GPT-5 er OpenAI’s ræsonnementsmodel til programmering og agentopgaver på tværs af fagområder. Den modtager tekst og billeder og producerer tekst. Udviklerudgaven skelner mellem API-ræsonnementsmodellen og chatvalget uden ræsonnement og beskriver programmeringssamarbejde, frontendarbejde, instruktionsfølgning og forløb, der forbinder en sekvens af værktøjsresultater.
Ved udviklingsarbejde gives den krævede adfærd, relevante filer og begrænsninger for ændringer. Et eksempel på en anmodning er at undersøge, hvordan komponenter spiller sammen, identificere et problem i deres håndtering af et input og udarbejde et koordineret ændringsforslag. Ved frontendarbejde gives den tilsigtede interaktion og en visuel reference. Ved et dokumentspørgsmål angives beslutningen, kildematerialet og de nødvendige afsnit, så svaret har et konkret formål.
Udvikleren dokumenterer ræsonnementsindsatserne minimal, low, medium og high med medium beskrevet som standard i udviklerudgaven. Svarenes udførlighed er en separat indstilling med valgene low, medium og high; medium er den dokumenterede standard, mens en eksplicit instruktion om outputtet har forrang. Denne forskel lader en opgave bede om et kortfattet resultat og stadig afsætte analyse, som passer til kompleksiteten.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 med en vidensgrænse den 30. september 2024. Ræsonnement og synligt output deler budgettet for genererede tokens. Hold det relevante kildemateriale og succeskriterierne tilgængelige, og lad der være plads til analysen og det endelige svar frem for at fylde hele vinduet med uvedkommende kontekst.
Udvikleren nævner grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Værktøjerne i det præcise modelkort omfatter billedgenerering, kodefortolkning og MCP-forbindelser. Udviklerudgaven dokumenterer også parallelle værktøjskald, synlige fremskridtsbeskeder mellem handlinger og brugerdefinerede værktøjer, som modtager almindelig tekst med valgfrie grammatikkrav. Applikationer udfører handlingerne og returnerer de faktiske resultater, som bruges i næste beslutning.
Den aktuelle cachingvejledning omfatter valgfri forlænget opbevaring på op til 24 timer for GPT-5, hvor genbrug afhænger af et egnet opbevaret præfiks. Definer for selve opgaven det resultat og de belæg, som vil tælle som afslutning. En foreslået patch, struktureret analyse eller et dokument er nyttigt, når de væsentlige valg hænger sammen med de givne krav og fakta. Hold resultaterne af afsluttede kontroller adskilt fra handlinger, der stadig er forslag, så det endelige svar kan understøtte næste arbejdstrin.
", "aboutText": "GPT-5 er OpenAI’s ræsonnementsmodel til programmering og agentopgaver på tværs af fagområder. Den modtager tekst og billeder og producerer tekst. Udviklerudgaven skelner mellem API-ræsonnementsmodellen og chatvalget uden ræsonnement og beskriver programmeringssamarbejde, frontendarbejde, instruktionsfølgning og forløb, der forbinder en sekvens af værktøjsresultater.\n\nVed udviklingsarbejde gives den krævede adfærd, relevante filer og begrænsninger for ændringer. Et eksempel på en anmodning er at undersøge, hvordan komponenter spiller sammen, identificere et problem i deres håndtering af et input og udarbejde et koordineret ændringsforslag. Ved frontendarbejde gives den tilsigtede interaktion og en visuel reference. Ved et dokumentspørgsmål angives beslutningen, kildematerialet og de nødvendige afsnit, så svaret har et konkret formål.\n\nUdvikleren dokumenterer ræsonnementsindsatserne minimal, low, medium og high med medium beskrevet som standard i udviklerudgaven. Svarenes udførlighed er en separat indstilling med valgene low, medium og high; medium er den dokumenterede standard, mens en eksplicit instruktion om outputtet har forrang. Denne forskel lader en opgave bede om et kortfattet resultat og stadig afsætte analyse, som passer til kompleksiteten.\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 med en vidensgrænse den 30. september 2024. Ræsonnement og synligt output deler budgettet for genererede tokens. Hold det relevante kildemateriale og succeskriterierne tilgængelige, og lad der være plads til analysen og det endelige svar frem for at fylde hele vinduet med uvedkommende kontekst.\n\nUdvikleren nævner grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Værktøjerne i det præcise modelkort omfatter billedgenerering, kodefortolkning og MCP-forbindelser. Udviklerudgaven dokumenterer også parallelle værktøjskald, synlige fremskridtsbeskeder mellem handlinger og brugerdefinerede værktøjer, som modtager almindelig tekst med valgfrie grammatikkrav. Applikationer udfører handlingerne og returnerer de faktiske resultater, som bruges i næste beslutning.\n\nDen aktuelle cachingvejledning omfatter valgfri forlænget opbevaring på op til 24 timer for GPT-5, hvor genbrug afhænger af et egnet opbevaret præfiks. Definer for selve opgaven det resultat og de belæg, som vil tælle som afslutning. En foreslået patch, struktureret analyse eller et dokument er nyttigt, når de væsentlige valg hænger sammen med de givne krav og fakta. Hold resultaterne af afsluttede kontroller adskilt fra handlinger, der stadig er forslag, så det endelige svar kan understøtte næste arbejdstrin.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Coordinate a renamed form field\n\nA signup form now sends {display_name:'Ada'}, but validate(body) checks body.name and save(body) stores body.name. The public request field must remain display_name; the database column remains name. Propose a coordinated correction in validation and storage mapping. Include cases for a valid name, whitespace only and a missing field. Keep the database schema unchanged.A coordinated two-function code proposal and a three-case validation test table.Check display_name is validated and explicitly mapped to name without changing either external contract.gpt-5GPT-5 er en ræsonneringsmodel til programmering, tekst- og billedopgaver samt agentarbejdsgange. Den understøtter konfigurerbar ræsonnering og en justerbar detaljeringsgrad i svaret og kan kombinere projekt- eller dokumentoplysninger med resultater fra applikationsværktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 er OpenAI’s ræsonnementsmodel til programmering og agentopgaver på tværs af fagområder. Den modtager tekst og billeder og producerer tekst. Udviklerudgaven skelner mellem API-ræsonnementsmodellen og chatvalget uden ræsonnement og beskriver programmeringssamarbejde, frontendarbejde, instruktionsfølgning og forløb, der forbinder en sekvens af værktøjsresultater.
Ved udviklingsarbejde gives den krævede adfærd, relevante filer og begrænsninger for ændringer. Et eksempel på en anmodning er at undersøge, hvordan komponenter spiller sammen, identificere et problem i deres håndtering af et input og udarbejde et koordineret ændringsforslag. Ved frontendarbejde gives den tilsigtede interaktion og en visuel reference. Ved et dokumentspørgsmål angives beslutningen, kildematerialet og de nødvendige afsnit, så svaret har et konkret formål.
Udvikleren dokumenterer ræsonnementsindsatserne minimal, low, medium og high med medium beskrevet som standard i udviklerudgaven. Svarenes udførlighed er en separat indstilling med valgene low, medium og high; medium er den dokumenterede standard, mens en eksplicit instruktion om outputtet har forrang. Denne forskel lader en opgave bede om et kortfattet resultat og stadig afsætte analyse, som passer til kompleksiteten.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 med en vidensgrænse den 30. september 2024. Ræsonnement og synligt output deler budgettet for genererede tokens. Hold det relevante kildemateriale og succeskriterierne tilgængelige, og lad der være plads til analysen og det endelige svar frem for at fylde hele vinduet med uvedkommende kontekst.
Udvikleren nævner grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Værktøjerne i det præcise modelkort omfatter billedgenerering, kodefortolkning og MCP-forbindelser. Udviklerudgaven dokumenterer også parallelle værktøjskald, synlige fremskridtsbeskeder mellem handlinger og brugerdefinerede værktøjer, som modtager almindelig tekst med valgfrie grammatikkrav. Applikationer udfører handlingerne og returnerer de faktiske resultater, som bruges i næste beslutning.
Den aktuelle cachingvejledning omfatter valgfri forlænget opbevaring på op til 24 timer for GPT-5, hvor genbrug afhænger af et egnet opbevaret præfiks. Definer for selve opgaven det resultat og de belæg, som vil tælle som afslutning. En foreslået patch, struktureret analyse eller et dokument er nyttigt, når de væsentlige valg hænger sammen med de givne krav og fakta. Hold resultaterne af afsluttede kontroller adskilt fra handlinger, der stadig er forslag, så det endelige svar kan understøtte næste arbejdstrin.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5 | 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 $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.00025 / 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 $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.00025 / 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","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", 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, openai/gpt-5
/chat/completions
gpt-5GPT-5 er en ræsonneringsmodel til programmering, tekst- og billedopgaver samt agentarbejdsgange. Den understøtter konfigurerbar ræsonnering og en justerbar detaljeringsgrad i svaret og kan kombinere projekt- eller dokumentoplysninger med resultater fra applikationsværktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 er OpenAI’s ræsonnementsmodel til programmering og agentopgaver på tværs af fagområder. Den modtager tekst og billeder og producerer tekst. Udviklerudgaven skelner mellem API-ræsonnementsmodellen og chatvalget uden ræsonnement og beskriver programmeringssamarbejde, frontendarbejde, instruktionsfølgning og forløb, der forbinder en sekvens af værktøjsresultater.
Ved udviklingsarbejde gives den krævede adfærd, relevante filer og begrænsninger for ændringer. Et eksempel på en anmodning er at undersøge, hvordan komponenter spiller sammen, identificere et problem i deres håndtering af et input og udarbejde et koordineret ændringsforslag. Ved frontendarbejde gives den tilsigtede interaktion og en visuel reference. Ved et dokumentspørgsmål angives beslutningen, kildematerialet og de nødvendige afsnit, så svaret har et konkret formål.
Udvikleren dokumenterer ræsonnementsindsatserne minimal, low, medium og high med medium beskrevet som standard i udviklerudgaven. Svarenes udførlighed er en separat indstilling med valgene low, medium og high; medium er den dokumenterede standard, mens en eksplicit instruktion om outputtet har forrang. Denne forskel lader en opgave bede om et kortfattet resultat og stadig afsætte analyse, som passer til kompleksiteten.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 med en vidensgrænse den 30. september 2024. Ræsonnement og synligt output deler budgettet for genererede tokens. Hold det relevante kildemateriale og succeskriterierne tilgængelige, og lad der være plads til analysen og det endelige svar frem for at fylde hele vinduet med uvedkommende kontekst.
Udvikleren nævner grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Værktøjerne i det præcise modelkort omfatter billedgenerering, kodefortolkning og MCP-forbindelser. Udviklerudgaven dokumenterer også parallelle værktøjskald, synlige fremskridtsbeskeder mellem handlinger og brugerdefinerede værktøjer, som modtager almindelig tekst med valgfrie grammatikkrav. Applikationer udfører handlingerne og returnerer de faktiske resultater, som bruges i næste beslutning.
Den aktuelle cachingvejledning omfatter valgfri forlænget opbevaring på op til 24 timer for GPT-5, hvor genbrug afhænger af et egnet opbevaret præfiks. Definer for selve opgaven det resultat og de belæg, som vil tælle som afslutning. En foreslået patch, struktureret analyse eller et dokument er nyttigt, når de væsentlige valg hænger sammen med de givne krav og fakta. Hold resultaterne af afsluttede kontroller adskilt fra handlinger, der stadig er forslag, så det endelige svar kan understøtte næste arbejdstrin.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-5 | 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 $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.00025 / 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 $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.00025 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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, openai/gpt-5
/chat/completions
openai/gpt-5GPT-5 er en ræsonneringsmodel til programmering, tekst- og billedopgaver samt agentarbejdsgange. Den understøtter konfigurerbar ræsonnering og en justerbar detaljeringsgrad i svaret og kan kombinere projekt- eller dokumentoplysninger med resultater fra applikationsværktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 er OpenAI’s ræsonnementsmodel til programmering og agentopgaver på tværs af fagområder. Den modtager tekst og billeder og producerer tekst. Udviklerudgaven skelner mellem API-ræsonnementsmodellen og chatvalget uden ræsonnement og beskriver programmeringssamarbejde, frontendarbejde, instruktionsfølgning og forløb, der forbinder en sekvens af værktøjsresultater.
Ved udviklingsarbejde gives den krævede adfærd, relevante filer og begrænsninger for ændringer. Et eksempel på en anmodning er at undersøge, hvordan komponenter spiller sammen, identificere et problem i deres håndtering af et input og udarbejde et koordineret ændringsforslag. Ved frontendarbejde gives den tilsigtede interaktion og en visuel reference. Ved et dokumentspørgsmål angives beslutningen, kildematerialet og de nødvendige afsnit, så svaret har et konkret formål.
Udvikleren dokumenterer ræsonnementsindsatserne minimal, low, medium og high med medium beskrevet som standard i udviklerudgaven. Svarenes udførlighed er en separat indstilling med valgene low, medium og high; medium er den dokumenterede standard, mens en eksplicit instruktion om outputtet har forrang. Denne forskel lader en opgave bede om et kortfattet resultat og stadig afsætte analyse, som passer til kompleksiteten.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 med en vidensgrænse den 30. september 2024. Ræsonnement og synligt output deler budgettet for genererede tokens. Hold det relevante kildemateriale og succeskriterierne tilgængelige, og lad der være plads til analysen og det endelige svar frem for at fylde hele vinduet med uvedkommende kontekst.
Udvikleren nævner grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Værktøjerne i det præcise modelkort omfatter billedgenerering, kodefortolkning og MCP-forbindelser. Udviklerudgaven dokumenterer også parallelle værktøjskald, synlige fremskridtsbeskeder mellem handlinger og brugerdefinerede værktøjer, som modtager almindelig tekst med valgfrie grammatikkrav. Applikationer udfører handlingerne og returnerer de faktiske resultater, som bruges i næste beslutning.
Den aktuelle cachingvejledning omfatter valgfri forlænget opbevaring på op til 24 timer for GPT-5, hvor genbrug afhænger af et egnet opbevaret præfiks. Definer for selve opgaven det resultat og de belæg, som vil tælle som afslutning. En foreslået patch, struktureret analyse eller et dokument er nyttigt, når de væsentlige valg hænger sammen med de givne krav og fakta. Hold resultaterne af afsluttede kontroller adskilt fra handlinger, der stadig er forslag, så det endelige svar kan understøtte næste arbejdstrin.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5 | 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 $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.00025 / 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 $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.00025 / 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", "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',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',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, openai/gpt-5
/chat/completions
openai/gpt-5GPT-5 er en ræsonneringsmodel til programmering, tekst- og billedopgaver samt agentarbejdsgange. Den understøtter konfigurerbar ræsonnering og en justerbar detaljeringsgrad i svaret og kan kombinere projekt- eller dokumentoplysninger med resultater fra applikationsværktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-5 er OpenAI’s ræsonnementsmodel til programmering og agentopgaver på tværs af fagområder. Den modtager tekst og billeder og producerer tekst. Udviklerudgaven skelner mellem API-ræsonnementsmodellen og chatvalget uden ræsonnement og beskriver programmeringssamarbejde, frontendarbejde, instruktionsfølgning og forløb, der forbinder en sekvens af værktøjsresultater.
Ved udviklingsarbejde gives den krævede adfærd, relevante filer og begrænsninger for ændringer. Et eksempel på en anmodning er at undersøge, hvordan komponenter spiller sammen, identificere et problem i deres håndtering af et input og udarbejde et koordineret ændringsforslag. Ved frontendarbejde gives den tilsigtede interaktion og en visuel reference. Ved et dokumentspørgsmål angives beslutningen, kildematerialet og de nødvendige afsnit, så svaret har et konkret formål.
Udvikleren dokumenterer ræsonnementsindsatserne minimal, low, medium og high med medium beskrevet som standard i udviklerudgaven. Svarenes udførlighed er en separat indstilling med valgene low, medium og high; medium er den dokumenterede standard, mens en eksplicit instruktion om outputtet har forrang. Denne forskel lader en opgave bede om et kortfattet resultat og stadig afsætte analyse, som passer til kompleksiteten.
OpenAI angiver et kontekstvindue på 400.000 tokens, maksimalt input på 272.000 tokens og maksimalt output på 128.000 tokens for GPT-5 med en vidensgrænse den 30. september 2024. Ræsonnement og synligt output deler budgettet for genererede tokens. Hold det relevante kildemateriale og succeskriterierne tilgængelige, og lad der være plads til analysen og det endelige svar frem for at fylde hele vinduet med uvedkommende kontekst.
Udvikleren nævner grænsefladerne Responses, Chat Completions og Batch, streaming, Structured Outputs, funktionskald, fil- og billedinput, web- og filsøgning samt promptcaching. Værktøjerne i det præcise modelkort omfatter billedgenerering, kodefortolkning og MCP-forbindelser. Udviklerudgaven dokumenterer også parallelle værktøjskald, synlige fremskridtsbeskeder mellem handlinger og brugerdefinerede værktøjer, som modtager almindelig tekst med valgfrie grammatikkrav. Applikationer udfører handlingerne og returnerer de faktiske resultater, som bruges i næste beslutning.
Den aktuelle cachingvejledning omfatter valgfri forlænget opbevaring på op til 24 timer for GPT-5, hvor genbrug afhænger af et egnet opbevaret præfiks. Definer for selve opgaven det resultat og de belæg, som vil tælle som afslutning. En foreslået patch, struktureret analyse eller et dokument er nyttigt, når de væsentlige valg hænger sammen med de givne krav og fakta. Hold resultaterne af afsluttede kontroller adskilt fra handlinger, der stadig er forslag, så det endelige svar kan understøtte næste arbejdstrin.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-5 | 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 $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.00025 / 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 $0.0025 / 1K tokens Output · Outputtokens $0.02 / 1K tokens Input · Cachelæsning $0.00025 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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, openai/gpt-5
/chat/completions
Teknisk eksempel på engelsk
Coordinate a renamed form field\n\nA signup form now sends {display_name:'Ada'}, but validate(body) checks body.name and save(body) stores body.name. The public request field must remain display_name; the database column remains name. Propose a coordinated correction in validation and storage mapping. Include cases for a valid name, whitespace only and a missing field. Keep the database schema unchanged.A coordinated two-function code proposal and a three-case validation test table.Check display_name is validated and explicitly mapped to name without changing either external contract.