GPT-5.5 Pro er OpenAI’s separate Pro-udgave af GPT-5.5. Den bruger yderligere beregning til at gennemarbejde vanskelige spørgsmål og udvikle et mere grundigt svar. Modellen accepterer tekst og billeder og producerer tekst. Dens identitet som navngiven Pro-model adskiller sig fra at vælge Pro-udførelsestilstanden på en GPT-5.6- eller GPT-6-grundmodel.
Lanceringen af GPT-5.5-familien beskriver programmering, forskning, dataanalyse og dokumenttungt professionelt arbejde. Den beskriver specifikt Pro som et valg til krævende spørgsmål og mere omfattende, strukturerede resultater. En eksempelopgave er at afstemme flere projektdokumenter, identificere de krav, der afhænger af hinanden, og udvikle en anbefaling med tydelige betingelser. Ved kode skal den tilsigtede adfærd, den eksisterende implementering og de begrænsninger, som en foreslået ændring skal bevare, leveres.
OpenAI angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens for GPT-5.5 Pro med en dokumenteret vidensgrænse den 1. december 2025. Dens valgmuligheder for ræsonneringsindsats er medium, high og xhigh; high er standard. Ræsonnering bruger tokenplads sammen med det synlige svar. En lang professionel anmodning skal derfor indeholde den relevante dokumentation og give plads til modellens analyse og det endelige resultat.
Producenten dokumenterer GPT-5.5 Pro til Responses-anmodninger, herunder via Batch, for at understøtte modelinteraktioner over flere ture før svaret. Vanskelige anmodninger kan tage flere minutter. OpenAI anbefaler baggrundsudførelse til langvarigt arbejde: applikationen modtager en svaridentifikator, følger anmodningens status og henter det færdige resultat. Brug denne arbejdsgang til at følge en lang anmodning helt frem til det færdige resultat.
Modelkortet angiver Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, billedinput og MCP-understøttelse. Dens værktøjer omfatter også en kodefortolker og hostet shell. Applikationen leverer arbejdsmiljøet og udfører sine operationer og returnerer deres faktiske resultater, så modellen kan fortsætte. Et foreslået program, en anmodet handling og resultatet af en udført handling skal behandles som forskellige resultater under forberedelsen af det endelige svar.
Giv modellen et klart spørgsmål, kildematerialet og et kriterium for færdiggørelse. Ved en teknisk analyse skal der bedes om de berørte afhængigheder, den foreslåede tilgang og den dokumentation, der er nødvendig for at kontrollere den. Ved en dokumentbaseret beslutning skal sammenligningskriterierne angives, og det skal efterspørges, at de leverede fakta, konklusionen og uafklarede betingelser forbliver adskilt. Hvis et billede leverer væsentlig dokumentation, skal der peges på den relevante detalje. Et nyttigt endeligt resultat er et konkret beslutningsnotat, et kodeforslag eller en analytisk forklaring knyttet til det leverede materiale og mål.
", "aboutText": "GPT-5.5 Pro er OpenAI’s separate Pro-udgave af GPT-5.5. Den bruger yderligere beregning til at gennemarbejde vanskelige spørgsmål og udvikle et mere grundigt svar. Modellen accepterer tekst og billeder og producerer tekst. Dens identitet som navngiven Pro-model adskiller sig fra at vælge Pro-udførelsestilstanden på en GPT-5.6- eller GPT-6-grundmodel.\n\nLanceringen af GPT-5.5-familien beskriver programmering, forskning, dataanalyse og dokumenttungt professionelt arbejde. Den beskriver specifikt Pro som et valg til krævende spørgsmål og mere omfattende, strukturerede resultater. En eksempelopgave er at afstemme flere projektdokumenter, identificere de krav, der afhænger af hinanden, og udvikle en anbefaling med tydelige betingelser. Ved kode skal den tilsigtede adfærd, den eksisterende implementering og de begrænsninger, som en foreslået ændring skal bevare, leveres.\n\nOpenAI angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens for GPT-5.5 Pro med en dokumenteret vidensgrænse den 1. december 2025. Dens valgmuligheder for ræsonneringsindsats er medium, high og xhigh; high er standard. Ræsonnering bruger tokenplads sammen med det synlige svar. En lang professionel anmodning skal derfor indeholde den relevante dokumentation og give plads til modellens analyse og det endelige resultat.\n\nProducenten dokumenterer GPT-5.5 Pro til Responses-anmodninger, herunder via Batch, for at understøtte modelinteraktioner over flere ture før svaret. Vanskelige anmodninger kan tage flere minutter. OpenAI anbefaler baggrundsudførelse til langvarigt arbejde: applikationen modtager en svaridentifikator, følger anmodningens status og henter det færdige resultat. Brug denne arbejdsgang til at følge en lang anmodning helt frem til det færdige resultat.\n\nModelkortet angiver Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, billedinput og MCP-understøttelse. Dens værktøjer omfatter også en kodefortolker og hostet shell. Applikationen leverer arbejdsmiljøet og udfører sine operationer og returnerer deres faktiske resultater, så modellen kan fortsætte. Et foreslået program, en anmodet handling og resultatet af en udført handling skal behandles som forskellige resultater under forberedelsen af det endelige svar.\n\nGiv modellen et klart spørgsmål, kildematerialet og et kriterium for færdiggørelse. Ved en teknisk analyse skal der bedes om de berørte afhængigheder, den foreslåede tilgang og den dokumentation, der er nødvendig for at kontrollere den. Ved en dokumentbaseret beslutning skal sammenligningskriterierne angives, og det skal efterspørges, at de leverede fakta, konklusionen og uafklarede betingelser forbliver adskilt. Hvis et billede leverer væsentlig dokumentation, skal der peges på den relevante detalje. Et nyttigt endeligt resultat er et konkret beslutningsnotat, et kodeforslag eller en analytisk forklaring knyttet til det leverede materiale og mål.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile a staged delivery decision\n\nReconcile these project notes. D1: launch requires a trained support team. D2: training requires a finished user guide. D3: the guide is drafted but its setup instructions remain unverified. The manager proposes launching tomorrow because the draft exists. Return the dependency chain, the unsupported readiness claim and the evidence needed for a launch decision.A source-linked dependency analysis and a conditional decision memo.A draft guide must not be treated as verified instructions or completed support training.openai/gpt-5.5-proDen separate GPT-5.5 Pro-udgave bruger yderligere beregning til vanskelig ræsonnering og professionel analyse. Den accepterer tekst og billeder og udvikler et tekstresultat gennem producentens Responses-grænseflade, herunder Batch-anmodninger.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.5 Pro er OpenAI’s separate Pro-udgave af GPT-5.5. Den bruger yderligere beregning til at gennemarbejde vanskelige spørgsmål og udvikle et mere grundigt svar. Modellen accepterer tekst og billeder og producerer tekst. Dens identitet som navngiven Pro-model adskiller sig fra at vælge Pro-udførelsestilstanden på en GPT-5.6- eller GPT-6-grundmodel.
Lanceringen af GPT-5.5-familien beskriver programmering, forskning, dataanalyse og dokumenttungt professionelt arbejde. Den beskriver specifikt Pro som et valg til krævende spørgsmål og mere omfattende, strukturerede resultater. En eksempelopgave er at afstemme flere projektdokumenter, identificere de krav, der afhænger af hinanden, og udvikle en anbefaling med tydelige betingelser. Ved kode skal den tilsigtede adfærd, den eksisterende implementering og de begrænsninger, som en foreslået ændring skal bevare, leveres.
OpenAI angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens for GPT-5.5 Pro med en dokumenteret vidensgrænse den 1. december 2025. Dens valgmuligheder for ræsonneringsindsats er medium, high og xhigh; high er standard. Ræsonnering bruger tokenplads sammen med det synlige svar. En lang professionel anmodning skal derfor indeholde den relevante dokumentation og give plads til modellens analyse og det endelige resultat.
Producenten dokumenterer GPT-5.5 Pro til Responses-anmodninger, herunder via Batch, for at understøtte modelinteraktioner over flere ture før svaret. Vanskelige anmodninger kan tage flere minutter. OpenAI anbefaler baggrundsudførelse til langvarigt arbejde: applikationen modtager en svaridentifikator, følger anmodningens status og henter det færdige resultat. Brug denne arbejdsgang til at følge en lang anmodning helt frem til det færdige resultat.
Modelkortet angiver Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, billedinput og MCP-understøttelse. Dens værktøjer omfatter også en kodefortolker og hostet shell. Applikationen leverer arbejdsmiljøet og udfører sine operationer og returnerer deres faktiske resultater, så modellen kan fortsætte. Et foreslået program, en anmodet handling og resultatet af en udført handling skal behandles som forskellige resultater under forberedelsen af det endelige svar.
Giv modellen et klart spørgsmål, kildematerialet og et kriterium for færdiggørelse. Ved en teknisk analyse skal der bedes om de berørte afhængigheder, den foreslåede tilgang og den dokumentation, der er nødvendig for at kontrollere den. Ved en dokumentbaseret beslutning skal sammenligningskriterierne angives, og det skal efterspørges, at de leverede fakta, konklusionen og uafklarede betingelser forbliver adskilt. Hvis et billede leverer væsentlig dokumentation, skal der peges på den relevante detalje. Et nyttigt endeligt resultat er et konkret beslutningsnotat, et kodeforslag eller en analytisk forklaring knyttet til det leverede materiale og mål.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.5-pro | 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 $0.06 / 1K tokens Output · Outputtokens $0.36 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.06 / 1K tokens Output · Outputtokens $0.36 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 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 $0.12 / 1K tokens Output · Outputtokens $0.54 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.5-pro", "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-5.5-pro',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-5.5-pro',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 openai/gpt-5.5-pro
Brug metodestierne vist ovenfor.
openai/gpt-5.5-proDen separate GPT-5.5 Pro-udgave bruger yderligere beregning til vanskelig ræsonnering og professionel analyse. Den accepterer tekst og billeder og udvikler et tekstresultat gennem producentens Responses-grænseflade, herunder Batch-anmodninger.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.5 Pro er OpenAI’s separate Pro-udgave af GPT-5.5. Den bruger yderligere beregning til at gennemarbejde vanskelige spørgsmål og udvikle et mere grundigt svar. Modellen accepterer tekst og billeder og producerer tekst. Dens identitet som navngiven Pro-model adskiller sig fra at vælge Pro-udførelsestilstanden på en GPT-5.6- eller GPT-6-grundmodel.
Lanceringen af GPT-5.5-familien beskriver programmering, forskning, dataanalyse og dokumenttungt professionelt arbejde. Den beskriver specifikt Pro som et valg til krævende spørgsmål og mere omfattende, strukturerede resultater. En eksempelopgave er at afstemme flere projektdokumenter, identificere de krav, der afhænger af hinanden, og udvikle en anbefaling med tydelige betingelser. Ved kode skal den tilsigtede adfærd, den eksisterende implementering og de begrænsninger, som en foreslået ændring skal bevare, leveres.
OpenAI angiver et kontekstvindue på 1.050.000 tokens og et maksimalt output på 128.000 tokens for GPT-5.5 Pro med en dokumenteret vidensgrænse den 1. december 2025. Dens valgmuligheder for ræsonneringsindsats er medium, high og xhigh; high er standard. Ræsonnering bruger tokenplads sammen med det synlige svar. En lang professionel anmodning skal derfor indeholde den relevante dokumentation og give plads til modellens analyse og det endelige resultat.
Producenten dokumenterer GPT-5.5 Pro til Responses-anmodninger, herunder via Batch, for at understøtte modelinteraktioner over flere ture før svaret. Vanskelige anmodninger kan tage flere minutter. OpenAI anbefaler baggrundsudførelse til langvarigt arbejde: applikationen modtager en svaridentifikator, følger anmodningens status og henter det færdige resultat. Brug denne arbejdsgang til at følge en lang anmodning helt frem til det færdige resultat.
Modelkortet angiver Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, billedinput og MCP-understøttelse. Dens værktøjer omfatter også en kodefortolker og hostet shell. Applikationen leverer arbejdsmiljøet og udfører sine operationer og returnerer deres faktiske resultater, så modellen kan fortsætte. Et foreslået program, en anmodet handling og resultatet af en udført handling skal behandles som forskellige resultater under forberedelsen af det endelige svar.
Giv modellen et klart spørgsmål, kildematerialet og et kriterium for færdiggørelse. Ved en teknisk analyse skal der bedes om de berørte afhængigheder, den foreslåede tilgang og den dokumentation, der er nødvendig for at kontrollere den. Ved en dokumentbaseret beslutning skal sammenligningskriterierne angives, og det skal efterspørges, at de leverede fakta, konklusionen og uafklarede betingelser forbliver adskilt. Hvis et billede leverer væsentlig dokumentation, skal der peges på den relevante detalje. Et nyttigt endeligt resultat er et konkret beslutningsnotat, et kodeforslag eller en analytisk forklaring knyttet til det leverede materiale og mål.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.5-pro | 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 $0.06 / 1K tokens Output · Outputtokens $0.36 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.06 / 1K tokens Output · Outputtokens $0.36 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 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 $0.12 / 1K tokens Output · Outputtokens $0.54 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-5.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.5-pro', '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-5.5-pro', '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 openai/gpt-5.5-pro
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reconcile a staged delivery decision\n\nReconcile these project notes. D1: launch requires a trained support team. D2: training requires a finished user guide. D3: the guide is drafted but its setup instructions remain unverified. The manager proposes launching tomorrow because the draft exists. Return the dependency chain, the unsupported readiness claim and the evidence needed for a launch decision.A source-linked dependency analysis and a conditional decision memo.A draft guide must not be treated as verified instructions or completed support training.