GPT-5.4 er OpenAI’s generelle ræsonneringsmodel til komplekst professionelt arbejde. Lanceringen samler programmering, ræsonnering og agentarbejdsgange med dokument-, regnearks- og præsentationsopgaver. Den accepterer tekst og billeder og producerer tekst. Producenten dokumenterer også indbygget computerbrug for modellen i et tilsluttet arbejdsmiljø.
Ved vidensarbejde skal det relevante materiale, den tiltænkte målgruppe og kravene til det endelige resultat leveres. En eksempelopgave er at omsætte flere projektdokumenter til et beslutningsoplæg med de leverede fakta, forholdene mellem dem og de betingelser, der understøtter en anbefaling. En regnearks- eller præsentationsopgave kræver også kildedata og den struktur eller skabelon, resultatet skal følge. Miljøets værktøjer opretter eller redigerer de faktiske filer; modellens skriftlige svar forklarer eller styrer arbejdet.
Ved programmering skal den tilsigtede adfærd, relaterede projektfiler og de begrænsninger, ændringen skal bevare, leveres. Bed om en foreslået implementering eller en fokuseret gennemgang knyttet til denne adfærd. Lanceringen beskriver længere arbejdsgange, der kombinerer værktøjsbrug, gentagen forbedring af et resultat og kontrol af det. Ved visuelle opgaver eller computerbrug skal det faktiske screenshot eller referencemateriale og målet leveres. Modellen kan fortolke skærmen og vælge en operation; det tilsluttede miljø udfører handlingen og returnerer den nye tilstand.
OpenAI’s specifikation for GPT-5.4 angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Dens valgmuligheder for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Konteksten rummer det leverede materiale, relevante værktøjsresultater og ræsonnering samt det endelige svar. Hold opgavens definitioner og succeskriterier tydelige, især når flere trin afhænger af tidligere dokumentation.
Producenten angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Lanceringen forklarer værktøjssøgning som at finde en nødvendig værktøjsdefinition, når den bliver relevant, frem for at kræve hver fuldstændig definition i den indledende kontekst. Applikationen håndterer sine operationer og leverer de faktiske resultater.
Lanceringen af modellen beskriver også forbedret dokumentfortolkning og visuel forståelse i høj opløsning samt bredere professionelle opgaver, som kombinerer oplysninger fra flere webkilder. Forbered læsbare input, og angiv de detaljer, der har betydning for spørgsmålet. Vælg et konkret endeligt resultat og dokumentation for at kontrollere det: den foreslåede ændring og berørte adfærd, et struktureret sæt konklusioner eller et dokument, som følger de leverede krav. Skeln mellem resultatet af en færdig værktøjshandling og et trin, som stadig skal udføres, så det endelige resultat er nyttigt til at fortsætte arbejdet.
", "aboutText": "GPT-5.4 er OpenAI’s generelle ræsonneringsmodel til komplekst professionelt arbejde. Lanceringen samler programmering, ræsonnering og agentarbejdsgange med dokument-, regnearks- og præsentationsopgaver. Den accepterer tekst og billeder og producerer tekst. Producenten dokumenterer også indbygget computerbrug for modellen i et tilsluttet arbejdsmiljø.\n\nVed vidensarbejde skal det relevante materiale, den tiltænkte målgruppe og kravene til det endelige resultat leveres. En eksempelopgave er at omsætte flere projektdokumenter til et beslutningsoplæg med de leverede fakta, forholdene mellem dem og de betingelser, der understøtter en anbefaling. En regnearks- eller præsentationsopgave kræver også kildedata og den struktur eller skabelon, resultatet skal følge. Miljøets værktøjer opretter eller redigerer de faktiske filer; modellens skriftlige svar forklarer eller styrer arbejdet.\n\nVed programmering skal den tilsigtede adfærd, relaterede projektfiler og de begrænsninger, ændringen skal bevare, leveres. Bed om en foreslået implementering eller en fokuseret gennemgang knyttet til denne adfærd. Lanceringen beskriver længere arbejdsgange, der kombinerer værktøjsbrug, gentagen forbedring af et resultat og kontrol af det. Ved visuelle opgaver eller computerbrug skal det faktiske screenshot eller referencemateriale og målet leveres. Modellen kan fortolke skærmen og vælge en operation; det tilsluttede miljø udfører handlingen og returnerer den nye tilstand.\n\nOpenAI’s specifikation for GPT-5.4 angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Dens valgmuligheder for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Konteksten rummer det leverede materiale, relevante værktøjsresultater og ræsonnering samt det endelige svar. Hold opgavens definitioner og succeskriterier tydelige, især når flere trin afhænger af tidligere dokumentation.\n\nProducenten angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Lanceringen forklarer værktøjssøgning som at finde en nødvendig værktøjsdefinition, når den bliver relevant, frem for at kræve hver fuldstændig definition i den indledende kontekst. Applikationen håndterer sine operationer og leverer de faktiske resultater.\n\nLanceringen af modellen beskriver også forbedret dokumentfortolkning og visuel forståelse i høj opløsning samt bredere professionelle opgaver, som kombinerer oplysninger fra flere webkilder. Forbered læsbare input, og angiv de detaljer, der har betydning for spørgsmålet. Vælg et konkret endeligt resultat og dokumentation for at kontrollere det: den foreslåede ændring og berørte adfærd, et struktureret sæt konklusioner eller et dokument, som følger de leverede krav. Skeln mellem resultatet af en færdig værktøjshandling og et trin, som stadig skal udføres, så det endelige resultat er nyttigt til at fortsætte arbejdet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Outline a decision presentation\n\nPrepare a four-slide outline for an operations decision from this supplied data: manual checks take 9 hours weekly; a proposed scanner would reduce checking to 3 hours; purchase cost is 1,200; monthly support cost is unknown. Include the current problem, expected operational change, missing cost information and a conditional recommendation. Do not claim a payback period.Four slide titles with concise bullets and a conditional decision tied to the supplied data.Check that the unknown support cost prevents an asserted payback calculation and that hours remain weekly.gpt-5.4GPT-5.4 kombinerer ræsonnering, programmering, visuel forståelse og indbygget computerbrug til komplekst professionelt arbejde. Lever tekst, billeder og en klar opgavebeskrivelse for at udvikle dokumenter, kode eller et resultat i flere trin i et miljø med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 er OpenAI’s generelle ræsonneringsmodel til komplekst professionelt arbejde. Lanceringen samler programmering, ræsonnering og agentarbejdsgange med dokument-, regnearks- og præsentationsopgaver. Den accepterer tekst og billeder og producerer tekst. Producenten dokumenterer også indbygget computerbrug for modellen i et tilsluttet arbejdsmiljø.
Ved vidensarbejde skal det relevante materiale, den tiltænkte målgruppe og kravene til det endelige resultat leveres. En eksempelopgave er at omsætte flere projektdokumenter til et beslutningsoplæg med de leverede fakta, forholdene mellem dem og de betingelser, der understøtter en anbefaling. En regnearks- eller præsentationsopgave kræver også kildedata og den struktur eller skabelon, resultatet skal følge. Miljøets værktøjer opretter eller redigerer de faktiske filer; modellens skriftlige svar forklarer eller styrer arbejdet.
Ved programmering skal den tilsigtede adfærd, relaterede projektfiler og de begrænsninger, ændringen skal bevare, leveres. Bed om en foreslået implementering eller en fokuseret gennemgang knyttet til denne adfærd. Lanceringen beskriver længere arbejdsgange, der kombinerer værktøjsbrug, gentagen forbedring af et resultat og kontrol af det. Ved visuelle opgaver eller computerbrug skal det faktiske screenshot eller referencemateriale og målet leveres. Modellen kan fortolke skærmen og vælge en operation; det tilsluttede miljø udfører handlingen og returnerer den nye tilstand.
OpenAI’s specifikation for GPT-5.4 angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Dens valgmuligheder for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Konteksten rummer det leverede materiale, relevante værktøjsresultater og ræsonnering samt det endelige svar. Hold opgavens definitioner og succeskriterier tydelige, især når flere trin afhænger af tidligere dokumentation.
Producenten angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Lanceringen forklarer værktøjssøgning som at finde en nødvendig værktøjsdefinition, når den bliver relevant, frem for at kræve hver fuldstændig definition i den indledende kontekst. Applikationen håndterer sine operationer og leverer de faktiske resultater.
Lanceringen af modellen beskriver også forbedret dokumentfortolkning og visuel forståelse i høj opløsning samt bredere professionelle opgaver, som kombinerer oplysninger fra flere webkilder. Forbered læsbare input, og angiv de detaljer, der har betydning for spørgsmålet. Vælg et konkret endeligt resultat og dokumentation for at kontrollere det: den foreslåede ændring og berørte adfærd, et struktureret sæt konklusioner eller et dokument, som følger de leverede krav. Skeln mellem resultatet af en færdig værktøjshandling og et trin, som stadig skal udføres, så det endelige resultat er nyttigt til at fortsætte arbejdet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.4 | 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 $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.005 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.005 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 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","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", 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, openai/gpt-5.4
/chat/completions
gpt-5.4GPT-5.4 kombinerer ræsonnering, programmering, visuel forståelse og indbygget computerbrug til komplekst professionelt arbejde. Lever tekst, billeder og en klar opgavebeskrivelse for at udvikle dokumenter, kode eller et resultat i flere trin i et miljø med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 er OpenAI’s generelle ræsonneringsmodel til komplekst professionelt arbejde. Lanceringen samler programmering, ræsonnering og agentarbejdsgange med dokument-, regnearks- og præsentationsopgaver. Den accepterer tekst og billeder og producerer tekst. Producenten dokumenterer også indbygget computerbrug for modellen i et tilsluttet arbejdsmiljø.
Ved vidensarbejde skal det relevante materiale, den tiltænkte målgruppe og kravene til det endelige resultat leveres. En eksempelopgave er at omsætte flere projektdokumenter til et beslutningsoplæg med de leverede fakta, forholdene mellem dem og de betingelser, der understøtter en anbefaling. En regnearks- eller præsentationsopgave kræver også kildedata og den struktur eller skabelon, resultatet skal følge. Miljøets værktøjer opretter eller redigerer de faktiske filer; modellens skriftlige svar forklarer eller styrer arbejdet.
Ved programmering skal den tilsigtede adfærd, relaterede projektfiler og de begrænsninger, ændringen skal bevare, leveres. Bed om en foreslået implementering eller en fokuseret gennemgang knyttet til denne adfærd. Lanceringen beskriver længere arbejdsgange, der kombinerer værktøjsbrug, gentagen forbedring af et resultat og kontrol af det. Ved visuelle opgaver eller computerbrug skal det faktiske screenshot eller referencemateriale og målet leveres. Modellen kan fortolke skærmen og vælge en operation; det tilsluttede miljø udfører handlingen og returnerer den nye tilstand.
OpenAI’s specifikation for GPT-5.4 angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Dens valgmuligheder for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Konteksten rummer det leverede materiale, relevante værktøjsresultater og ræsonnering samt det endelige svar. Hold opgavens definitioner og succeskriterier tydelige, især når flere trin afhænger af tidligere dokumentation.
Producenten angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Lanceringen forklarer værktøjssøgning som at finde en nødvendig værktøjsdefinition, når den bliver relevant, frem for at kræve hver fuldstændig definition i den indledende kontekst. Applikationen håndterer sine operationer og leverer de faktiske resultater.
Lanceringen af modellen beskriver også forbedret dokumentfortolkning og visuel forståelse i høj opløsning samt bredere professionelle opgaver, som kombinerer oplysninger fra flere webkilder. Forbered læsbare input, og angiv de detaljer, der har betydning for spørgsmålet. Vælg et konkret endeligt resultat og dokumentation for at kontrollere det: den foreslåede ændring og berørte adfærd, et struktureret sæt konklusioner eller et dokument, som følger de leverede krav. Skeln mellem resultatet af en færdig værktøjshandling og et trin, som stadig skal udføres, så det endelige resultat er nyttigt til at fortsætte arbejdet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.4 | 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 $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.005 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.005 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-5.4",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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, openai/gpt-5.4
/chat/completions
openai/gpt-5.4GPT-5.4 kombinerer ræsonnering, programmering, visuel forståelse og indbygget computerbrug til komplekst professionelt arbejde. Lever tekst, billeder og en klar opgavebeskrivelse for at udvikle dokumenter, kode eller et resultat i flere trin i et miljø med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 er OpenAI’s generelle ræsonneringsmodel til komplekst professionelt arbejde. Lanceringen samler programmering, ræsonnering og agentarbejdsgange med dokument-, regnearks- og præsentationsopgaver. Den accepterer tekst og billeder og producerer tekst. Producenten dokumenterer også indbygget computerbrug for modellen i et tilsluttet arbejdsmiljø.
Ved vidensarbejde skal det relevante materiale, den tiltænkte målgruppe og kravene til det endelige resultat leveres. En eksempelopgave er at omsætte flere projektdokumenter til et beslutningsoplæg med de leverede fakta, forholdene mellem dem og de betingelser, der understøtter en anbefaling. En regnearks- eller præsentationsopgave kræver også kildedata og den struktur eller skabelon, resultatet skal følge. Miljøets værktøjer opretter eller redigerer de faktiske filer; modellens skriftlige svar forklarer eller styrer arbejdet.
Ved programmering skal den tilsigtede adfærd, relaterede projektfiler og de begrænsninger, ændringen skal bevare, leveres. Bed om en foreslået implementering eller en fokuseret gennemgang knyttet til denne adfærd. Lanceringen beskriver længere arbejdsgange, der kombinerer værktøjsbrug, gentagen forbedring af et resultat og kontrol af det. Ved visuelle opgaver eller computerbrug skal det faktiske screenshot eller referencemateriale og målet leveres. Modellen kan fortolke skærmen og vælge en operation; det tilsluttede miljø udfører handlingen og returnerer den nye tilstand.
OpenAI’s specifikation for GPT-5.4 angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Dens valgmuligheder for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Konteksten rummer det leverede materiale, relevante værktøjsresultater og ræsonnering samt det endelige svar. Hold opgavens definitioner og succeskriterier tydelige, især når flere trin afhænger af tidligere dokumentation.
Producenten angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Lanceringen forklarer værktøjssøgning som at finde en nødvendig værktøjsdefinition, når den bliver relevant, frem for at kræve hver fuldstændig definition i den indledende kontekst. Applikationen håndterer sine operationer og leverer de faktiske resultater.
Lanceringen af modellen beskriver også forbedret dokumentfortolkning og visuel forståelse i høj opløsning samt bredere professionelle opgaver, som kombinerer oplysninger fra flere webkilder. Forbered læsbare input, og angiv de detaljer, der har betydning for spørgsmålet. Vælg et konkret endeligt resultat og dokumentation for at kontrollere det: den foreslåede ændring og berørte adfærd, et struktureret sæt konklusioner eller et dokument, som følger de leverede krav. Skeln mellem resultatet af en færdig værktøjshandling og et trin, som stadig skal udføres, så det endelige resultat er nyttigt til at fortsætte arbejdet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.4 | 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 $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.005 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.005 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 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", "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',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',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, openai/gpt-5.4
/chat/completions
openai/gpt-5.4GPT-5.4 kombinerer ræsonnering, programmering, visuel forståelse og indbygget computerbrug til komplekst professionelt arbejde. Lever tekst, billeder og en klar opgavebeskrivelse for at udvikle dokumenter, kode eller et resultat i flere trin i et miljø med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.4 er OpenAI’s generelle ræsonneringsmodel til komplekst professionelt arbejde. Lanceringen samler programmering, ræsonnering og agentarbejdsgange med dokument-, regnearks- og præsentationsopgaver. Den accepterer tekst og billeder og producerer tekst. Producenten dokumenterer også indbygget computerbrug for modellen i et tilsluttet arbejdsmiljø.
Ved vidensarbejde skal det relevante materiale, den tiltænkte målgruppe og kravene til det endelige resultat leveres. En eksempelopgave er at omsætte flere projektdokumenter til et beslutningsoplæg med de leverede fakta, forholdene mellem dem og de betingelser, der understøtter en anbefaling. En regnearks- eller præsentationsopgave kræver også kildedata og den struktur eller skabelon, resultatet skal følge. Miljøets værktøjer opretter eller redigerer de faktiske filer; modellens skriftlige svar forklarer eller styrer arbejdet.
Ved programmering skal den tilsigtede adfærd, relaterede projektfiler og de begrænsninger, ændringen skal bevare, leveres. Bed om en foreslået implementering eller en fokuseret gennemgang knyttet til denne adfærd. Lanceringen beskriver længere arbejdsgange, der kombinerer værktøjsbrug, gentagen forbedring af et resultat og kontrol af det. Ved visuelle opgaver eller computerbrug skal det faktiske screenshot eller referencemateriale og målet leveres. Modellen kan fortolke skærmen og vælge en operation; det tilsluttede miljø udfører handlingen og returnerer den nye tilstand.
OpenAI’s specifikation for GPT-5.4 angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. august 2025. Dens valgmuligheder for ræsonneringsindsats er none, low, medium, high og xhigh; none er standard. Konteksten rummer det leverede materiale, relevante værktøjsresultater og ræsonnering samt det endelige svar. Hold opgavens definitioner og succeskriterier tydelige, især når flere trin afhænger af tidligere dokumentation.
Producenten angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Lanceringen forklarer værktøjssøgning som at finde en nødvendig værktøjsdefinition, når den bliver relevant, frem for at kræve hver fuldstændig definition i den indledende kontekst. Applikationen håndterer sine operationer og leverer de faktiske resultater.
Lanceringen af modellen beskriver også forbedret dokumentfortolkning og visuel forståelse i høj opløsning samt bredere professionelle opgaver, som kombinerer oplysninger fra flere webkilder. Forbered læsbare input, og angiv de detaljer, der har betydning for spørgsmålet. Vælg et konkret endeligt resultat og dokumentation for at kontrollere det: den foreslåede ændring og berørte adfærd, et struktureret sæt konklusioner eller et dokument, som følger de leverede krav. Skeln mellem resultatet af en færdig værktøjshandling og et trin, som stadig skal udføres, så det endelige resultat er nyttigt til at fortsætte arbejdet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.4 | 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 $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.005 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.005 / 1K tokens Output · Outputtokens $0.03 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-5.4",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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, openai/gpt-5.4
/chat/completions
Teknisk eksempel på engelsk
Outline a decision presentation\n\nPrepare a four-slide outline for an operations decision from this supplied data: manual checks take 9 hours weekly; a proposed scanner would reduce checking to 3 hours; purchase cost is 1,200; monthly support cost is unknown. Include the current problem, expected operational change, missing cost information and a conditional recommendation. Do not claim a payback period.Four slide titles with concise bullets and a conditional decision tied to the supplied data.Check that the unknown support cost prevents an asserted payback calculation and that hours remain weekly.