GPT-5 Mini er OpenAI’s Mini-udgave af GPT-5-ræsonnementsfamilien. Udvikleren beskriver den som et valg til veldefinerede opgaver med præcise prompts og store arbejdsmængder. Den modtager tekst og billeder og producerer tekst. Mini-udgaven bevarer sin egen modelidentitet og egne specifikationer frem for at bruge grænserne for GPT-5 Pro eller en senere Mini-model.
En praktisk anvendelse er en afgrænset dokument- eller supporthandling. Giv originalmaterialet, reglerne der skal anvendes, og det forventede resultat. En eksempelanmodning er at udtrække nogle få krævede felter fra en besked og skrive et kort svar, som beder om manglende oplysninger. Definer, hvordan en fraværende værdi skal repræsenteres, hvilke fakta der skal forblive uændrede, og den tone, som passer til den tilsigtede læser.
Ved en begrænset redigering angives passagen, der skal ændres, og ændringens formål. Ved et kodetrin gives den relevante kilde og den adfærd, en foreslået ændring skal påvirke. Et skærmbillede eller diagram kan give visuel kontekst med skriftlige instruktioner, der angiver den relevante detalje. En nyttig beskrivelse giver modellen én handling og dens afslutningskriterium frem for at lade den udlede hele forløbet fra inputtet.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 Mini med en vidensgrænse den 31. maj 2024. GPT-5-udviklerudgaven inkluderer Mini blandt modellerne med indstillinger for ræsonnementsindsats og udførlighed samt brugerdefinerede værktøjer. Familiens dokumenterede indsatsvalg er minimal, low, medium og high, mens udførlighed styrer detaljemængden i svaret separat fra ræsonnement.
Det præcise Mini-modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, filinput, billedinput samt web- og filsøgning. De angivne værktøjer omfatter funktioner, web- og filsøgning, kodefortolkning og MCP-forbindelser. Applikationen stiller sine handlinger til rådighed, udfører dem og returnerer faktiske resultater. Et struktureret svar beskriver de krævede outputfelter; en funktionsanmodning foreslår en handling, som et værktøj skal udføre.
Brug et slutformat, der passer til den afgrænsede opgave: udtrukne værdier, en revideret passage, et kort svar eller en foreslået kodeændring. Ved en proces med flere faser føres det relevante resultat videre til næste anmodning, og de styrende regler bevares. Kontroller vigtige udsagn mod originalmaterialet, og gør en uafklaret betingelse eksplicit. Det resulterende arbejde kan derefter understøtte en konkret næste handling uden at gøre hver afgrænset operation til en bred samtale.
", "aboutText": "GPT-5 Mini er OpenAI’s Mini-udgave af GPT-5-ræsonnementsfamilien. Udvikleren beskriver den som et valg til veldefinerede opgaver med præcise prompts og store arbejdsmængder. Den modtager tekst og billeder og producerer tekst. Mini-udgaven bevarer sin egen modelidentitet og egne specifikationer frem for at bruge grænserne for GPT-5 Pro eller en senere Mini-model.\n\nEn praktisk anvendelse er en afgrænset dokument- eller supporthandling. Giv originalmaterialet, reglerne der skal anvendes, og det forventede resultat. En eksempelanmodning er at udtrække nogle få krævede felter fra en besked og skrive et kort svar, som beder om manglende oplysninger. Definer, hvordan en fraværende værdi skal repræsenteres, hvilke fakta der skal forblive uændrede, og den tone, som passer til den tilsigtede læser.\n\nVed en begrænset redigering angives passagen, der skal ændres, og ændringens formål. Ved et kodetrin gives den relevante kilde og den adfærd, en foreslået ændring skal påvirke. Et skærmbillede eller diagram kan give visuel kontekst med skriftlige instruktioner, der angiver den relevante detalje. En nyttig beskrivelse giver modellen én handling og dens afslutningskriterium frem for at lade den udlede hele forløbet fra inputtet.\n\nOpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 Mini med en vidensgrænse den 31. maj 2024. GPT-5-udviklerudgaven inkluderer Mini blandt modellerne med indstillinger for ræsonnementsindsats og udførlighed samt brugerdefinerede værktøjer. Familiens dokumenterede indsatsvalg er minimal, low, medium og high, mens udførlighed styrer detaljemængden i svaret separat fra ræsonnement.\n\nDet præcise Mini-modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, filinput, billedinput samt web- og filsøgning. De angivne værktøjer omfatter funktioner, web- og filsøgning, kodefortolkning og MCP-forbindelser. Applikationen stiller sine handlinger til rådighed, udfører dem og returnerer faktiske resultater. Et struktureret svar beskriver de krævede outputfelter; en funktionsanmodning foreslår en handling, som et værktøj skal udføre.\n\nBrug et slutformat, der passer til den afgrænsede opgave: udtrukne værdier, en revideret passage, et kort svar eller en foreslået kodeændring. Ved en proces med flere faser føres det relevante resultat videre til næste anmodning, og de styrende regler bevares. Kontroller vigtige udsagn mod originalmaterialet, og gør en uafklaret betingelse eksplicit. Det resulterende arbejde kan derefter understøtte en konkret næste handling uden at gøre hver afgrænset operation til en bred samtale.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Ask for the missing booking detail\n\nDraft a reply under 60 words using this request and rule. Request: 'Please book the smaller meeting room for our six-person planning session on Tuesday.' Rule: a booking needs a start time and duration; the smaller room seats eight. Confirm that capacity fits, then ask for only the missing booking information. Do not state that a room is reserved.One concise reply confirming suitable capacity and asking for start time and duration.The message does not request already supplied headcount or invent a booking confirmation.gpt-5-miniMini-udgaven af GPT-5 er udviklet til veldefinerede opgaver og præcise prompts. Den accepterer tekst og billeder og returnerer tekst, hvilket gør den nyttig til fokuseret udtræk, ændringer under faste begrænsninger, supportsvar og smallere trin i en agentarbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 Mini er OpenAI’s Mini-udgave af GPT-5-ræsonnementsfamilien. Udvikleren beskriver den som et valg til veldefinerede opgaver med præcise prompts og store arbejdsmængder. Den modtager tekst og billeder og producerer tekst. Mini-udgaven bevarer sin egen modelidentitet og egne specifikationer frem for at bruge grænserne for GPT-5 Pro eller en senere Mini-model.
En praktisk anvendelse er en afgrænset dokument- eller supporthandling. Giv originalmaterialet, reglerne der skal anvendes, og det forventede resultat. En eksempelanmodning er at udtrække nogle få krævede felter fra en besked og skrive et kort svar, som beder om manglende oplysninger. Definer, hvordan en fraværende værdi skal repræsenteres, hvilke fakta der skal forblive uændrede, og den tone, som passer til den tilsigtede læser.
Ved en begrænset redigering angives passagen, der skal ændres, og ændringens formål. Ved et kodetrin gives den relevante kilde og den adfærd, en foreslået ændring skal påvirke. Et skærmbillede eller diagram kan give visuel kontekst med skriftlige instruktioner, der angiver den relevante detalje. En nyttig beskrivelse giver modellen én handling og dens afslutningskriterium frem for at lade den udlede hele forløbet fra inputtet.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 Mini med en vidensgrænse den 31. maj 2024. GPT-5-udviklerudgaven inkluderer Mini blandt modellerne med indstillinger for ræsonnementsindsats og udførlighed samt brugerdefinerede værktøjer. Familiens dokumenterede indsatsvalg er minimal, low, medium og high, mens udførlighed styrer detaljemængden i svaret separat fra ræsonnement.
Det præcise Mini-modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, filinput, billedinput samt web- og filsøgning. De angivne værktøjer omfatter funktioner, web- og filsøgning, kodefortolkning og MCP-forbindelser. Applikationen stiller sine handlinger til rådighed, udfører dem og returnerer faktiske resultater. Et struktureret svar beskriver de krævede outputfelter; en funktionsanmodning foreslår en handling, som et værktøj skal udføre.
Brug et slutformat, der passer til den afgrænsede opgave: udtrukne værdier, en revideret passage, et kort svar eller en foreslået kodeændring. Ved en proces med flere faser føres det relevante resultat videre til næste anmodning, og de styrende regler bevares. Kontroller vigtige udsagn mod originalmaterialet, og gør en uafklaret betingelse eksplicit. Det resulterende arbejde kan derefter understøtte en konkret næste handling uden at gøre hver afgrænset operation til en bred samtale.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5-mini | 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 $0.0005 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5-mini","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-mini", 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-mini, openai/gpt-5-mini
/chat/completions
gpt-5-miniMini-udgaven af GPT-5 er udviklet til veldefinerede opgaver og præcise prompts. Den accepterer tekst og billeder og returnerer tekst, hvilket gør den nyttig til fokuseret udtræk, ændringer under faste begrænsninger, supportsvar og smallere trin i en agentarbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 Mini er OpenAI’s Mini-udgave af GPT-5-ræsonnementsfamilien. Udvikleren beskriver den som et valg til veldefinerede opgaver med præcise prompts og store arbejdsmængder. Den modtager tekst og billeder og producerer tekst. Mini-udgaven bevarer sin egen modelidentitet og egne specifikationer frem for at bruge grænserne for GPT-5 Pro eller en senere Mini-model.
En praktisk anvendelse er en afgrænset dokument- eller supporthandling. Giv originalmaterialet, reglerne der skal anvendes, og det forventede resultat. En eksempelanmodning er at udtrække nogle få krævede felter fra en besked og skrive et kort svar, som beder om manglende oplysninger. Definer, hvordan en fraværende værdi skal repræsenteres, hvilke fakta der skal forblive uændrede, og den tone, som passer til den tilsigtede læser.
Ved en begrænset redigering angives passagen, der skal ændres, og ændringens formål. Ved et kodetrin gives den relevante kilde og den adfærd, en foreslået ændring skal påvirke. Et skærmbillede eller diagram kan give visuel kontekst med skriftlige instruktioner, der angiver den relevante detalje. En nyttig beskrivelse giver modellen én handling og dens afslutningskriterium frem for at lade den udlede hele forløbet fra inputtet.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 Mini med en vidensgrænse den 31. maj 2024. GPT-5-udviklerudgaven inkluderer Mini blandt modellerne med indstillinger for ræsonnementsindsats og udførlighed samt brugerdefinerede værktøjer. Familiens dokumenterede indsatsvalg er minimal, low, medium og high, mens udførlighed styrer detaljemængden i svaret separat fra ræsonnement.
Det præcise Mini-modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, filinput, billedinput samt web- og filsøgning. De angivne værktøjer omfatter funktioner, web- og filsøgning, kodefortolkning og MCP-forbindelser. Applikationen stiller sine handlinger til rådighed, udfører dem og returnerer faktiske resultater. Et struktureret svar beskriver de krævede outputfelter; en funktionsanmodning foreslår en handling, som et værktøj skal udføre.
Brug et slutformat, der passer til den afgrænsede opgave: udtrukne værdier, en revideret passage, et kort svar eller en foreslået kodeændring. Ved en proces med flere faser føres det relevante resultat videre til næste anmodning, og de styrende regler bevares. Kontroller vigtige udsagn mod originalmaterialet, og gør en uafklaret betingelse eksplicit. Det resulterende arbejde kan derefter understøtte en konkret næste handling uden at gøre hver afgrænset operation til en bred samtale.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5-mini | 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 $0.0005 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-5-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-mini', '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-mini', '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-mini, openai/gpt-5-mini
/chat/completions
openai/gpt-5-miniMini-udgaven af GPT-5 er udviklet til veldefinerede opgaver og præcise prompts. Den accepterer tekst og billeder og returnerer tekst, hvilket gør den nyttig til fokuseret udtræk, ændringer under faste begrænsninger, supportsvar og smallere trin i en agentarbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 Mini er OpenAI’s Mini-udgave af GPT-5-ræsonnementsfamilien. Udvikleren beskriver den som et valg til veldefinerede opgaver med præcise prompts og store arbejdsmængder. Den modtager tekst og billeder og producerer tekst. Mini-udgaven bevarer sin egen modelidentitet og egne specifikationer frem for at bruge grænserne for GPT-5 Pro eller en senere Mini-model.
En praktisk anvendelse er en afgrænset dokument- eller supporthandling. Giv originalmaterialet, reglerne der skal anvendes, og det forventede resultat. En eksempelanmodning er at udtrække nogle få krævede felter fra en besked og skrive et kort svar, som beder om manglende oplysninger. Definer, hvordan en fraværende værdi skal repræsenteres, hvilke fakta der skal forblive uændrede, og den tone, som passer til den tilsigtede læser.
Ved en begrænset redigering angives passagen, der skal ændres, og ændringens formål. Ved et kodetrin gives den relevante kilde og den adfærd, en foreslået ændring skal påvirke. Et skærmbillede eller diagram kan give visuel kontekst med skriftlige instruktioner, der angiver den relevante detalje. En nyttig beskrivelse giver modellen én handling og dens afslutningskriterium frem for at lade den udlede hele forløbet fra inputtet.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 Mini med en vidensgrænse den 31. maj 2024. GPT-5-udviklerudgaven inkluderer Mini blandt modellerne med indstillinger for ræsonnementsindsats og udførlighed samt brugerdefinerede værktøjer. Familiens dokumenterede indsatsvalg er minimal, low, medium og high, mens udførlighed styrer detaljemængden i svaret separat fra ræsonnement.
Det præcise Mini-modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, filinput, billedinput samt web- og filsøgning. De angivne værktøjer omfatter funktioner, web- og filsøgning, kodefortolkning og MCP-forbindelser. Applikationen stiller sine handlinger til rådighed, udfører dem og returnerer faktiske resultater. Et struktureret svar beskriver de krævede outputfelter; en funktionsanmodning foreslår en handling, som et værktøj skal udføre.
Brug et slutformat, der passer til den afgrænsede opgave: udtrukne værdier, en revideret passage, et kort svar eller en foreslået kodeændring. Ved en proces med flere faser føres det relevante resultat videre til næste anmodning, og de styrende regler bevares. Kontroller vigtige udsagn mod originalmaterialet, og gør en uafklaret betingelse eksplicit. Det resulterende arbejde kan derefter understøtte en konkret næste handling uden at gøre hver afgrænset operation til en bred samtale.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5-mini | 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 $0.0005 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5-mini", "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-mini',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-mini',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-mini, openai/gpt-5-mini
/chat/completions
openai/gpt-5-miniMini-udgaven af GPT-5 er udviklet til veldefinerede opgaver og præcise prompts. Den accepterer tekst og billeder og returnerer tekst, hvilket gør den nyttig til fokuseret udtræk, ændringer under faste begrænsninger, supportsvar og smallere trin i en agentarbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 Mini er OpenAI’s Mini-udgave af GPT-5-ræsonnementsfamilien. Udvikleren beskriver den som et valg til veldefinerede opgaver med præcise prompts og store arbejdsmængder. Den modtager tekst og billeder og producerer tekst. Mini-udgaven bevarer sin egen modelidentitet og egne specifikationer frem for at bruge grænserne for GPT-5 Pro eller en senere Mini-model.
En praktisk anvendelse er en afgrænset dokument- eller supporthandling. Giv originalmaterialet, reglerne der skal anvendes, og det forventede resultat. En eksempelanmodning er at udtrække nogle få krævede felter fra en besked og skrive et kort svar, som beder om manglende oplysninger. Definer, hvordan en fraværende værdi skal repræsenteres, hvilke fakta der skal forblive uændrede, og den tone, som passer til den tilsigtede læser.
Ved en begrænset redigering angives passagen, der skal ændres, og ændringens formål. Ved et kodetrin gives den relevante kilde og den adfærd, en foreslået ændring skal påvirke. Et skærmbillede eller diagram kan give visuel kontekst med skriftlige instruktioner, der angiver den relevante detalje. En nyttig beskrivelse giver modellen én handling og dens afslutningskriterium frem for at lade den udlede hele forløbet fra inputtet.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 Mini med en vidensgrænse den 31. maj 2024. GPT-5-udviklerudgaven inkluderer Mini blandt modellerne med indstillinger for ræsonnementsindsats og udførlighed samt brugerdefinerede værktøjer. Familiens dokumenterede indsatsvalg er minimal, low, medium og high, mens udførlighed styrer detaljemængden i svaret separat fra ræsonnement.
Det præcise Mini-modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, filinput, billedinput samt web- og filsøgning. De angivne værktøjer omfatter funktioner, web- og filsøgning, kodefortolkning og MCP-forbindelser. Applikationen stiller sine handlinger til rådighed, udfører dem og returnerer faktiske resultater. Et struktureret svar beskriver de krævede outputfelter; en funktionsanmodning foreslår en handling, som et værktøj skal udføre.
Brug et slutformat, der passer til den afgrænsede opgave: udtrukne værdier, en revideret passage, et kort svar eller en foreslået kodeændring. Ved en proces med flere faser føres det relevante resultat videre til næste anmodning, og de styrende regler bevares. Kontroller vigtige udsagn mod originalmaterialet, og gør en uafklaret betingelse eksplicit. Det resulterende arbejde kan derefter understøtte en konkret næste handling uden at gøre hver afgrænset operation til en bred samtale.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5-mini | 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 $0.0005 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0005 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-5-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-mini', '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-mini', '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-mini, openai/gpt-5-mini
/chat/completions
Teknisk eksempel på engelsk
Ask for the missing booking detail\n\nDraft a reply under 60 words using this request and rule. Request: 'Please book the smaller meeting room for our six-person planning session on Tuesday.' Rule: a booking needs a start time and duration; the smaller room seats eight. Confirm that capacity fits, then ask for only the missing booking information. Do not state that a room is reserved.One concise reply confirming suitable capacity and asking for start time and duration.The message does not request already supplied headcount or invent a booking confirmation.