GPT-5.4 Mini er OpenAI’s kompakte GPT-5.4-udgave til programmering, computerbrug og understøttende agentopgaver. Den bringer familiens funktioner til en model udviklet til fokuseret arbejde med stor behandlingsvolumen. Dens input er tekst og billeder, og dens output er tekst. Producenten beskriver opgaver såsom målrettede ændringer, navigation i kodebasen, fejlfinding og fortolkning af screenshots af grænseflader.
Ved en programmeringsanmodning skal den adfærd, der skal implementeres, beskrives, de relevante filer eller uddrag leveres og de begrænsninger, der skal overleve ændringen, angives. En eksempelopgave er at finde den del af et projekt, der håndterer et bestemt input, foreslå en målrettet ændring og angive, hvordan den ændrede adfærd skal kontrolleres. Hold opgavens omfang tydeligt, så en lokal ændring forbindes med de relevante afhængigheder uden at blive en uvedkommende omskrivning.
Producentens lancering beskriver også Mini som en understøttende model i et større agentsystem. En smallere opgave kan være at søge i en kodebase, gennemgå en stor fil eller behandle understøttende dokumenter, mens en anden fase håndterer koordinering og den endelige vurdering. Giv opgaven sit eget input, kriterium for færdiggørelse og outputformat. Et nyttigt resultat er fundet, dets placering i det leverede materiale og enhver usikkerhed, som næste fase skal afklare.
Ved computerbrug fremhæver lanceringen fortolkning af screenshots af informationstætte grænseflader. Lever den aktuelle visuelle tilstand, brugerens mål og de relevante begrænsninger. Modellen kan foreslå en handling eller forklare, hvad screenshottet viser, mens det tilsluttede miljø udfører operationen og returnerer den resulterende tilstand. Hold det faktiske værktøjsresultat adskilt fra en handling, der kun er foreslået.
OpenAI’s specifikation angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Valgmulighederne for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Modellen angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, web- og filsøgning, fil- og billedinput samt promptcaching.
Dens værktøjer ifølge producenten omfatter værktøjssøgning, billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug og MCP-forbindelser. Applikationen leverer de tilgængelige operationer og returnerer deres faktiske resultater. Ved et endeligt svar skal ændringen eller konklusionen, den relevante dokumentation og næste handling efterspørges. En foreslået patch, en fokuseret gennemgang eller en kort forklaring af en grænseflade er et nyttigt resultat, når det er knyttet til den præcise opgave og kan kontrolleres mod den leverede kilde eller skærm.
", "aboutText": "GPT-5.4 Mini er OpenAI’s kompakte GPT-5.4-udgave til programmering, computerbrug og understøttende agentopgaver. Den bringer familiens funktioner til en model udviklet til fokuseret arbejde med stor behandlingsvolumen. Dens input er tekst og billeder, og dens output er tekst. Producenten beskriver opgaver såsom målrettede ændringer, navigation i kodebasen, fejlfinding og fortolkning af screenshots af grænseflader.\n\nVed en programmeringsanmodning skal den adfærd, der skal implementeres, beskrives, de relevante filer eller uddrag leveres og de begrænsninger, der skal overleve ændringen, angives. En eksempelopgave er at finde den del af et projekt, der håndterer et bestemt input, foreslå en målrettet ændring og angive, hvordan den ændrede adfærd skal kontrolleres. Hold opgavens omfang tydeligt, så en lokal ændring forbindes med de relevante afhængigheder uden at blive en uvedkommende omskrivning.\n\nProducentens lancering beskriver også Mini som en understøttende model i et større agentsystem. En smallere opgave kan være at søge i en kodebase, gennemgå en stor fil eller behandle understøttende dokumenter, mens en anden fase håndterer koordinering og den endelige vurdering. Giv opgaven sit eget input, kriterium for færdiggørelse og outputformat. Et nyttigt resultat er fundet, dets placering i det leverede materiale og enhver usikkerhed, som næste fase skal afklare.\n\nVed computerbrug fremhæver lanceringen fortolkning af screenshots af informationstætte grænseflader. Lever den aktuelle visuelle tilstand, brugerens mål og de relevante begrænsninger. Modellen kan foreslå en handling eller forklare, hvad screenshottet viser, mens det tilsluttede miljø udfører operationen og returnerer den resulterende tilstand. Hold det faktiske værktøjsresultat adskilt fra en handling, der kun er foreslået.\n\nOpenAI’s specifikation angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Valgmulighederne for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Modellen angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, web- og filsøgning, fil- og billedinput samt promptcaching.\n\nDens værktøjer ifølge producenten omfatter værktøjssøgning, billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug og MCP-forbindelser. Applikationen leverer de tilgængelige operationer og returnerer deres faktiske resultater. Ved et endeligt svar skal ændringen eller konklusionen, den relevante dokumentation og næste handling efterspørges. En foreslået patch, en fokuseret gennemgang eller en kort forklaring af en grænseflade er et nyttigt resultat, når det er knyttet til den præcise opgave og kan kontrolleres mod den leverede kilde eller skærm.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Locate an inconsistent empty-state branch\n\nInspect these Python helpers: def has_rows(rows): return rows is not None; def summary(rows): return str(len(rows)) if has_rows(rows) else "No rows". An empty list currently shows "0"; the requirement says None and [] both show "No rows". Identify the responsible branch, propose a focused correction and tests preserving nonempty counts.A location-specific explanation, a minimal code change and tests for None, [], and a nonempty list.Check that both empty cases use the empty message while a two-row list still returns "2".gpt-5.4-miniEn kompakt GPT-5.4-udgave til programmering, computerbrug og understøttende agentarbejde med stor behandlingsvolumen. Den accepterer tekst og billeder og kan udarbejde en ændring, fortolke et screenshot af en grænseflade eller gennemføre en smallere opgave i en større arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 Mini er OpenAI’s kompakte GPT-5.4-udgave til programmering, computerbrug og understøttende agentopgaver. Den bringer familiens funktioner til en model udviklet til fokuseret arbejde med stor behandlingsvolumen. Dens input er tekst og billeder, og dens output er tekst. Producenten beskriver opgaver såsom målrettede ændringer, navigation i kodebasen, fejlfinding og fortolkning af screenshots af grænseflader.
Ved en programmeringsanmodning skal den adfærd, der skal implementeres, beskrives, de relevante filer eller uddrag leveres og de begrænsninger, der skal overleve ændringen, angives. En eksempelopgave er at finde den del af et projekt, der håndterer et bestemt input, foreslå en målrettet ændring og angive, hvordan den ændrede adfærd skal kontrolleres. Hold opgavens omfang tydeligt, så en lokal ændring forbindes med de relevante afhængigheder uden at blive en uvedkommende omskrivning.
Producentens lancering beskriver også Mini som en understøttende model i et større agentsystem. En smallere opgave kan være at søge i en kodebase, gennemgå en stor fil eller behandle understøttende dokumenter, mens en anden fase håndterer koordinering og den endelige vurdering. Giv opgaven sit eget input, kriterium for færdiggørelse og outputformat. Et nyttigt resultat er fundet, dets placering i det leverede materiale og enhver usikkerhed, som næste fase skal afklare.
Ved computerbrug fremhæver lanceringen fortolkning af screenshots af informationstætte grænseflader. Lever den aktuelle visuelle tilstand, brugerens mål og de relevante begrænsninger. Modellen kan foreslå en handling eller forklare, hvad screenshottet viser, mens det tilsluttede miljø udfører operationen og returnerer den resulterende tilstand. Hold det faktiske værktøjsresultat adskilt fra en handling, der kun er foreslået.
OpenAI’s specifikation angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Valgmulighederne for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Modellen angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, web- og filsøgning, fil- og billedinput samt promptcaching.
Dens værktøjer ifølge producenten omfatter værktøjssøgning, billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug og MCP-forbindelser. Applikationen leverer de tilgængelige operationer og returnerer deres faktiske resultater. Ved et endeligt svar skal ændringen eller konklusionen, den relevante dokumentation og næste handling efterspørges. En foreslået patch, en fokuseret gennemgang eller en kort forklaring af en grænseflade er et nyttigt resultat, når det er knyttet til den præcise opgave og kan kontrolleres mod den leverede kilde eller skærm.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.4-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 $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.4-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-5.4-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-5.4-mini, openai/gpt-5.4-mini, ~openai/gpt-mini-latest
/chat/completions
gpt-5.4-miniEn kompakt GPT-5.4-udgave til programmering, computerbrug og understøttende agentarbejde med stor behandlingsvolumen. Den accepterer tekst og billeder og kan udarbejde en ændring, fortolke et screenshot af en grænseflade eller gennemføre en smallere opgave i en større arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 Mini er OpenAI’s kompakte GPT-5.4-udgave til programmering, computerbrug og understøttende agentopgaver. Den bringer familiens funktioner til en model udviklet til fokuseret arbejde med stor behandlingsvolumen. Dens input er tekst og billeder, og dens output er tekst. Producenten beskriver opgaver såsom målrettede ændringer, navigation i kodebasen, fejlfinding og fortolkning af screenshots af grænseflader.
Ved en programmeringsanmodning skal den adfærd, der skal implementeres, beskrives, de relevante filer eller uddrag leveres og de begrænsninger, der skal overleve ændringen, angives. En eksempelopgave er at finde den del af et projekt, der håndterer et bestemt input, foreslå en målrettet ændring og angive, hvordan den ændrede adfærd skal kontrolleres. Hold opgavens omfang tydeligt, så en lokal ændring forbindes med de relevante afhængigheder uden at blive en uvedkommende omskrivning.
Producentens lancering beskriver også Mini som en understøttende model i et større agentsystem. En smallere opgave kan være at søge i en kodebase, gennemgå en stor fil eller behandle understøttende dokumenter, mens en anden fase håndterer koordinering og den endelige vurdering. Giv opgaven sit eget input, kriterium for færdiggørelse og outputformat. Et nyttigt resultat er fundet, dets placering i det leverede materiale og enhver usikkerhed, som næste fase skal afklare.
Ved computerbrug fremhæver lanceringen fortolkning af screenshots af informationstætte grænseflader. Lever den aktuelle visuelle tilstand, brugerens mål og de relevante begrænsninger. Modellen kan foreslå en handling eller forklare, hvad screenshottet viser, mens det tilsluttede miljø udfører operationen og returnerer den resulterende tilstand. Hold det faktiske værktøjsresultat adskilt fra en handling, der kun er foreslået.
OpenAI’s specifikation angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Valgmulighederne for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Modellen angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, web- og filsøgning, fil- og billedinput samt promptcaching.
Dens værktøjer ifølge producenten omfatter værktøjssøgning, billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug og MCP-forbindelser. Applikationen leverer de tilgængelige operationer og returnerer deres faktiske resultater. Ved et endeligt svar skal ændringen eller konklusionen, den relevante dokumentation og næste handling efterspørges. En foreslået patch, en fokuseret gennemgang eller en kort forklaring af en grænseflade er et nyttigt resultat, når det er knyttet til den præcise opgave og kan kontrolleres mod den leverede kilde eller skærm.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.4-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 $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-5.4-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.4-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-5.4-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-5.4-mini, openai/gpt-5.4-mini, ~openai/gpt-mini-latest
/chat/completions
openai/gpt-5.4-miniEn kompakt GPT-5.4-udgave til programmering, computerbrug og understøttende agentarbejde med stor behandlingsvolumen. Den accepterer tekst og billeder og kan udarbejde en ændring, fortolke et screenshot af en grænseflade eller gennemføre en smallere opgave i en større arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 Mini er OpenAI’s kompakte GPT-5.4-udgave til programmering, computerbrug og understøttende agentopgaver. Den bringer familiens funktioner til en model udviklet til fokuseret arbejde med stor behandlingsvolumen. Dens input er tekst og billeder, og dens output er tekst. Producenten beskriver opgaver såsom målrettede ændringer, navigation i kodebasen, fejlfinding og fortolkning af screenshots af grænseflader.
Ved en programmeringsanmodning skal den adfærd, der skal implementeres, beskrives, de relevante filer eller uddrag leveres og de begrænsninger, der skal overleve ændringen, angives. En eksempelopgave er at finde den del af et projekt, der håndterer et bestemt input, foreslå en målrettet ændring og angive, hvordan den ændrede adfærd skal kontrolleres. Hold opgavens omfang tydeligt, så en lokal ændring forbindes med de relevante afhængigheder uden at blive en uvedkommende omskrivning.
Producentens lancering beskriver også Mini som en understøttende model i et større agentsystem. En smallere opgave kan være at søge i en kodebase, gennemgå en stor fil eller behandle understøttende dokumenter, mens en anden fase håndterer koordinering og den endelige vurdering. Giv opgaven sit eget input, kriterium for færdiggørelse og outputformat. Et nyttigt resultat er fundet, dets placering i det leverede materiale og enhver usikkerhed, som næste fase skal afklare.
Ved computerbrug fremhæver lanceringen fortolkning af screenshots af informationstætte grænseflader. Lever den aktuelle visuelle tilstand, brugerens mål og de relevante begrænsninger. Modellen kan foreslå en handling eller forklare, hvad screenshottet viser, mens det tilsluttede miljø udfører operationen og returnerer den resulterende tilstand. Hold det faktiske værktøjsresultat adskilt fra en handling, der kun er foreslået.
OpenAI’s specifikation angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Valgmulighederne for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Modellen angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, web- og filsøgning, fil- og billedinput samt promptcaching.
Dens værktøjer ifølge producenten omfatter værktøjssøgning, billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug og MCP-forbindelser. Applikationen leverer de tilgængelige operationer og returnerer deres faktiske resultater. Ved et endeligt svar skal ændringen eller konklusionen, den relevante dokumentation og næste handling efterspørges. En foreslået patch, en fokuseret gennemgang eller en kort forklaring af en grænseflade er et nyttigt resultat, når det er knyttet til den præcise opgave og kan kontrolleres mod den leverede kilde eller skærm.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.4-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 $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.4-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-5.4-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-5.4-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-5.4-mini, openai/gpt-5.4-mini, ~openai/gpt-mini-latest
/chat/completions
openai/gpt-5.4-miniEn kompakt GPT-5.4-udgave til programmering, computerbrug og understøttende agentarbejde med stor behandlingsvolumen. Den accepterer tekst og billeder og kan udarbejde en ændring, fortolke et screenshot af en grænseflade eller gennemføre en smallere opgave i en større arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 Mini er OpenAI’s kompakte GPT-5.4-udgave til programmering, computerbrug og understøttende agentopgaver. Den bringer familiens funktioner til en model udviklet til fokuseret arbejde med stor behandlingsvolumen. Dens input er tekst og billeder, og dens output er tekst. Producenten beskriver opgaver såsom målrettede ændringer, navigation i kodebasen, fejlfinding og fortolkning af screenshots af grænseflader.
Ved en programmeringsanmodning skal den adfærd, der skal implementeres, beskrives, de relevante filer eller uddrag leveres og de begrænsninger, der skal overleve ændringen, angives. En eksempelopgave er at finde den del af et projekt, der håndterer et bestemt input, foreslå en målrettet ændring og angive, hvordan den ændrede adfærd skal kontrolleres. Hold opgavens omfang tydeligt, så en lokal ændring forbindes med de relevante afhængigheder uden at blive en uvedkommende omskrivning.
Producentens lancering beskriver også Mini som en understøttende model i et større agentsystem. En smallere opgave kan være at søge i en kodebase, gennemgå en stor fil eller behandle understøttende dokumenter, mens en anden fase håndterer koordinering og den endelige vurdering. Giv opgaven sit eget input, kriterium for færdiggørelse og outputformat. Et nyttigt resultat er fundet, dets placering i det leverede materiale og enhver usikkerhed, som næste fase skal afklare.
Ved computerbrug fremhæver lanceringen fortolkning af screenshots af informationstætte grænseflader. Lever den aktuelle visuelle tilstand, brugerens mål og de relevante begrænsninger. Modellen kan foreslå en handling eller forklare, hvad screenshottet viser, mens det tilsluttede miljø udfører operationen og returnerer den resulterende tilstand. Hold det faktiske værktøjsresultat adskilt fra en handling, der kun er foreslået.
OpenAI’s specifikation angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Valgmulighederne for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Modellen angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, web- og filsøgning, fil- og billedinput samt promptcaching.
Dens værktøjer ifølge producenten omfatter værktøjssøgning, billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug og MCP-forbindelser. Applikationen leverer de tilgængelige operationer og returnerer deres faktiske resultater. Ved et endeligt svar skal ændringen eller konklusionen, den relevante dokumentation og næste handling efterspørges. En foreslået patch, en fokuseret gennemgang eller en kort forklaring af en grænseflade er et nyttigt resultat, når det er knyttet til den præcise opgave og kan kontrolleres mod den leverede kilde eller skærm.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.4-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 $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-5.4-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.4-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-5.4-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-5.4-mini, openai/gpt-5.4-mini, ~openai/gpt-mini-latest
/chat/completions
~openai/gpt-mini-latestEn kompakt GPT-5.4-udgave til programmering, computerbrug og understøttende agentarbejde med stor behandlingsvolumen. Den accepterer tekst og billeder og kan udarbejde en ændring, fortolke et screenshot af en grænseflade eller gennemføre en smallere opgave i en større arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 Mini er OpenAI’s kompakte GPT-5.4-udgave til programmering, computerbrug og understøttende agentopgaver. Den bringer familiens funktioner til en model udviklet til fokuseret arbejde med stor behandlingsvolumen. Dens input er tekst og billeder, og dens output er tekst. Producenten beskriver opgaver såsom målrettede ændringer, navigation i kodebasen, fejlfinding og fortolkning af screenshots af grænseflader.
Ved en programmeringsanmodning skal den adfærd, der skal implementeres, beskrives, de relevante filer eller uddrag leveres og de begrænsninger, der skal overleve ændringen, angives. En eksempelopgave er at finde den del af et projekt, der håndterer et bestemt input, foreslå en målrettet ændring og angive, hvordan den ændrede adfærd skal kontrolleres. Hold opgavens omfang tydeligt, så en lokal ændring forbindes med de relevante afhængigheder uden at blive en uvedkommende omskrivning.
Producentens lancering beskriver også Mini som en understøttende model i et større agentsystem. En smallere opgave kan være at søge i en kodebase, gennemgå en stor fil eller behandle understøttende dokumenter, mens en anden fase håndterer koordinering og den endelige vurdering. Giv opgaven sit eget input, kriterium for færdiggørelse og outputformat. Et nyttigt resultat er fundet, dets placering i det leverede materiale og enhver usikkerhed, som næste fase skal afklare.
Ved computerbrug fremhæver lanceringen fortolkning af screenshots af informationstætte grænseflader. Lever den aktuelle visuelle tilstand, brugerens mål og de relevante begrænsninger. Modellen kan foreslå en handling eller forklare, hvad screenshottet viser, mens det tilsluttede miljø udfører operationen og returnerer den resulterende tilstand. Hold det faktiske værktøjsresultat adskilt fra en handling, der kun er foreslået.
OpenAI’s specifikation angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Valgmulighederne for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Modellen angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, web- og filsøgning, fil- og billedinput samt promptcaching.
Dens værktøjer ifølge producenten omfatter værktøjssøgning, billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug og MCP-forbindelser. Applikationen leverer de tilgængelige operationer og returnerer deres faktiske resultater. Ved et endeligt svar skal ændringen eller konklusionen, den relevante dokumentation og næste handling efterspørges. En foreslået patch, en fokuseret gennemgang eller en kort forklaring af en grænseflade er et nyttigt resultat, når det er knyttet til den præcise opgave og kan kontrolleres mod den leverede kilde eller skærm.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ~openai/gpt-mini-latest | 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 $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~openai/gpt-mini-latest", "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-mini-latest',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-mini-latest',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-5.4-mini, openai/gpt-5.4-mini, ~openai/gpt-mini-latest
/chat/completions
~openai/gpt-mini-latestEn kompakt GPT-5.4-udgave til programmering, computerbrug og understøttende agentarbejde med stor behandlingsvolumen. Den accepterer tekst og billeder og kan udarbejde en ændring, fortolke et screenshot af en grænseflade eller gennemføre en smallere opgave i en større arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 Mini er OpenAI’s kompakte GPT-5.4-udgave til programmering, computerbrug og understøttende agentopgaver. Den bringer familiens funktioner til en model udviklet til fokuseret arbejde med stor behandlingsvolumen. Dens input er tekst og billeder, og dens output er tekst. Producenten beskriver opgaver såsom målrettede ændringer, navigation i kodebasen, fejlfinding og fortolkning af screenshots af grænseflader.
Ved en programmeringsanmodning skal den adfærd, der skal implementeres, beskrives, de relevante filer eller uddrag leveres og de begrænsninger, der skal overleve ændringen, angives. En eksempelopgave er at finde den del af et projekt, der håndterer et bestemt input, foreslå en målrettet ændring og angive, hvordan den ændrede adfærd skal kontrolleres. Hold opgavens omfang tydeligt, så en lokal ændring forbindes med de relevante afhængigheder uden at blive en uvedkommende omskrivning.
Producentens lancering beskriver også Mini som en understøttende model i et større agentsystem. En smallere opgave kan være at søge i en kodebase, gennemgå en stor fil eller behandle understøttende dokumenter, mens en anden fase håndterer koordinering og den endelige vurdering. Giv opgaven sit eget input, kriterium for færdiggørelse og outputformat. Et nyttigt resultat er fundet, dets placering i det leverede materiale og enhver usikkerhed, som næste fase skal afklare.
Ved computerbrug fremhæver lanceringen fortolkning af screenshots af informationstætte grænseflader. Lever den aktuelle visuelle tilstand, brugerens mål og de relevante begrænsninger. Modellen kan foreslå en handling eller forklare, hvad screenshottet viser, mens det tilsluttede miljø udfører operationen og returnerer den resulterende tilstand. Hold det faktiske værktøjsresultat adskilt fra en handling, der kun er foreslået.
OpenAI’s specifikation angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Valgmulighederne for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Modellen angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, web- og filsøgning, fil- og billedinput samt promptcaching.
Dens værktøjer ifølge producenten omfatter værktøjssøgning, billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug og MCP-forbindelser. Applikationen leverer de tilgængelige operationer og returnerer deres faktiske resultater. Ved et endeligt svar skal ændringen eller konklusionen, den relevante dokumentation og næste handling efterspørges. En foreslået patch, en fokuseret gennemgang eller en kort forklaring af en grænseflade er et nyttigt resultat, når det er knyttet til den præcise opgave og kan kontrolleres mod den leverede kilde eller skærm.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ~openai/gpt-mini-latest | 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 $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0015 / 1K tokens Output · Outputtokens $0.009 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "~openai/gpt-mini-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-mini-latest', '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-mini-latest', '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-5.4-mini, openai/gpt-5.4-mini, ~openai/gpt-mini-latest
/chat/completions
Teknisk eksempel på engelsk
Locate an inconsistent empty-state branch\n\nInspect these Python helpers: def has_rows(rows): return rows is not None; def summary(rows): return str(len(rows)) if has_rows(rows) else "No rows". An empty list currently shows "0"; the requirement says None and [] both show "No rows". Identify the responsible branch, propose a focused correction and tests preserving nonempty counts.A location-specific explanation, a minimal code change and tests for None, [], and a nonempty list.Check that both empty cases use the empty message while a two-row list still returns "2".