GPT-5.6 Luna er OpenAI’s fokuserede model til opgaver med stor behandlingsvolumen inden for GPT-5.6-familien. Producenten forbinder dens opgaverolle med det mindre niveau i tidligere GPT-5-familier, mens Luna bevares som en selvstændig modelidentitet. Den accepterer tekst og billeder og genererer tekst, herunder forklaringer, omskrivninger, klassifikationer og strukturerede dataposter.
Giv modellen én defineret operation og kriterierne for et nyttigt resultat. Ved udtræk skal felterne, enhederne og konventionen for manglende værdier angives. Ved klassifikation skal kategoriernes betydning leveres, og det skal angives, hvad der skal ske, når ingen kategori passer. En eksempelinstruktion er: “Udtræk specifikationsværdierne fra denne passage, bevar deres enheder, og angiv den sætning, der understøtter hvert felt.”
Et supportsvar skal bruge det leverede produkt- eller politikmateriale og følge det sprog, brugeren kræver. Ved et visuelt spørgsmål skal det relevante billede og den synlige detalje angives. Hold resultatet kort nok til dets efterfølgende formål uden at udelade en krævet kildeværdi eller et nødvendigt forbehold.
Producenten understøtter indsatsen none, low, medium, high, xhigh og max med medium som standard. Standard er standardtilstanden for ræsonnering, mens Pro er en separat udførelsesindstilling, som tilføjer modelarbejde. Indsats og tilstand er uafhængige; en rutinemæssig direkte opgave og en mere omfattende sammenligning kan derfor kræve forskellig forberedelse, mens den samme navngivne Luna-profil bevares.
Ræsonneringsvejledningen angiver, at GPT-5.6 som standard tager tilgængelig ræsonnering fra tidligere ture med videre, med en understøttet kontekstindstilling, som vælger adfærden. Det påvirker det materiale, der bevares gennem en opgave i flere trin; det er ikke ubegrænset hukommelse. Hold accepterede fakta, kildebetegnelser og det krævede resultat tydelige under opfølgninger.
OpenAI angiver en kontekst på 1.050.000 tokens, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens. Den dokumenterede vidensgrænse er 16. februar 2026. Ræsonnering og det endelige svar deler færdiggørelsesbudgettet, og alt opgavemateriale kræver plads i konteksten. En anmodning kan ende før et fuldstændigt synligt svar, hvis disse budgetter opbruges.
Modelkortet angiver Structured Outputs, streaming og funktionskald. Producentens værktøjsøkosystem omfatter web- og filsøgning, værktøjer til billedgenerering, en kodefortolker, shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. En struktureret datapost kræver stadig værdier, der er forankret i det faktiske input; gyldigt JSON fastslår ikke i sig selv faktuel korrekthed.
En applikation leverer funktioner, udfører valgte operationer og returnerer observationer. Et opslag kan levere et manglende felt, før Luna formulerer svaret. Bevar resultatet sammen med kilden og operationen, og skeln mellem en foreslået handling og arbejde, der faktisk er udført. Modellens eget output er tekst, mens et værktøjsgenereret billede er et separat resultat.
Hold kildeafhængige udsagn knyttet til autoritativt materiale, og definér, hvornår operationen er færdig. Et godt resultat er den ønskede datapost, forklaring eller reviderede passage med obligatoriske navne og dokumentation bevaret. Lunas fokuserede rolle, understøttede indsatsinterval og standardprofil forbliver adskilt fra Terra, Sol, Pro-udførelse og efterfølgende GPT-6-udgivelser.
", "aboutText": "GPT-5.6 Luna er OpenAI’s fokuserede model til opgaver med stor behandlingsvolumen inden for GPT-5.6-familien. Producenten forbinder dens opgaverolle med det mindre niveau i tidligere GPT-5-familier, mens Luna bevares som en selvstændig modelidentitet. Den accepterer tekst og billeder og genererer tekst, herunder forklaringer, omskrivninger, klassifikationer og strukturerede dataposter.\n\n### En præcis gentagen opgave\n\nGiv modellen én defineret operation og kriterierne for et nyttigt resultat. Ved udtræk skal felterne, enhederne og konventionen for manglende værdier angives. Ved klassifikation skal kategoriernes betydning leveres, og det skal angives, hvad der skal ske, når ingen kategori passer. En eksempelinstruktion er: “Udtræk specifikationsværdierne fra denne passage, bevar deres enheder, og angiv den sætning, der understøtter hvert felt.”\n\nEt supportsvar skal bruge det leverede produkt- eller politikmateriale og følge det sprog, brugeren kræver. Ved et visuelt spørgsmål skal det relevante billede og den synlige detalje angives. Hold resultatet kort nok til dets efterfølgende formål uden at udelade en krævet kildeværdi eller et nødvendigt forbehold.\n\n### Ræsonneringsindstillinger og bevaret kontekst\n\nProducenten understøtter indsatsen none, low, medium, high, xhigh og max med medium som standard. Standard er standardtilstanden for ræsonnering, mens Pro er en separat udførelsesindstilling, som tilføjer modelarbejde. Indsats og tilstand er uafhængige; en rutinemæssig direkte opgave og en mere omfattende sammenligning kan derfor kræve forskellig forberedelse, mens den samme navngivne Luna-profil bevares.\n\nRæsonneringsvejledningen angiver, at GPT-5.6 som standard tager tilgængelig ræsonnering fra tidligere ture med videre, med en understøttet kontekstindstilling, som vælger adfærden. Det påvirker det materiale, der bevares gennem en opgave i flere trin; det er ikke ubegrænset hukommelse. Hold accepterede fakta, kildebetegnelser og det krævede resultat tydelige under opfølgninger.\n\n### Kontekst og viden\n\nOpenAI angiver en kontekst på 1.050.000 tokens, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens. Den dokumenterede vidensgrænse er 16. februar 2026. Ræsonnering og det endelige svar deler færdiggørelsesbudgettet, og alt opgavemateriale kræver plads i konteksten. En anmodning kan ende før et fuldstændigt synligt svar, hvis disse budgetter opbruges.\n\n### Strukturerede svar og værktøjer\n\nModelkortet angiver Structured Outputs, streaming og funktionskald. Producentens værktøjsøkosystem omfatter web- og filsøgning, værktøjer til billedgenerering, en kodefortolker, shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. En struktureret datapost kræver stadig værdier, der er forankret i det faktiske input; gyldigt JSON fastslår ikke i sig selv faktuel korrekthed.\n\nEn applikation leverer funktioner, udfører valgte operationer og returnerer observationer. Et opslag kan levere et manglende felt, før Luna formulerer svaret. Bevar resultatet sammen med kilden og operationen, og skeln mellem en foreslået handling og arbejde, der faktisk er udført. Modellens eget output er tekst, mens et værktøjsgenereret billede er et separat resultat.\n\n### Et nyttigt resultat\n\nHold kildeafhængige udsagn knyttet til autoritativt materiale, og definér, hvornår operationen er færdig. Et godt resultat er den ønskede datapost, forklaring eller reviderede passage med obligatoriske navne og dokumentation bevaret. Lunas fokuserede rolle, understøttede indsatsinterval og standardprofil forbliver adskilt fra Terra, Sol, Pro-udførelse og efterfølgende GPT-6-udgivelser.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bcd7fcdf9eb84ac3b0b8e24920a659ef290c13ee138b272e29d07c5c6f95e743", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/gpt-5.6-luna:batchGPT-5.6 Luna er OpenAI’s fokuserede model til gentagne opgaver med stor behandlingsvolumen. Den accepterer tekst og billeder og returnerer svar eller strukturerede dataposter med valgfri ræsonnering, kildestyrede værktøjer og en kontekst på 1.050.000 tokens, som holdes adskilt fra dens Pro-udførelsesindstilling.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Luna er OpenAI’s fokuserede model til opgaver med stor behandlingsvolumen inden for GPT-5.6-familien. Producenten forbinder dens opgaverolle med det mindre niveau i tidligere GPT-5-familier, mens Luna bevares som en selvstændig modelidentitet. Den accepterer tekst og billeder og genererer tekst, herunder forklaringer, omskrivninger, klassifikationer og strukturerede dataposter.
Giv modellen én defineret operation og kriterierne for et nyttigt resultat. Ved udtræk skal felterne, enhederne og konventionen for manglende værdier angives. Ved klassifikation skal kategoriernes betydning leveres, og det skal angives, hvad der skal ske, når ingen kategori passer. En eksempelinstruktion er: “Udtræk specifikationsværdierne fra denne passage, bevar deres enheder, og angiv den sætning, der understøtter hvert felt.”
Et supportsvar skal bruge det leverede produkt- eller politikmateriale og følge det sprog, brugeren kræver. Ved et visuelt spørgsmål skal det relevante billede og den synlige detalje angives. Hold resultatet kort nok til dets efterfølgende formål uden at udelade en krævet kildeværdi eller et nødvendigt forbehold.
Producenten understøtter indsatsen none, low, medium, high, xhigh og max med medium som standard. Standard er standardtilstanden for ræsonnering, mens Pro er en separat udførelsesindstilling, som tilføjer modelarbejde. Indsats og tilstand er uafhængige; en rutinemæssig direkte opgave og en mere omfattende sammenligning kan derfor kræve forskellig forberedelse, mens den samme navngivne Luna-profil bevares.
Ræsonneringsvejledningen angiver, at GPT-5.6 som standard tager tilgængelig ræsonnering fra tidligere ture med videre, med en understøttet kontekstindstilling, som vælger adfærden. Det påvirker det materiale, der bevares gennem en opgave i flere trin; det er ikke ubegrænset hukommelse. Hold accepterede fakta, kildebetegnelser og det krævede resultat tydelige under opfølgninger.
OpenAI angiver en kontekst på 1.050.000 tokens, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens. Den dokumenterede vidensgrænse er 16. februar 2026. Ræsonnering og det endelige svar deler færdiggørelsesbudgettet, og alt opgavemateriale kræver plads i konteksten. En anmodning kan ende før et fuldstændigt synligt svar, hvis disse budgetter opbruges.
Modelkortet angiver Structured Outputs, streaming og funktionskald. Producentens værktøjsøkosystem omfatter web- og filsøgning, værktøjer til billedgenerering, en kodefortolker, shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. En struktureret datapost kræver stadig værdier, der er forankret i det faktiske input; gyldigt JSON fastslår ikke i sig selv faktuel korrekthed.
En applikation leverer funktioner, udfører valgte operationer og returnerer observationer. Et opslag kan levere et manglende felt, før Luna formulerer svaret. Bevar resultatet sammen med kilden og operationen, og skeln mellem en foreslået handling og arbejde, der faktisk er udført. Modellens eget output er tekst, mens et værktøjsgenereret billede er et separat resultat.
Hold kildeafhængige udsagn knyttet til autoritativt materiale, og definér, hvornår operationen er færdig. Et godt resultat er den ønskede datapost, forklaring eller reviderede passage med obligatoriske navne og dokumentation bevaret. Lunas fokuserede rolle, understøttede indsatsinterval og standardprofil forbliver adskilt fra Terra, Sol, Pro-udførelse og efterfølgende GPT-6-udgivelser.
POST /v1/batchestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrævet | Værdier og grænser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5.6-luna:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltcompletion_window | Typestring | KravValgfrit | Værdier og grænser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfrit | Værdier og grænser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfrit | Værdier og grænser openai/gpt-5.6-luna:batch, openai/gpt-5.6-luna | Standard— |
Feltprovider.only | Typestring[] | KravValgfrit | Værdier og grænser openai | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfrit | Værdier og grænser false, null | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktendpoint, model, requests |
Parametermaterial_types | Kontrakttext |
Parameterrepresentation | Kontraktrequests[] direkte i anmodningen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parameterfile_material | KontraktDen kaldende part kan læse det faktiske JSONL-indhold i UTF-8 lokalt ind i requests[]. Der angives hverken purpose til upload, input_file_id eller en filreference. Hvis kundematerialet mangler eller er tomt, stoppes forberedelsen før POST. |
Parameterserialization_order | Kontraktendpoint, model, provider (hvis angivet), completion_window (hvis angivet), requests til sidst |
Parameteroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontraktAnmodningsindhold for Chat Completions med tekst i den dokumenterede inline Batch-struktur. |
Livscyklus: asynchronous
GET /v1/batches/{operation_id} · det faktiske response.id fra den oprindelige oprettelse; samme bruger/nøgle/gruppe
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 $0.0002 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00002 / 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 $0.0002 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00002 / 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 $0.0004 / 1K tokens Output · Outputtokens $0.0018 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-5.6-luna:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-5.6-luna:batch', 'openai/gpt-5.6-luna']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-luna:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON direkte i results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele den oprindelige status i JSON, hvert resultat/custom_id og det fulde svar- eller fejlindhold. Gem færdige results[] som JSONL uden filtrering.
Gem det oprindelige operations-ID. 503 result_pending_check har X-Should-Retry:false; send aldrig en oprindelig batch igen, hvis dens udfald er ukendt.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldig dokumenteret inline-struktur, dublerede nøgler, ugyldig elementidentitet eller konflikt med modellens konfigurerede funktioner. | Næste trinRet de angivne felter, før du sender en ny anmodning. |
Svar401 · authentication_error | BetingelseUgyldig API-nøgle. | Næste trinBrug den godkendte Ailoot-nøgle. |
Svar403 · permission_error | BetingelseBatch-gruppen er ikke tilgængelig. | Næste trinKontrollér nøglens/gruppens adgangsrettigheder. |
Svar422 · invalid_request_error | BetingelseBatch afregnes via saldoen; oprettelse via et abonnement afvises. | Næste trinBrug den godkendte gruppe med saldoafregning. |
Svar422 · price_unavailable | BetingelseDer kan ikke beregnes en pris for Batch-inputtet. | Næste trinGem svaret; brug det dokumenterede input for API-familien. |
Svar402 · billing_error | BetingelseReservationen til Batch er ikke tilgængelig. | Næste trinAfklar adgangen, før du sender en ny anmodning. |
Svar503 · price_unavailable | BetingelsePrisen for Batch-metoden eller de native satser er ikke tilgængelige. | Næste trinGem svaret; erstat ikke priserne med andre priser. |
Svar503 · api_error | BetingelseDen præcise leverandørrute er ikke tilgængelig. | Næste trinGem svaret, så ruten kan repareres. |
Svar503 · result_pending_check | BetingelseDet oprindelige resultat skal kontrolleres; X-Should-Retry:false. | Næste trinGem det oprindelige operation_id/id, og læs dets status; gentag aldrig den oprindelige POST. |
Svar404 · not_found | BetingelseOperationen til Batch-status findes ikke eller tilhører en anden identitet. | Næste trinBrug det nøjagtige oprindelige id og samme bruger/nøgle/gruppe. |
Ailoot Ultra openai/gpt-5.6-luna:batch
Brug metodestierne vist ovenfor.