GPT-5.6 Terra er OpenAI’s afbalancerede model i GPT-5.6-familien. Producenten sammenholder dens rolle ved forskellige opgavetyper med mini-klassen i tidligere GPT-5-familier, mens Terra bevarer sin egen navngivne profil. Den arbejder med tekst og billeder og returnerer tekst som en forklaring, et udkast, et kodeforslag eller en struktureret analysepost.
Giv kildematerialet, spørgsmålet og kriterierne for en konklusion. En praktisk opgavebeskrivelse er: “Sammenlign disse krav med forslaget, identificér hver afvigelse, og returnér den understøttende passage, konsekvensen og det uafklarede spørgsmål.” Giv dokumenterne betegnelser, og bevar termer eller enheder, som påvirker deres betydning. Resultatet skal vise, hvad materialet fastslår, og hvad der fortsat er en antagelse.
Definér ved skrivearbejde målgruppen, tonen og de fakta, som skal bevares. Angiv ved en revision den passage, der skal ændres, og den betydning, der skal fastholdes. Giv ved en kodeopgave den relevante implementering, den observerede fejl og den krævede adfærd. Et fokuseret resultat er mere nyttigt end en bred instruktion om at forbedre en uspecificeret samling materiale.
Modellen understøtter ræsonneringsniveauerne none, low, medium, high, xhigh og max med medium som standard. Niveauet styrer analysens dybde, mens standard- eller Pro-tilstand er et separat valg for udførelsen. Kravene til opgavens endelige output er vigtige ved alle indstillinger: angiv svarets sprog, de nødvendige felter og kriterierne for, at opgaven er færdig.
OpenAI beskriver, at tilgængelige tidligere ræsonnementer som standard tages med i efterfølgende GPT-5.6-ture, med en kontekstindstilling til understøttede arbejdsgange. Det kan støtte en fortsat analyse, mens det bevarede materiale stadig optager kontekst. Hold accepterede fakta og nye observationer tydeligt adskilt fra foreløbige mellemkonklusioner.
Terras offentliggjorte kontekst er 1.050.000 tokens med op til 922.000 inputtokens og op til 128.000 outputtokens. Modellens vidensgrænse er 16. februar 2026. Kilde, historik, værktøjsresultater, ræsonnering og det synlige svar skal kunne være der sammen. Reservér plads til et fuldstændigt slutresultat, og undersøg ufuldstændige svar, før en opgave betragtes som afsluttet.
Bevar ved visuelt materiale læsbar tekst, betegnelser og den omgivende kontekst. Bed svaret identificere den billeddetalje, som understøtter en konklusion. Modellen behandler tekst og billeder til tekst; gengivne medier eller udførte handlinger i en applikation er andre resultater.
Producenten angiver funktionskald, Structured Outputs og streaming samt web- og filsøgning, værktøjer til billedgenerering, en kodefortolker, shell- og patchhandlinger, skills, computerbetjening, MCP-forbindelser og søgning efter værktøjer. Den omgivende applikation udfører de valgte handlinger og returnerer observationer, så modellen kan fortsætte.
Giv funktioner præcise formål og parameterskemaer. Definér hvert felt i en struktureret post, og angiv, hvordan manglende dokumentation skal repræsenteres. Sammenlign derefter de returnerede værdier med kilden. Et svar, der følger formatet, beviser ikke i sig selv, at der er hentet oplysninger, udført handlinger eller foretaget validering.
Et nyttigt slutresultat er et kontrollerbart udkast, en kildesammenligning, et kodeforslag eller en datapost, der hænger sammen med opgavens krav og observationer. Brug Terras understøttede ræsonneringsindstillinger og grænser ved forberedelsen af opgaven; Sol og GPT-6 har deres egne profiler.
", "aboutText": "GPT-5.6 Terra er OpenAI’s afbalancerede model i GPT-5.6-familien. Producenten sammenholder dens rolle ved forskellige opgavetyper med mini-klassen i tidligere GPT-5-familier, mens Terra bevarer sin egen navngivne profil. Den arbejder med tekst og billeder og returnerer tekst som en forklaring, et udkast, et kodeforslag eller en struktureret analysepost.\n\n### Analyse med et defineret slutresultat\n\nGiv kildematerialet, spørgsmålet og kriterierne for en konklusion. En praktisk opgavebeskrivelse er: “Sammenlign disse krav med forslaget, identificér hver afvigelse, og returnér den understøttende passage, konsekvensen og det uafklarede spørgsmål.” Giv dokumenterne betegnelser, og bevar termer eller enheder, som påvirker deres betydning. Resultatet skal vise, hvad materialet fastslår, og hvad der fortsat er en antagelse.\n\nDefinér ved skrivearbejde målgruppen, tonen og de fakta, som skal bevares. Angiv ved en revision den passage, der skal ændres, og den betydning, der skal fastholdes. Giv ved en kodeopgave den relevante implementering, den observerede fejl og den krævede adfærd. Et fokuseret resultat er mere nyttigt end en bred instruktion om at forbedre en uspecificeret samling materiale.\n\n### Ræsonneringsdybde og tilstand\n\nModellen understøtter ræsonneringsniveauerne none, low, medium, high, xhigh og max med medium som standard. Niveauet styrer analysens dybde, mens standard- eller Pro-tilstand er et separat valg for udførelsen. Kravene til opgavens endelige output er vigtige ved alle indstillinger: angiv svarets sprog, de nødvendige felter og kriterierne for, at opgaven er færdig.\n\nOpenAI beskriver, at tilgængelige tidligere ræsonnementer som standard tages med i efterfølgende GPT-5.6-ture, med en kontekstindstilling til understøttede arbejdsgange. Det kan støtte en fortsat analyse, mens det bevarede materiale stadig optager kontekst. Hold accepterede fakta og nye observationer tydeligt adskilt fra foreløbige mellemkonklusioner.\n\n### Grænser for input og output\n\nTerras offentliggjorte kontekst er 1.050.000 tokens med op til 922.000 inputtokens og op til 128.000 outputtokens. Modellens vidensgrænse er 16. februar 2026. Kilde, historik, værktøjsresultater, ræsonnering og det synlige svar skal kunne være der sammen. Reservér plads til et fuldstændigt slutresultat, og undersøg ufuldstændige svar, før en opgave betragtes som afsluttet.\n\nBevar ved visuelt materiale læsbar tekst, betegnelser og den omgivende kontekst. Bed svaret identificere den billeddetalje, som understøtter en konklusion. Modellen behandler tekst og billeder til tekst; gengivne medier eller udførte handlinger i en applikation er andre resultater.\n\n### Værktøjer og strukturerede resultater\n\nProducenten angiver funktionskald, Structured Outputs og streaming samt web- og filsøgning, værktøjer til billedgenerering, en kodefortolker, shell- og patchhandlinger, skills, computerbetjening, MCP-forbindelser og søgning efter værktøjer. Den omgivende applikation udfører de valgte handlinger og returnerer observationer, så modellen kan fortsætte.\n\nGiv funktioner præcise formål og parameterskemaer. Definér hvert felt i en struktureret post, og angiv, hvordan manglende dokumentation skal repræsenteres. Sammenlign derefter de returnerede værdier med kilden. Et svar, der følger formatet, beviser ikke i sig selv, at der er hentet oplysninger, udført handlinger eller foretaget validering.\n\nEt nyttigt slutresultat er et kontrollerbart udkast, en kildesammenligning, et kodeforslag eller en datapost, der hænger sammen med opgavens krav og observationer. Brug Terras understøttede ræsonneringsindstillinger og grænser ved forberedelsen af opgaven; Sol og GPT-6 har deres egne profiler.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "834a2784d8a60d2fac7419ecc0acb739fd340f8ad0ccacb197c14e41b43ec1fa", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/gpt-5.6-terra:batchGPT-5.6 Terra er OpenAI’s afbalancerede ræsonneringsmodel til analyse, udkast og assistance i flere trin. Den bruger tekst og billeder til at producere forklaringer, kode eller strukturerede konklusioner med konfigurerbar indsats og en kontekst på 1.050.000 tokens hos producenten.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5.6 Terra er OpenAI’s afbalancerede model i GPT-5.6-familien. Producenten sammenholder dens rolle ved forskellige opgavetyper med mini-klassen i tidligere GPT-5-familier, mens Terra bevarer sin egen navngivne profil. Den arbejder med tekst og billeder og returnerer tekst som en forklaring, et udkast, et kodeforslag eller en struktureret analysepost.
Giv kildematerialet, spørgsmålet og kriterierne for en konklusion. En praktisk opgavebeskrivelse er: “Sammenlign disse krav med forslaget, identificér hver afvigelse, og returnér den understøttende passage, konsekvensen og det uafklarede spørgsmål.” Giv dokumenterne betegnelser, og bevar termer eller enheder, som påvirker deres betydning. Resultatet skal vise, hvad materialet fastslår, og hvad der fortsat er en antagelse.
Definér ved skrivearbejde målgruppen, tonen og de fakta, som skal bevares. Angiv ved en revision den passage, der skal ændres, og den betydning, der skal fastholdes. Giv ved en kodeopgave den relevante implementering, den observerede fejl og den krævede adfærd. Et fokuseret resultat er mere nyttigt end en bred instruktion om at forbedre en uspecificeret samling materiale.
Modellen understøtter ræsonneringsniveauerne none, low, medium, high, xhigh og max med medium som standard. Niveauet styrer analysens dybde, mens standard- eller Pro-tilstand er et separat valg for udførelsen. Kravene til opgavens endelige output er vigtige ved alle indstillinger: angiv svarets sprog, de nødvendige felter og kriterierne for, at opgaven er færdig.
OpenAI beskriver, at tilgængelige tidligere ræsonnementer som standard tages med i efterfølgende GPT-5.6-ture, med en kontekstindstilling til understøttede arbejdsgange. Det kan støtte en fortsat analyse, mens det bevarede materiale stadig optager kontekst. Hold accepterede fakta og nye observationer tydeligt adskilt fra foreløbige mellemkonklusioner.
Terras offentliggjorte kontekst er 1.050.000 tokens med op til 922.000 inputtokens og op til 128.000 outputtokens. Modellens vidensgrænse er 16. februar 2026. Kilde, historik, værktøjsresultater, ræsonnering og det synlige svar skal kunne være der sammen. Reservér plads til et fuldstændigt slutresultat, og undersøg ufuldstændige svar, før en opgave betragtes som afsluttet.
Bevar ved visuelt materiale læsbar tekst, betegnelser og den omgivende kontekst. Bed svaret identificere den billeddetalje, som understøtter en konklusion. Modellen behandler tekst og billeder til tekst; gengivne medier eller udførte handlinger i en applikation er andre resultater.
Producenten angiver funktionskald, Structured Outputs og streaming samt web- og filsøgning, værktøjer til billedgenerering, en kodefortolker, shell- og patchhandlinger, skills, computerbetjening, MCP-forbindelser og søgning efter værktøjer. Den omgivende applikation udfører de valgte handlinger og returnerer observationer, så modellen kan fortsætte.
Giv funktioner præcise formål og parameterskemaer. Definér hvert felt i en struktureret post, og angiv, hvordan manglende dokumentation skal repræsenteres. Sammenlign derefter de returnerede værdier med kilden. Et svar, der følger formatet, beviser ikke i sig selv, at der er hentet oplysninger, udført handlinger eller foretaget validering.
Et nyttigt slutresultat er et kontrollerbart udkast, en kildesammenligning, et kodeforslag eller en datapost, der hænger sammen med opgavens krav og observationer. Brug Terras understøttede ræsonneringsindstillinger og grænser ved forberedelsen af opgaven; Sol og GPT-6 har deres egne profiler.
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-terra: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-terra:batch, openai/gpt-5.6-terra | 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 $0.002 / 1K tokens Output · Outputtokens $0.012 / 1K tokens Input · Cachelæsning $0.0002 / 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 $0.002 / 1K tokens Output · Outputtokens $0.012 / 1K tokens Input · Cachelæsning $0.0002 / 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 $0.004 / 1K tokens Output · Outputtokens $0.018 / 1K tokens Input · Cachelæsning $0.0004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-terra: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-terra:batch', 'openai/gpt-5.6-terra']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-terra: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-terra:batch
Brug metodestierne vist ovenfor.