- eller billedetiketter i svaret, så en person, der gennemgår resultatet, kan vende tilbage til det understøttende materiale.
En indholdsopgave kan levere en målgruppe, de oplysninger, der skal formidles, og det ønskede resultat: en forklaring, et kundesvar, en revideret passage eller en kort orientering. Angiv de fakta, der skal bevares, og en længde, der passer til læseren. Ved revision af eksisterende indhold skal du angive, om ændringen vedrører ordlyd, struktur eller manglende kontekst.
Til kodearbejde skal du levere det relevante uddrag, dets rolle i projektet og den adfærd, du forventer. Bed om en afgrænset forklaring eller et forslag med eksempler, der gør resultatet testbart. Den returnerede kode kan derefter undersøges og køres i målmiljøet.
OpenAI dokumenterer Structured Outputs for GPT-4o. Definer felterne, deres typer og repræsentationen af manglende oplysninger. Et visuelt udtræk kan bede om en etiket, en læsbar værdi og den billedidentifikator, der understøtter værdien. Valider strukturen, og sammenhold det udtrukne indhold med kilden, før du bruger det i næste trin.
Funktionskald giver en applikation en anmodning, som modellen har valgt, til en funktion, applikationen stiller til rådighed. Applikationen udfører handlingen og leverer resultatet; modellen kan derefter bruge dette returnerede grundlag i sit svar. Bevar skellet mellem en foreslået handling og det registrerede resultat.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Planlæg en lang opgave omkring det relevante kildemateriale og det nødvendige svar. GPT-4o har særskilt navngivne modelversioner; en arbejdsgang med en præcis version skal bevare den ønskede modelidentitet sammen med prompten og resultatet.
", "aboutText": "GPT-4o er en alsidig OpenAI-model, der modtager tekst og billeder og producerer tekst. En anmodning kan kombinere skriftlige instruktioner med visuelt kildemateriale, så en assistent kan besvare spørgsmål om et skærmbillede, sammenligne mærkede billeder eller forklare oplysninger fra et dokumentuddrag. Modellen understøtter også strukturerede svar og funktionskald i producentens dokumenterede grænseflader.\n\n### Kombiner tekst med visuelt kildemateriale\n\nGiv hvert billede en etiket, og forklar, hvilken beslutning svaret skal understøtte. En gennemgang af et skærmbillede kan bede om den synlige tilstand, fejlmeddelelsen og det næste diagnostiske spørgsmål. En sammenligning kan angive de egenskaber, der skal undersøges, og bede om en separat observation for hvert billede. Medtag skriftlig kontekst, når billedet alene ikke forklarer opgaven.\n\nVed materiale, der indeholder både prosa og billeder, skal du vælge de relevante passager og billeder og derefter angive det spørgsmål, der forbinder dem. Bed modellen om at skelne mellem det, der er synligt i kilden, og det, der følger af fortolkning. Bevar side- eller billedetiketter i svaret, så en person, der gennemgår resultatet, kan vende tilbage til det understøttende materiale.\n\n### Udarbejd, forklar og revider\n\nEn indholdsopgave kan levere en målgruppe, de oplysninger, der skal formidles, og det ønskede resultat: en forklaring, et kundesvar, en revideret passage eller en kort orientering. Angiv de fakta, der skal bevares, og en længde, der passer til læseren. Ved revision af eksisterende indhold skal du angive, om ændringen vedrører ordlyd, struktur eller manglende kontekst.\n\nTil kodearbejde skal du levere det relevante uddrag, dets rolle i projektet og den adfærd, du forventer. Bed om en afgrænset forklaring eller et forslag med eksempler, der gør resultatet testbart. Den returnerede kode kan derefter undersøges og køres i målmiljøet.\n\n### Returner et resultat, som næste trin kan bruge\n\nOpenAI dokumenterer Structured Outputs for GPT-4o. Definer felterne, deres typer og repræsentationen af manglende oplysninger. Et visuelt udtræk kan bede om en etiket, en læsbar værdi og den billedidentifikator, der understøtter værdien. Valider strukturen, og sammenhold det udtrukne indhold med kilden, før du bruger det i næste trin.\n\nFunktionskald giver en applikation en anmodning, som modellen har valgt, til en funktion, applikationen stiller til rådighed. Applikationen udfører handlingen og leverer resultatet; modellen kan derefter bruge dette returnerede grundlag i sit svar. Bevar skellet mellem en foreslået handling og det registrerede resultat.\n\nProducenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Planlæg en lang opgave omkring det relevante kildemateriale og det nødvendige svar. GPT-4o har særskilt navngivne modelversioner; en arbejdsgang med en præcis version skal bevare den ønskede modelidentitet sammen med prompten og resultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Rewrite a returns instruction\n\nRewrite this internal note as customer instructions: "Get RA first. Send back only unopened units. Include packing slip. Photos needed if seal arrived broken." Explain RA as "return authorization" on first use. Use a short numbered list, preserve the broken-seal condition and avoid adding deadlines, fees or eligibility exceptions.A customer-facing numbered instruction list with the acronym explained and the photo condition preserved.Check that photos are conditional on a seal arriving broken rather than required for every return.gpt-4oGPT-4o er OpenAIs model til tekst- og billedforståelse med tekstoutput. Den kan bruge passager og visuelt kildemateriale i samme opgave til at forklare materiale, udarbejde indhold eller returnere strukturerede felter med dokumenterede funktionskald til applikationsarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o er en alsidig OpenAI-model, der modtager tekst og billeder og producerer tekst. En anmodning kan kombinere skriftlige instruktioner med visuelt kildemateriale, så en assistent kan besvare spørgsmål om et skærmbillede, sammenligne mærkede billeder eller forklare oplysninger fra et dokumentuddrag. Modellen understøtter også strukturerede svar og funktionskald i producentens dokumenterede grænseflader.
Giv hvert billede en etiket, og forklar, hvilken beslutning svaret skal understøtte. En gennemgang af et skærmbillede kan bede om den synlige tilstand, fejlmeddelelsen og det næste diagnostiske spørgsmål. En sammenligning kan angive de egenskaber, der skal undersøges, og bede om en separat observation for hvert billede. Medtag skriftlig kontekst, når billedet alene ikke forklarer opgaven.
Ved materiale, der indeholder både prosa og billeder, skal du vælge de relevante passager og billeder og derefter angive det spørgsmål, der forbinder dem. Bed modellen om at skelne mellem det, der er synligt i kilden, og det, der følger af fortolkning. Bevar side- eller billedetiketter i svaret, så en person, der gennemgår resultatet, kan vende tilbage til det understøttende materiale.
En indholdsopgave kan levere en målgruppe, de oplysninger, der skal formidles, og det ønskede resultat: en forklaring, et kundesvar, en revideret passage eller en kort orientering. Angiv de fakta, der skal bevares, og en længde, der passer til læseren. Ved revision af eksisterende indhold skal du angive, om ændringen vedrører ordlyd, struktur eller manglende kontekst.
Til kodearbejde skal du levere det relevante uddrag, dets rolle i projektet og den adfærd, du forventer. Bed om en afgrænset forklaring eller et forslag med eksempler, der gør resultatet testbart. Den returnerede kode kan derefter undersøges og køres i målmiljøet.
OpenAI dokumenterer Structured Outputs for GPT-4o. Definer felterne, deres typer og repræsentationen af manglende oplysninger. Et visuelt udtræk kan bede om en etiket, en læsbar værdi og den billedidentifikator, der understøtter værdien. Valider strukturen, og sammenhold det udtrukne indhold med kilden, før du bruger det i næste trin.
Funktionskald giver en applikation en anmodning, som modellen har valgt, til en funktion, applikationen stiller til rådighed. Applikationen udfører handlingen og leverer resultatet; modellen kan derefter bruge dette returnerede grundlag i sit svar. Bevar skellet mellem en foreslået handling og det registrerede resultat.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Planlæg en lang opgave omkring det relevante kildemateriale og det nødvendige svar. GPT-4o har særskilt navngivne modelversioner; en arbejdsgang med en præcis version skal bevare den ønskede modelidentitet sammen med prompten og resultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-4o | 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 $0.005 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.0025 / 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 $0.005 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.0025 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-4o","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", 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, openai/gpt-4o
/chat/completions
gpt-4oGPT-4o er OpenAIs model til tekst- og billedforståelse med tekstoutput. Den kan bruge passager og visuelt kildemateriale i samme opgave til at forklare materiale, udarbejde indhold eller returnere strukturerede felter med dokumenterede funktionskald til applikationsarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o er en alsidig OpenAI-model, der modtager tekst og billeder og producerer tekst. En anmodning kan kombinere skriftlige instruktioner med visuelt kildemateriale, så en assistent kan besvare spørgsmål om et skærmbillede, sammenligne mærkede billeder eller forklare oplysninger fra et dokumentuddrag. Modellen understøtter også strukturerede svar og funktionskald i producentens dokumenterede grænseflader.
Giv hvert billede en etiket, og forklar, hvilken beslutning svaret skal understøtte. En gennemgang af et skærmbillede kan bede om den synlige tilstand, fejlmeddelelsen og det næste diagnostiske spørgsmål. En sammenligning kan angive de egenskaber, der skal undersøges, og bede om en separat observation for hvert billede. Medtag skriftlig kontekst, når billedet alene ikke forklarer opgaven.
Ved materiale, der indeholder både prosa og billeder, skal du vælge de relevante passager og billeder og derefter angive det spørgsmål, der forbinder dem. Bed modellen om at skelne mellem det, der er synligt i kilden, og det, der følger af fortolkning. Bevar side- eller billedetiketter i svaret, så en person, der gennemgår resultatet, kan vende tilbage til det understøttende materiale.
En indholdsopgave kan levere en målgruppe, de oplysninger, der skal formidles, og det ønskede resultat: en forklaring, et kundesvar, en revideret passage eller en kort orientering. Angiv de fakta, der skal bevares, og en længde, der passer til læseren. Ved revision af eksisterende indhold skal du angive, om ændringen vedrører ordlyd, struktur eller manglende kontekst.
Til kodearbejde skal du levere det relevante uddrag, dets rolle i projektet og den adfærd, du forventer. Bed om en afgrænset forklaring eller et forslag med eksempler, der gør resultatet testbart. Den returnerede kode kan derefter undersøges og køres i målmiljøet.
OpenAI dokumenterer Structured Outputs for GPT-4o. Definer felterne, deres typer og repræsentationen af manglende oplysninger. Et visuelt udtræk kan bede om en etiket, en læsbar værdi og den billedidentifikator, der understøtter værdien. Valider strukturen, og sammenhold det udtrukne indhold med kilden, før du bruger det i næste trin.
Funktionskald giver en applikation en anmodning, som modellen har valgt, til en funktion, applikationen stiller til rådighed. Applikationen udfører handlingen og leverer resultatet; modellen kan derefter bruge dette returnerede grundlag i sit svar. Bevar skellet mellem en foreslået handling og det registrerede resultat.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Planlæg en lang opgave omkring det relevante kildemateriale og det nødvendige svar. GPT-4o har særskilt navngivne modelversioner; en arbejdsgang med en præcis version skal bevare den ønskede modelidentitet sammen med prompten og resultatet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-4o | 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 $0.005 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.0025 / 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 $0.005 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.0025 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-4o",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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, openai/gpt-4o
/chat/completions
openai/gpt-4oGPT-4o er OpenAIs model til tekst- og billedforståelse med tekstoutput. Den kan bruge passager og visuelt kildemateriale i samme opgave til at forklare materiale, udarbejde indhold eller returnere strukturerede felter med dokumenterede funktionskald til applikationsarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o er en alsidig OpenAI-model, der modtager tekst og billeder og producerer tekst. En anmodning kan kombinere skriftlige instruktioner med visuelt kildemateriale, så en assistent kan besvare spørgsmål om et skærmbillede, sammenligne mærkede billeder eller forklare oplysninger fra et dokumentuddrag. Modellen understøtter også strukturerede svar og funktionskald i producentens dokumenterede grænseflader.
Giv hvert billede en etiket, og forklar, hvilken beslutning svaret skal understøtte. En gennemgang af et skærmbillede kan bede om den synlige tilstand, fejlmeddelelsen og det næste diagnostiske spørgsmål. En sammenligning kan angive de egenskaber, der skal undersøges, og bede om en separat observation for hvert billede. Medtag skriftlig kontekst, når billedet alene ikke forklarer opgaven.
Ved materiale, der indeholder både prosa og billeder, skal du vælge de relevante passager og billeder og derefter angive det spørgsmål, der forbinder dem. Bed modellen om at skelne mellem det, der er synligt i kilden, og det, der følger af fortolkning. Bevar side- eller billedetiketter i svaret, så en person, der gennemgår resultatet, kan vende tilbage til det understøttende materiale.
En indholdsopgave kan levere en målgruppe, de oplysninger, der skal formidles, og det ønskede resultat: en forklaring, et kundesvar, en revideret passage eller en kort orientering. Angiv de fakta, der skal bevares, og en længde, der passer til læseren. Ved revision af eksisterende indhold skal du angive, om ændringen vedrører ordlyd, struktur eller manglende kontekst.
Til kodearbejde skal du levere det relevante uddrag, dets rolle i projektet og den adfærd, du forventer. Bed om en afgrænset forklaring eller et forslag med eksempler, der gør resultatet testbart. Den returnerede kode kan derefter undersøges og køres i målmiljøet.
OpenAI dokumenterer Structured Outputs for GPT-4o. Definer felterne, deres typer og repræsentationen af manglende oplysninger. Et visuelt udtræk kan bede om en etiket, en læsbar værdi og den billedidentifikator, der understøtter værdien. Valider strukturen, og sammenhold det udtrukne indhold med kilden, før du bruger det i næste trin.
Funktionskald giver en applikation en anmodning, som modellen har valgt, til en funktion, applikationen stiller til rådighed. Applikationen udfører handlingen og leverer resultatet; modellen kan derefter bruge dette returnerede grundlag i sit svar. Bevar skellet mellem en foreslået handling og det registrerede resultat.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Planlæg en lang opgave omkring det relevante kildemateriale og det nødvendige svar. GPT-4o har særskilt navngivne modelversioner; en arbejdsgang med en præcis version skal bevare den ønskede modelidentitet sammen med prompten og resultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-4o | 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 $0.005 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.0025 / 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 $0.005 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.0025 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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", "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',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',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, openai/gpt-4o
/chat/completions
openai/gpt-4oGPT-4o er OpenAIs model til tekst- og billedforståelse med tekstoutput. Den kan bruge passager og visuelt kildemateriale i samme opgave til at forklare materiale, udarbejde indhold eller returnere strukturerede felter med dokumenterede funktionskald til applikationsarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-4o er en alsidig OpenAI-model, der modtager tekst og billeder og producerer tekst. En anmodning kan kombinere skriftlige instruktioner med visuelt kildemateriale, så en assistent kan besvare spørgsmål om et skærmbillede, sammenligne mærkede billeder eller forklare oplysninger fra et dokumentuddrag. Modellen understøtter også strukturerede svar og funktionskald i producentens dokumenterede grænseflader.
Giv hvert billede en etiket, og forklar, hvilken beslutning svaret skal understøtte. En gennemgang af et skærmbillede kan bede om den synlige tilstand, fejlmeddelelsen og det næste diagnostiske spørgsmål. En sammenligning kan angive de egenskaber, der skal undersøges, og bede om en separat observation for hvert billede. Medtag skriftlig kontekst, når billedet alene ikke forklarer opgaven.
Ved materiale, der indeholder både prosa og billeder, skal du vælge de relevante passager og billeder og derefter angive det spørgsmål, der forbinder dem. Bed modellen om at skelne mellem det, der er synligt i kilden, og det, der følger af fortolkning. Bevar side- eller billedetiketter i svaret, så en person, der gennemgår resultatet, kan vende tilbage til det understøttende materiale.
En indholdsopgave kan levere en målgruppe, de oplysninger, der skal formidles, og det ønskede resultat: en forklaring, et kundesvar, en revideret passage eller en kort orientering. Angiv de fakta, der skal bevares, og en længde, der passer til læseren. Ved revision af eksisterende indhold skal du angive, om ændringen vedrører ordlyd, struktur eller manglende kontekst.
Til kodearbejde skal du levere det relevante uddrag, dets rolle i projektet og den adfærd, du forventer. Bed om en afgrænset forklaring eller et forslag med eksempler, der gør resultatet testbart. Den returnerede kode kan derefter undersøges og køres i målmiljøet.
OpenAI dokumenterer Structured Outputs for GPT-4o. Definer felterne, deres typer og repræsentationen af manglende oplysninger. Et visuelt udtræk kan bede om en etiket, en læsbar værdi og den billedidentifikator, der understøtter værdien. Valider strukturen, og sammenhold det udtrukne indhold med kilden, før du bruger det i næste trin.
Funktionskald giver en applikation en anmodning, som modellen har valgt, til en funktion, applikationen stiller til rådighed. Applikationen udfører handlingen og leverer resultatet; modellen kan derefter bruge dette returnerede grundlag i sit svar. Bevar skellet mellem en foreslået handling og det registrerede resultat.
Producenten angiver et kontekstvindue på 128.000 tokens og et maksimalt output på 16.384 tokens for den dokumenterede modelversion. Planlæg en lang opgave omkring det relevante kildemateriale og det nødvendige svar. GPT-4o har særskilt navngivne modelversioner; en arbejdsgang med en præcis version skal bevare den ønskede modelidentitet sammen med prompten og resultatet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-4o | 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 $0.005 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.0025 / 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 $0.005 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.0025 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-4o",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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, openai/gpt-4o
/chat/completions
Teknisk eksempel på engelsk
Rewrite a returns instruction\n\nRewrite this internal note as customer instructions: "Get RA first. Send back only unopened units. Include packing slip. Photos needed if seal arrived broken." Explain RA as "return authorization" on first use. Use a short numbered list, preserve the broken-seal condition and avoid adding deadlines, fees or eligibility exceptions.A customer-facing numbered instruction list with the acronym explained and the photo condition preserved.Check that photos are conditional on a seal arriving broken rather than required for every return.