GPT-5 Nano er OpenAI’s Nano-udgave i GPT-5-ræsonneringsfamilien. Producenten fremhæver opsummering og klassifikation som praktiske anvendelser. Den accepterer tekst og billeder og producerer tekst, hvilket gør den til et fokuseret modelvalg til en defineret operation i en større arbejdsgang. Nano bevarer sin egen udgaveidentitet og sine egne specifikationer.
Ved opsummering skal kildematerialet og formålet med opsummeringen leveres. En eksempelanmodning er at omsætte flere beskeder om ét emne til et kort oplæg med emnet, fastslåede fakta og næste spørgsmål. Angiv længden, de detaljer, der skal bevares, og skellet mellem et udsagn i kilden og en slutning. Det giver opsummeringen en konkret anvendelse frem for at bede modellen om at forkorte alle dele lige meget.
Ved klassifikation skal de tilladte kategorier og det kriterium, der adskiller dem, leveres. Medtag eksempler, når de tydeliggør en vanskelig grænse, og definér, hvordan et tilfælde, der ikke passer i de tilgængelige kategorier, skal repræsenteres. Et nyttigt resultat er kategorien og en kort forklaring knyttet til inputtet. Et billede kan levere relevante visuelle oplysninger, når opgaven angiver den detalje eller betegnelse, der har betydning.
OpenAI angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. maj 2024. GPT-5-lanceringen til udviklere medtager Nano blandt de tre størrelser, der understøtter indstillinger for ræsonneringsindsats, detaljeringsgrad og brugerdefinerede værktøjer. Familiens dokumenterede indsatsmuligheder er minimal, low, medium og high; detaljeringsgraden styrer svarets detaljer adskilt fra analysen. Ræsonnering og synligt output deler budgettet for genererede tokens.
Det præcise modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, filsøgning og promptcaching. Dets angivne værktøjssæt omfatter funktioner, web- og filsøgning, billedgenerering, kodefortolkning og MCP-forbindelser. Værktøjsoperationer er adskilt fra modellens skriftlige resultat: applikationen udfører sine handlinger og returnerer det faktiske output til det fortsatte arbejde.
Definér afgrænsede outputkrav, såsom en opsummering, kategori, liste over udtrukne felter eller et kort foreslået svar. Angiv, hvordan manglende oplysninger skal håndteres, og hold reglerne ensartede ved behandling af lignende input. Ved en opgave med flere faser skal det relevante resultat sendes til næste fase sammen med ethvert uafklaret spørgsmål. Gennemgå det endelige resultat mod den leverede kilde og kriterierne, mens en udført operation holdes adskilt fra en operation, der kun er foreslået.
", "aboutText": "GPT-5 Nano er OpenAI’s Nano-udgave i GPT-5-ræsonneringsfamilien. Producenten fremhæver opsummering og klassifikation som praktiske anvendelser. Den accepterer tekst og billeder og producerer tekst, hvilket gør den til et fokuseret modelvalg til en defineret operation i en større arbejdsgang. Nano bevarer sin egen udgaveidentitet og sine egne specifikationer.\n\nVed opsummering skal kildematerialet og formålet med opsummeringen leveres. En eksempelanmodning er at omsætte flere beskeder om ét emne til et kort oplæg med emnet, fastslåede fakta og næste spørgsmål. Angiv længden, de detaljer, der skal bevares, og skellet mellem et udsagn i kilden og en slutning. Det giver opsummeringen en konkret anvendelse frem for at bede modellen om at forkorte alle dele lige meget.\n\nVed klassifikation skal de tilladte kategorier og det kriterium, der adskiller dem, leveres. Medtag eksempler, når de tydeliggør en vanskelig grænse, og definér, hvordan et tilfælde, der ikke passer i de tilgængelige kategorier, skal repræsenteres. Et nyttigt resultat er kategorien og en kort forklaring knyttet til inputtet. Et billede kan levere relevante visuelle oplysninger, når opgaven angiver den detalje eller betegnelse, der har betydning.\n\nOpenAI angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. maj 2024. GPT-5-lanceringen til udviklere medtager Nano blandt de tre størrelser, der understøtter indstillinger for ræsonneringsindsats, detaljeringsgrad og brugerdefinerede værktøjer. Familiens dokumenterede indsatsmuligheder er minimal, low, medium og high; detaljeringsgraden styrer svarets detaljer adskilt fra analysen. Ræsonnering og synligt output deler budgettet for genererede tokens.\n\nDet præcise modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, filsøgning og promptcaching. Dets angivne værktøjssæt omfatter funktioner, web- og filsøgning, billedgenerering, kodefortolkning og MCP-forbindelser. Værktøjsoperationer er adskilt fra modellens skriftlige resultat: applikationen udfører sine handlinger og returnerer det faktiske output til det fortsatte arbejde.\n\nDefinér afgrænsede outputkrav, såsom en opsummering, kategori, liste over udtrukne felter eller et kort foreslået svar. Angiv, hvordan manglende oplysninger skal håndteres, og hold reglerne ensartede ved behandling af lignende input. Ved en opgave med flere faser skal det relevante resultat sendes til næste fase sammen med ethvert uafklaret spørgsmål. Gennemgå det endelige resultat mod den leverede kilde og kriterierne, mens en udført operation holdes adskilt fra en operation, der kun er foreslået.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "858d195bced7714ce9d711a453eec6f86b1b8feafd42f21393a18f43ec9b07f1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/gpt-5-nano:batchNano-udgaven af GPT-5 er udviklet til fokuseret opsummering og klassifikation. Den accepterer tekst og billeder og returnerer tekst med konfigurerbar ræsonnering og et klart resultatformat til gentagne eller understøttende opgaver.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 Nano er OpenAI’s Nano-udgave i GPT-5-ræsonneringsfamilien. Producenten fremhæver opsummering og klassifikation som praktiske anvendelser. Den accepterer tekst og billeder og producerer tekst, hvilket gør den til et fokuseret modelvalg til en defineret operation i en større arbejdsgang. Nano bevarer sin egen udgaveidentitet og sine egne specifikationer.
Ved opsummering skal kildematerialet og formålet med opsummeringen leveres. En eksempelanmodning er at omsætte flere beskeder om ét emne til et kort oplæg med emnet, fastslåede fakta og næste spørgsmål. Angiv længden, de detaljer, der skal bevares, og skellet mellem et udsagn i kilden og en slutning. Det giver opsummeringen en konkret anvendelse frem for at bede modellen om at forkorte alle dele lige meget.
Ved klassifikation skal de tilladte kategorier og det kriterium, der adskiller dem, leveres. Medtag eksempler, når de tydeliggør en vanskelig grænse, og definér, hvordan et tilfælde, der ikke passer i de tilgængelige kategorier, skal repræsenteres. Et nyttigt resultat er kategorien og en kort forklaring knyttet til inputtet. Et billede kan levere relevante visuelle oplysninger, når opgaven angiver den detalje eller betegnelse, der har betydning.
OpenAI angiver et kontekstvindue på 400.000 tokens, et maksimalt input på 272.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 31. maj 2024. GPT-5-lanceringen til udviklere medtager Nano blandt de tre størrelser, der understøtter indstillinger for ræsonneringsindsats, detaljeringsgrad og brugerdefinerede værktøjer. Familiens dokumenterede indsatsmuligheder er minimal, low, medium og high; detaljeringsgraden styrer svarets detaljer adskilt fra analysen. Ræsonnering og synligt output deler budgettet for genererede tokens.
Det præcise modelkort angiver grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, filsøgning og promptcaching. Dets angivne værktøjssæt omfatter funktioner, web- og filsøgning, billedgenerering, kodefortolkning og MCP-forbindelser. Værktøjsoperationer er adskilt fra modellens skriftlige resultat: applikationen udfører sine handlinger og returnerer det faktiske output til det fortsatte arbejde.
Definér afgrænsede outputkrav, såsom en opsummering, kategori, liste over udtrukne felter eller et kort foreslået svar. Angiv, hvordan manglende oplysninger skal håndteres, og hold reglerne ensartede ved behandling af lignende input. Ved en opgave med flere faser skal det relevante resultat sendes til næste fase sammen med ethvert uafklaret spørgsmål. Gennemgå det endelige resultat mod den leverede kilde og kriterierne, mens en udført operation holdes adskilt fra en operation, der kun er foreslået.
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-nano: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-nano:batch, openai/gpt-5-nano | 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 $0.00005 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000005 / 1K tokens Input · Cacheskrivning — / 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 $0.00005 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000005 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-nano: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-nano:batch', 'openai/gpt-5-nano']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5-nano: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-nano:batch
Brug metodestierne vist ovenfor.