GPT-5.6 Luna Pro betegner OpenAI’s GPT-5.6 Luna med Pro-ræsonnering. Grundudgaven Luna er udviklet til fokuserede opgaver med stor behandlingsvolumen og svarer omtrent til nano-niveauet i tidligere GPT-5-familier. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde for at udvikle det endelige svar; det er en udførelsestilstand frem for en erstatning for grundudgaven.
En praktisk anvendelse er at udtrække et defineret sæt oplysninger fra et dokument, hvis regler omfatter undtagelser. Lever dokumentet og de nødvendige felter, angiv eventuelle passager, der har forrang, og forklar, hvordan en manglende værdi skal håndteres. En eksempelanmodning er at udtrække dokumentets emne, de betingelser, der er relevante for en anmodning, og det næste spørgsmål, der er nødvendigt for at færdiggøre den. Bed om en forklaring på en undtagelse sammen med de udtrukne felter, så resultatet kan sammenlignes med kilden.
Ved visuelt materiale skal en tydelig side eller et screenshot leveres, og den specifikke detalje eller betegnelse, der har betydning for opgaven, angives. Ved en opgave med at skrive et svar skal anmodningen, reglerne for svaret og de fakta, der skal bevares, leveres. Definér den ønskede tone og længde, og bed derefter om ét kort svar frem for en ubegrænset diskussion. Denne forberedelse forbinder Lunas fokuserede rolle med et konkret tekstresultat.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-5.6 Luna, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 16. februar 2026. Grundmodellens valgmuligheder for ræsonneringsindsats er none, low, medium, high, xhigh og max; medium er standard. Tilstand og indsats er uafhængige: Pro bestemmer ekstra modelarbejde, mens indsats styrer mængden af ræsonnering inden for tilstanden. Ræsonnering bruger også kontekstplads, så der skal være plads til analyse og det synlige svar.
Producenten dokumenterer Pro i Responses API til vanskelige opgaver, som kan rumme yderligere ventetid og modelaktivitet. Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, billedinput og promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Værktøjsoperationer kræver det tilsvarende miljø; en applikation udfører sine handlinger og leverer de faktiske resultater til det fortsatte arbejde.
Angiv et nyttigt endeligt resultat: krævede felter, den regel, som understøtter en beslutning, og ethvert åbent spørgsmål. Bed for eksempel om et svarudkast sammen med de dokumentfakta, det bygger på, og præcisér derefter svaret, når manglende oplysninger er leveret. Hold skellet mellem en foreslået handling og en handling, der er gennemført af et værktøj, synligt. Denne arbejdsgang giver den ekstra analyse i Pro et konkret formål inden for en afgrænset Luna-opgave.
", "aboutText": "GPT-5.6 Luna Pro betegner OpenAI’s GPT-5.6 Luna med Pro-ræsonnering. Grundudgaven Luna er udviklet til fokuserede opgaver med stor behandlingsvolumen og svarer omtrent til nano-niveauet i tidligere GPT-5-familier. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde for at udvikle det endelige svar; det er en udførelsestilstand frem for en erstatning for grundudgaven.\n\nEn praktisk anvendelse er at udtrække et defineret sæt oplysninger fra et dokument, hvis regler omfatter undtagelser. Lever dokumentet og de nødvendige felter, angiv eventuelle passager, der har forrang, og forklar, hvordan en manglende værdi skal håndteres. En eksempelanmodning er at udtrække dokumentets emne, de betingelser, der er relevante for en anmodning, og det næste spørgsmål, der er nødvendigt for at færdiggøre den. Bed om en forklaring på en undtagelse sammen med de udtrukne felter, så resultatet kan sammenlignes med kilden.\n\nVed visuelt materiale skal en tydelig side eller et screenshot leveres, og den specifikke detalje eller betegnelse, der har betydning for opgaven, angives. Ved en opgave med at skrive et svar skal anmodningen, reglerne for svaret og de fakta, der skal bevares, leveres. Definér den ønskede tone og længde, og bed derefter om ét kort svar frem for en ubegrænset diskussion. Denne forberedelse forbinder Lunas fokuserede rolle med et konkret tekstresultat.\n\nOpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-5.6 Luna, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 16. februar 2026. Grundmodellens valgmuligheder for ræsonneringsindsats er none, low, medium, high, xhigh og max; medium er standard. Tilstand og indsats er uafhængige: Pro bestemmer ekstra modelarbejde, mens indsats styrer mængden af ræsonnering inden for tilstanden. Ræsonnering bruger også kontekstplads, så der skal være plads til analyse og det synlige svar.\n\nProducenten dokumenterer Pro i Responses API til vanskelige opgaver, som kan rumme yderligere ventetid og modelaktivitet. Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, billedinput og promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Værktøjsoperationer kræver det tilsvarende miljø; en applikation udfører sine handlinger og leverer de faktiske resultater til det fortsatte arbejde.\n\nAngiv et nyttigt endeligt resultat: krævede felter, den regel, som understøtter en beslutning, og ethvert åbent spørgsmål. Bed for eksempel om et svarudkast sammen med de dokumentfakta, det bygger på, og præcisér derefter svaret, når manglende oplysninger er leveret. Hold skellet mellem en foreslået handling og en handling, der er gennemført af et værktøj, synligt. Denne arbejdsgang giver den ekstra analyse i Pro et konkret formål inden for en afgrænset Luna-opgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.gpt-5.6-luna-proGPT-5.6 Luna med Pro-ræsonnering til fokuserede opgaver, der kræver yderligere analyse. Lever tekst eller billeder og udtrykkelige regler for at udarbejde et udtræksresultat, et kort svar eller en forklaring på en undtagelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Luna Pro betegner OpenAI’s GPT-5.6 Luna med Pro-ræsonnering. Grundudgaven Luna er udviklet til fokuserede opgaver med stor behandlingsvolumen og svarer omtrent til nano-niveauet i tidligere GPT-5-familier. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde for at udvikle det endelige svar; det er en udførelsestilstand frem for en erstatning for grundudgaven.
En praktisk anvendelse er at udtrække et defineret sæt oplysninger fra et dokument, hvis regler omfatter undtagelser. Lever dokumentet og de nødvendige felter, angiv eventuelle passager, der har forrang, og forklar, hvordan en manglende værdi skal håndteres. En eksempelanmodning er at udtrække dokumentets emne, de betingelser, der er relevante for en anmodning, og det næste spørgsmål, der er nødvendigt for at færdiggøre den. Bed om en forklaring på en undtagelse sammen med de udtrukne felter, så resultatet kan sammenlignes med kilden.
Ved visuelt materiale skal en tydelig side eller et screenshot leveres, og den specifikke detalje eller betegnelse, der har betydning for opgaven, angives. Ved en opgave med at skrive et svar skal anmodningen, reglerne for svaret og de fakta, der skal bevares, leveres. Definér den ønskede tone og længde, og bed derefter om ét kort svar frem for en ubegrænset diskussion. Denne forberedelse forbinder Lunas fokuserede rolle med et konkret tekstresultat.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-5.6 Luna, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 16. februar 2026. Grundmodellens valgmuligheder for ræsonneringsindsats er none, low, medium, high, xhigh og max; medium er standard. Tilstand og indsats er uafhængige: Pro bestemmer ekstra modelarbejde, mens indsats styrer mængden af ræsonnering inden for tilstanden. Ræsonnering bruger også kontekstplads, så der skal være plads til analyse og det synlige svar.
Producenten dokumenterer Pro i Responses API til vanskelige opgaver, som kan rumme yderligere ventetid og modelaktivitet. Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, billedinput og promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Værktøjsoperationer kræver det tilsvarende miljø; en applikation udfører sine handlinger og leverer de faktiske resultater til det fortsatte arbejde.
Angiv et nyttigt endeligt resultat: krævede felter, den regel, som understøtter en beslutning, og ethvert åbent spørgsmål. Bed for eksempel om et svarudkast sammen med de dokumentfakta, det bygger på, og præcisér derefter svaret, når manglende oplysninger er leveret. Hold skellet mellem en foreslået handling og en handling, der er gennemført af et værktøj, synligt. Denne arbejdsgang giver den ekstra analyse i Pro et konkret formål inden for en afgrænset Luna-opgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.6-luna-pro | 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 $0.0004 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 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 $0.0008 / 1K tokens Output · Outputtokens $0.0036 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning $0.001 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-luna-pro","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-5.6-luna-pro", 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-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
gpt-5.6-luna-proGPT-5.6 Luna med Pro-ræsonnering til fokuserede opgaver, der kræver yderligere analyse. Lever tekst eller billeder og udtrykkelige regler for at udarbejde et udtræksresultat, et kort svar eller en forklaring på en undtagelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Luna Pro betegner OpenAI’s GPT-5.6 Luna med Pro-ræsonnering. Grundudgaven Luna er udviklet til fokuserede opgaver med stor behandlingsvolumen og svarer omtrent til nano-niveauet i tidligere GPT-5-familier. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde for at udvikle det endelige svar; det er en udførelsestilstand frem for en erstatning for grundudgaven.
En praktisk anvendelse er at udtrække et defineret sæt oplysninger fra et dokument, hvis regler omfatter undtagelser. Lever dokumentet og de nødvendige felter, angiv eventuelle passager, der har forrang, og forklar, hvordan en manglende værdi skal håndteres. En eksempelanmodning er at udtrække dokumentets emne, de betingelser, der er relevante for en anmodning, og det næste spørgsmål, der er nødvendigt for at færdiggøre den. Bed om en forklaring på en undtagelse sammen med de udtrukne felter, så resultatet kan sammenlignes med kilden.
Ved visuelt materiale skal en tydelig side eller et screenshot leveres, og den specifikke detalje eller betegnelse, der har betydning for opgaven, angives. Ved en opgave med at skrive et svar skal anmodningen, reglerne for svaret og de fakta, der skal bevares, leveres. Definér den ønskede tone og længde, og bed derefter om ét kort svar frem for en ubegrænset diskussion. Denne forberedelse forbinder Lunas fokuserede rolle med et konkret tekstresultat.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-5.6 Luna, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 16. februar 2026. Grundmodellens valgmuligheder for ræsonneringsindsats er none, low, medium, high, xhigh og max; medium er standard. Tilstand og indsats er uafhængige: Pro bestemmer ekstra modelarbejde, mens indsats styrer mængden af ræsonnering inden for tilstanden. Ræsonnering bruger også kontekstplads, så der skal være plads til analyse og det synlige svar.
Producenten dokumenterer Pro i Responses API til vanskelige opgaver, som kan rumme yderligere ventetid og modelaktivitet. Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, billedinput og promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Værktøjsoperationer kræver det tilsvarende miljø; en applikation udfører sine handlinger og leverer de faktiske resultater til det fortsatte arbejde.
Angiv et nyttigt endeligt resultat: krævede felter, den regel, som understøtter en beslutning, og ethvert åbent spørgsmål. Bed for eksempel om et svarudkast sammen med de dokumentfakta, det bygger på, og præcisér derefter svaret, når manglende oplysninger er leveret. Hold skellet mellem en foreslået handling og en handling, der er gennemført af et værktøj, synligt. Denne arbejdsgang giver den ekstra analyse i Pro et konkret formål inden for en afgrænset Luna-opgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5.6-luna-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 $0.0004 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 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 $0.0008 / 1K tokens Output · Outputtokens $0.0036 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning $0.001 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'gpt-5.6-luna-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': 'gpt-5.6-luna-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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-5.6 Luna med Pro-ræsonnering til fokuserede opgaver, der kræver yderligere analyse. Lever tekst eller billeder og udtrykkelige regler for at udarbejde et udtræksresultat, et kort svar eller en forklaring på en undtagelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Luna Pro betegner OpenAI’s GPT-5.6 Luna med Pro-ræsonnering. Grundudgaven Luna er udviklet til fokuserede opgaver med stor behandlingsvolumen og svarer omtrent til nano-niveauet i tidligere GPT-5-familier. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde for at udvikle det endelige svar; det er en udførelsestilstand frem for en erstatning for grundudgaven.
En praktisk anvendelse er at udtrække et defineret sæt oplysninger fra et dokument, hvis regler omfatter undtagelser. Lever dokumentet og de nødvendige felter, angiv eventuelle passager, der har forrang, og forklar, hvordan en manglende værdi skal håndteres. En eksempelanmodning er at udtrække dokumentets emne, de betingelser, der er relevante for en anmodning, og det næste spørgsmål, der er nødvendigt for at færdiggøre den. Bed om en forklaring på en undtagelse sammen med de udtrukne felter, så resultatet kan sammenlignes med kilden.
Ved visuelt materiale skal en tydelig side eller et screenshot leveres, og den specifikke detalje eller betegnelse, der har betydning for opgaven, angives. Ved en opgave med at skrive et svar skal anmodningen, reglerne for svaret og de fakta, der skal bevares, leveres. Definér den ønskede tone og længde, og bed derefter om ét kort svar frem for en ubegrænset diskussion. Denne forberedelse forbinder Lunas fokuserede rolle med et konkret tekstresultat.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-5.6 Luna, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 16. februar 2026. Grundmodellens valgmuligheder for ræsonneringsindsats er none, low, medium, high, xhigh og max; medium er standard. Tilstand og indsats er uafhængige: Pro bestemmer ekstra modelarbejde, mens indsats styrer mængden af ræsonnering inden for tilstanden. Ræsonnering bruger også kontekstplads, så der skal være plads til analyse og det synlige svar.
Producenten dokumenterer Pro i Responses API til vanskelige opgaver, som kan rumme yderligere ventetid og modelaktivitet. Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, billedinput og promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Værktøjsoperationer kræver det tilsvarende miljø; en applikation udfører sine handlinger og leverer de faktiske resultater til det fortsatte arbejde.
Angiv et nyttigt endeligt resultat: krævede felter, den regel, som understøtter en beslutning, og ethvert åbent spørgsmål. Bed for eksempel om et svarudkast sammen med de dokumentfakta, det bygger på, og præcisér derefter svaret, når manglende oplysninger er leveret. Hold skellet mellem en foreslået handling og en handling, der er gennemført af et værktøj, synligt. Denne arbejdsgang giver den ekstra analyse i Pro et konkret formål inden for en afgrænset Luna-opgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.6-luna-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 $0.0004 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 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 $0.0008 / 1K tokens Output · Outputtokens $0.0036 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning $0.001 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-luna-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-5.6-luna-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-5.6-luna-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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-5.6 Luna med Pro-ræsonnering til fokuserede opgaver, der kræver yderligere analyse. Lever tekst eller billeder og udtrykkelige regler for at udarbejde et udtræksresultat, et kort svar eller en forklaring på en undtagelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Luna Pro betegner OpenAI’s GPT-5.6 Luna med Pro-ræsonnering. Grundudgaven Luna er udviklet til fokuserede opgaver med stor behandlingsvolumen og svarer omtrent til nano-niveauet i tidligere GPT-5-familier. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde for at udvikle det endelige svar; det er en udførelsestilstand frem for en erstatning for grundudgaven.
En praktisk anvendelse er at udtrække et defineret sæt oplysninger fra et dokument, hvis regler omfatter undtagelser. Lever dokumentet og de nødvendige felter, angiv eventuelle passager, der har forrang, og forklar, hvordan en manglende værdi skal håndteres. En eksempelanmodning er at udtrække dokumentets emne, de betingelser, der er relevante for en anmodning, og det næste spørgsmål, der er nødvendigt for at færdiggøre den. Bed om en forklaring på en undtagelse sammen med de udtrukne felter, så resultatet kan sammenlignes med kilden.
Ved visuelt materiale skal en tydelig side eller et screenshot leveres, og den specifikke detalje eller betegnelse, der har betydning for opgaven, angives. Ved en opgave med at skrive et svar skal anmodningen, reglerne for svaret og de fakta, der skal bevares, leveres. Definér den ønskede tone og længde, og bed derefter om ét kort svar frem for en ubegrænset diskussion. Denne forberedelse forbinder Lunas fokuserede rolle med et konkret tekstresultat.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-5.6 Luna, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 16. februar 2026. Grundmodellens valgmuligheder for ræsonneringsindsats er none, low, medium, high, xhigh og max; medium er standard. Tilstand og indsats er uafhængige: Pro bestemmer ekstra modelarbejde, mens indsats styrer mængden af ræsonnering inden for tilstanden. Ræsonnering bruger også kontekstplads, så der skal være plads til analyse og det synlige svar.
Producenten dokumenterer Pro i Responses API til vanskelige opgaver, som kan rumme yderligere ventetid og modelaktivitet. Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, billedinput og promptcaching. Dens værktøjer omfatter billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Værktøjsoperationer kræver det tilsvarende miljø; en applikation udfører sine handlinger og leverer de faktiske resultater til det fortsatte arbejde.
Angiv et nyttigt endeligt resultat: krævede felter, den regel, som understøtter en beslutning, og ethvert åbent spørgsmål. Bed for eksempel om et svarudkast sammen med de dokumentfakta, det bygger på, og præcisér derefter svaret, når manglende oplysninger er leveret. Hold skellet mellem en foreslået handling og en handling, der er gennemført af et værktøj, synligt. Denne arbejdsgang giver den ekstra analyse i Pro et konkret formål inden for en afgrænset Luna-opgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.6-luna-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 $0.0004 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 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 $0.0008 / 1K tokens Output · Outputtokens $0.0036 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning $0.001 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.6-luna-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-5.6-luna-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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
Teknisk eksempel på engelsk
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.