GPT-6 Astra Pro betegner OpenAI’s GPT-6 Astra med Pro-ræsonnering. Grundmodellen Astra er udviklet til krævende ræsonnering, programmering, forskning, computerbrug og professionelt arbejde. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde under udarbejdelsen af det endelige svar, mens ræsonneringsindsatsen styrer mængden af analyse inden for den valgte udførelsestilstand. Pro ændrer udførelsestilstanden, mens GPT-6 Astra forbliver den underliggende model.
Producentens lancering af Astra beskriver arbejdsgange, der omsætter relevant materiale til dokumenter, regneark, præsentationer og analyser. Den fremhæver at følge skabeloner og en skriftlig eller visuel stil, mens den kontekst, der er relevant for opgaven, vælges. Til et professionelt dokument skal kildematerialet, skabelonkravene og den beslutning, som læseren skal træffe, leveres. En eksempelanmodning er at afstemme to sæt projektkrav og udarbejde et kort oplæg, der adskiller aftalte fakta, modstridende dokumentation og betingelserne for en anbefaling.
Ved teknisk arbejde eller forskningsarbejde skal målet, den dokumentation, der skal undersøges, og kriteriet for færdiggørelse angives. En programmeringsopgave kan omfatte den krævede adfærd, relaterede filer og begrænsninger; en forskningsopgave kan omfatte spørgsmålet og kriterierne for at afveje det leverede materiale. Astras dokumenterede funktioner til computerbrug og browsing forbinder modellens beslutninger med et miljø, som leverer de tilsvarende værktøjer. Miljøets faktiske output er dokumentation for næste trin og er adskilt fra modellens foreslåede handlinger.
OpenAI’s specifikation for GPT-6 Astra angiver et kontekstvindue på 1.050.000 tokens, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 30. april 2026. Valgmulighederne for ræsonneringsindsats er low, medium, high, xhigh og max; none understøttes ikke. Ræsonneringstokens og det synlige resultat optager begge kontekstplads. OpenAI dokumenterer Pro i Responses API til vanskeligt arbejde, som kan rumme yderligere ventetid og modelaktivitet; tilstand og indsats forbliver uafhængige indstillinger.
Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Funktionskald bruger producentens Responses-grænseflade. GPT-6-vejledningen beskriver også asynkront værktøjsarbejde og justering af en aktiv tur. Applikationer udfører deres egne operationer, håndterer udestående arbejde og returnerer de resulterende oplysninger; modellens eget output forbliver tekst, også når et separat værktøj skaber et andet resultat.
Lanceringen af Astra beskriver tilpasning til nye krav, mens det overordnede mål fastholdes. Den skelner også mellem defensiv kodegennemgang og rettelser på den ene side og avanceret exploit-udvikling på den anden, som modellen kan afvise, og beskriver automatiske kontroller, der kan afbryde en opgave. Forbered en anmodning ud fra det ønskede resultat, tilladt arbejde og dokumentation frem for at behandle ekstra ræsonnering som en erstatning for manglende kildemateriale. Et nyttigt endeligt resultat angiver konklusionen eller den foreslåede ændring, dens grundlag i de leverede oplysninger og ethvert spørgsmål, som ville ændre beslutningen væsentligt.
", "aboutText": "GPT-6 Astra Pro betegner OpenAI’s GPT-6 Astra med Pro-ræsonnering. Grundmodellen Astra er udviklet til krævende ræsonnering, programmering, forskning, computerbrug og professionelt arbejde. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde under udarbejdelsen af det endelige svar, mens ræsonneringsindsatsen styrer mængden af analyse inden for den valgte udførelsestilstand. Pro ændrer udførelsestilstanden, mens GPT-6 Astra forbliver den underliggende model.\n\nProducentens lancering af Astra beskriver arbejdsgange, der omsætter relevant materiale til dokumenter, regneark, præsentationer og analyser. Den fremhæver at følge skabeloner og en skriftlig eller visuel stil, mens den kontekst, der er relevant for opgaven, vælges. Til et professionelt dokument skal kildematerialet, skabelonkravene og den beslutning, som læseren skal træffe, leveres. En eksempelanmodning er at afstemme to sæt projektkrav og udarbejde et kort oplæg, der adskiller aftalte fakta, modstridende dokumentation og betingelserne for en anbefaling.\n\nVed teknisk arbejde eller forskningsarbejde skal målet, den dokumentation, der skal undersøges, og kriteriet for færdiggørelse angives. En programmeringsopgave kan omfatte den krævede adfærd, relaterede filer og begrænsninger; en forskningsopgave kan omfatte spørgsmålet og kriterierne for at afveje det leverede materiale. Astras dokumenterede funktioner til computerbrug og browsing forbinder modellens beslutninger med et miljø, som leverer de tilsvarende værktøjer. Miljøets faktiske output er dokumentation for næste trin og er adskilt fra modellens foreslåede handlinger.\n\nOpenAI’s specifikation for GPT-6 Astra angiver et kontekstvindue på 1.050.000 tokens, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 30. april 2026. Valgmulighederne for ræsonneringsindsats er low, medium, high, xhigh og max; none understøttes ikke. Ræsonneringstokens og det synlige resultat optager begge kontekstplads. OpenAI dokumenterer Pro i Responses API til vanskeligt arbejde, som kan rumme yderligere ventetid og modelaktivitet; tilstand og indsats forbliver uafhængige indstillinger.\n\nGrundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Funktionskald bruger producentens Responses-grænseflade. GPT-6-vejledningen beskriver også asynkront værktøjsarbejde og justering af en aktiv tur. Applikationer udfører deres egne operationer, håndterer udestående arbejde og returnerer de resulterende oplysninger; modellens eget output forbliver tekst, også når et separat værktøj skaber et andet resultat.\n\nLanceringen af Astra beskriver tilpasning til nye krav, mens det overordnede mål fastholdes. Den skelner også mellem defensiv kodegennemgang og rettelser på den ene side og avanceret exploit-udvikling på den anden, som modellen kan afvise, og beskriver automatiske kontroller, der kan afbryde en opgave. Forbered en anmodning ud fra det ønskede resultat, tilladt arbejde og dokumentation frem for at behandle ekstra ræsonnering som en erstatning for manglende kildemateriale. Et nyttigt endeligt resultat angiver konklusionen eller den foreslåede ændring, dens grundlag i de leverede oplysninger og ethvert spørgsmål, som ville ændre beslutningen væsentligt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile conflicting launch requirements\n\nWrite a decision brief using this template: Decision needed; Agreed facts; Conflict; Recommendation conditions. Product requirement P1 says launch must include CSV export. Security requirement S1 prohibits exporting customer email addresses. Current design D1 exports name and email only. Reconcile the requirements, propose a compliant export scope and list the decision still needed about useful fields.A brief under the four supplied headings, with P1, S1 and D1 references beside relevant findings.Check that the proposed scope preserves an export feature while excluding emails and does not invent an approved field list.openai/gpt-6-astra-proGPT-6 Astra med Pro-ræsonnering til krævende forskning, programmering og professionelt arbejde. Pro tilføjer modelarbejde før det endelige svar; grundmodellen accepterer tekst og billeder og understøtter arbejde i flere trin i et miljø med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-6 Astra Pro betegner OpenAI’s GPT-6 Astra med Pro-ræsonnering. Grundmodellen Astra er udviklet til krævende ræsonnering, programmering, forskning, computerbrug og professionelt arbejde. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde under udarbejdelsen af det endelige svar, mens ræsonneringsindsatsen styrer mængden af analyse inden for den valgte udførelsestilstand. Pro ændrer udførelsestilstanden, mens GPT-6 Astra forbliver den underliggende model.
Producentens lancering af Astra beskriver arbejdsgange, der omsætter relevant materiale til dokumenter, regneark, præsentationer og analyser. Den fremhæver at følge skabeloner og en skriftlig eller visuel stil, mens den kontekst, der er relevant for opgaven, vælges. Til et professionelt dokument skal kildematerialet, skabelonkravene og den beslutning, som læseren skal træffe, leveres. En eksempelanmodning er at afstemme to sæt projektkrav og udarbejde et kort oplæg, der adskiller aftalte fakta, modstridende dokumentation og betingelserne for en anbefaling.
Ved teknisk arbejde eller forskningsarbejde skal målet, den dokumentation, der skal undersøges, og kriteriet for færdiggørelse angives. En programmeringsopgave kan omfatte den krævede adfærd, relaterede filer og begrænsninger; en forskningsopgave kan omfatte spørgsmålet og kriterierne for at afveje det leverede materiale. Astras dokumenterede funktioner til computerbrug og browsing forbinder modellens beslutninger med et miljø, som leverer de tilsvarende værktøjer. Miljøets faktiske output er dokumentation for næste trin og er adskilt fra modellens foreslåede handlinger.
OpenAI’s specifikation for GPT-6 Astra angiver et kontekstvindue på 1.050.000 tokens, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 30. april 2026. Valgmulighederne for ræsonneringsindsats er low, medium, high, xhigh og max; none understøttes ikke. Ræsonneringstokens og det synlige resultat optager begge kontekstplads. OpenAI dokumenterer Pro i Responses API til vanskeligt arbejde, som kan rumme yderligere ventetid og modelaktivitet; tilstand og indsats forbliver uafhængige indstillinger.
Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Funktionskald bruger producentens Responses-grænseflade. GPT-6-vejledningen beskriver også asynkront værktøjsarbejde og justering af en aktiv tur. Applikationer udfører deres egne operationer, håndterer udestående arbejde og returnerer de resulterende oplysninger; modellens eget output forbliver tekst, også når et separat værktøj skaber et andet resultat.
Lanceringen af Astra beskriver tilpasning til nye krav, mens det overordnede mål fastholdes. Den skelner også mellem defensiv kodegennemgang og rettelser på den ene side og avanceret exploit-udvikling på den anden, som modellen kan afvise, og beskriver automatiske kontroller, der kan afbryde en opgave. Forbered en anmodning ud fra det ønskede resultat, tilladt arbejde og dokumentation frem for at behandle ekstra ræsonnering som en erstatning for manglende kildemateriale. Et nyttigt endeligt resultat angiver konklusionen eller den foreslåede ændring, dens grundlag i de leverede oplysninger og ethvert spørgsmål, som ville ændre beslutningen væsentligt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-6-astra-pro | 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 $0.02 / 1K tokens Output · Outputtokens $0.1 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.1 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.04 / 1K tokens Output · Outputtokens $0.15 / 1K tokens Input · Cachelæsning $0.004 / 1K tokens Input · Cacheskrivning $0.05 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-6-astra-pro", "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-6-astra-pro',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-6-astra-pro',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 openai/gpt-6-astra-pro
Brug metodestierne vist ovenfor.
openai/gpt-6-astra-proGPT-6 Astra med Pro-ræsonnering til krævende forskning, programmering og professionelt arbejde. Pro tilføjer modelarbejde før det endelige svar; grundmodellen accepterer tekst og billeder og understøtter arbejde i flere trin i et miljø med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-6 Astra Pro betegner OpenAI’s GPT-6 Astra med Pro-ræsonnering. Grundmodellen Astra er udviklet til krævende ræsonnering, programmering, forskning, computerbrug og professionelt arbejde. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde under udarbejdelsen af det endelige svar, mens ræsonneringsindsatsen styrer mængden af analyse inden for den valgte udførelsestilstand. Pro ændrer udførelsestilstanden, mens GPT-6 Astra forbliver den underliggende model.
Producentens lancering af Astra beskriver arbejdsgange, der omsætter relevant materiale til dokumenter, regneark, præsentationer og analyser. Den fremhæver at følge skabeloner og en skriftlig eller visuel stil, mens den kontekst, der er relevant for opgaven, vælges. Til et professionelt dokument skal kildematerialet, skabelonkravene og den beslutning, som læseren skal træffe, leveres. En eksempelanmodning er at afstemme to sæt projektkrav og udarbejde et kort oplæg, der adskiller aftalte fakta, modstridende dokumentation og betingelserne for en anbefaling.
Ved teknisk arbejde eller forskningsarbejde skal målet, den dokumentation, der skal undersøges, og kriteriet for færdiggørelse angives. En programmeringsopgave kan omfatte den krævede adfærd, relaterede filer og begrænsninger; en forskningsopgave kan omfatte spørgsmålet og kriterierne for at afveje det leverede materiale. Astras dokumenterede funktioner til computerbrug og browsing forbinder modellens beslutninger med et miljø, som leverer de tilsvarende værktøjer. Miljøets faktiske output er dokumentation for næste trin og er adskilt fra modellens foreslåede handlinger.
OpenAI’s specifikation for GPT-6 Astra angiver et kontekstvindue på 1.050.000 tokens, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 30. april 2026. Valgmulighederne for ræsonneringsindsats er low, medium, high, xhigh og max; none understøttes ikke. Ræsonneringstokens og det synlige resultat optager begge kontekstplads. OpenAI dokumenterer Pro i Responses API til vanskeligt arbejde, som kan rumme yderligere ventetid og modelaktivitet; tilstand og indsats forbliver uafhængige indstillinger.
Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Funktionskald bruger producentens Responses-grænseflade. GPT-6-vejledningen beskriver også asynkront værktøjsarbejde og justering af en aktiv tur. Applikationer udfører deres egne operationer, håndterer udestående arbejde og returnerer de resulterende oplysninger; modellens eget output forbliver tekst, også når et separat værktøj skaber et andet resultat.
Lanceringen af Astra beskriver tilpasning til nye krav, mens det overordnede mål fastholdes. Den skelner også mellem defensiv kodegennemgang og rettelser på den ene side og avanceret exploit-udvikling på den anden, som modellen kan afvise, og beskriver automatiske kontroller, der kan afbryde en opgave. Forbered en anmodning ud fra det ønskede resultat, tilladt arbejde og dokumentation frem for at behandle ekstra ræsonnering som en erstatning for manglende kildemateriale. Et nyttigt endeligt resultat angiver konklusionen eller den foreslåede ændring, dens grundlag i de leverede oplysninger og ethvert spørgsmål, som ville ændre beslutningen væsentligt.
POST /v1/messagestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-6-astra-pro | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser Minimum: 1 Grænsen gælder for: den præcise øvre grænse for valgt model/modelkort | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typetool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].name | Typestring | KravValgfrit | Værdier og grænser Gælder når: værktøj angivet | Standard— |
Felttools[].description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltthinking.type | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmetadata | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
Feltcache_control | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller en blok med type=text
Tekst + billede
{type:image,source:{type:base64,media_type,data}} eller kilde med type=url
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: exact retained published method
Send det præcise model-ID og de påkrævede felter.
Behold hvert returneret element og dets oprindelige identifikatorer.
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 $0.02 / 1K tokens Output · Outputtokens $0.1 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.1 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.04 / 1K tokens Output · Outputtokens $0.15 / 1K tokens Input · Cachelæsning $0.004 / 1K tokens Input · Cacheskrivning $0.05 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-6-astra-pro",\n "max_tokens": 4096,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ]\n}set -eu\n: "${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-6-astra-pro', 'max_tokens': 4096, '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-6-astra-pro', 'max_tokens': 4096, '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 openai/gpt-6-astra-pro
Brug metodestierne vist ovenfor.
openai/gpt-6-astra-proGPT-6 Astra med Pro-ræsonnering til krævende forskning, programmering og professionelt arbejde. Pro tilføjer modelarbejde før det endelige svar; grundmodellen accepterer tekst og billeder og understøtter arbejde i flere trin i et miljø med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-6 Astra Pro betegner OpenAI’s GPT-6 Astra med Pro-ræsonnering. Grundmodellen Astra er udviklet til krævende ræsonnering, programmering, forskning, computerbrug og professionelt arbejde. Den accepterer tekst og billeder og producerer tekst. Pro tilføjer modelarbejde under udarbejdelsen af det endelige svar, mens ræsonneringsindsatsen styrer mængden af analyse inden for den valgte udførelsestilstand. Pro ændrer udførelsestilstanden, mens GPT-6 Astra forbliver den underliggende model.
Producentens lancering af Astra beskriver arbejdsgange, der omsætter relevant materiale til dokumenter, regneark, præsentationer og analyser. Den fremhæver at følge skabeloner og en skriftlig eller visuel stil, mens den kontekst, der er relevant for opgaven, vælges. Til et professionelt dokument skal kildematerialet, skabelonkravene og den beslutning, som læseren skal træffe, leveres. En eksempelanmodning er at afstemme to sæt projektkrav og udarbejde et kort oplæg, der adskiller aftalte fakta, modstridende dokumentation og betingelserne for en anbefaling.
Ved teknisk arbejde eller forskningsarbejde skal målet, den dokumentation, der skal undersøges, og kriteriet for færdiggørelse angives. En programmeringsopgave kan omfatte den krævede adfærd, relaterede filer og begrænsninger; en forskningsopgave kan omfatte spørgsmålet og kriterierne for at afveje det leverede materiale. Astras dokumenterede funktioner til computerbrug og browsing forbinder modellens beslutninger med et miljø, som leverer de tilsvarende værktøjer. Miljøets faktiske output er dokumentation for næste trin og er adskilt fra modellens foreslåede handlinger.
OpenAI’s specifikation for GPT-6 Astra angiver et kontekstvindue på 1.050.000 tokens, et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens med en vidensgrænse den 30. april 2026. Valgmulighederne for ræsonneringsindsats er low, medium, high, xhigh og max; none understøttes ikke. Ræsonneringstokens og det synlige resultat optager begge kontekstplads. OpenAI dokumenterer Pro i Responses API til vanskeligt arbejde, som kan rumme yderligere ventetid og modelaktivitet; tilstand og indsats forbliver uafhængige indstillinger.
Grundmodellen angiver streaming, Structured Outputs, funktionskald, web- og filsøgning, værktøjer til billedgenerering, kodefortolkning, hostede shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Funktionskald bruger producentens Responses-grænseflade. GPT-6-vejledningen beskriver også asynkront værktøjsarbejde og justering af en aktiv tur. Applikationer udfører deres egne operationer, håndterer udestående arbejde og returnerer de resulterende oplysninger; modellens eget output forbliver tekst, også når et separat værktøj skaber et andet resultat.
Lanceringen af Astra beskriver tilpasning til nye krav, mens det overordnede mål fastholdes. Den skelner også mellem defensiv kodegennemgang og rettelser på den ene side og avanceret exploit-udvikling på den anden, som modellen kan afvise, og beskriver automatiske kontroller, der kan afbryde en opgave. Forbered en anmodning ud fra det ønskede resultat, tilladt arbejde og dokumentation frem for at behandle ekstra ræsonnering som en erstatning for manglende kildemateriale. Et nyttigt endeligt resultat angiver konklusionen eller den foreslåede ændring, dens grundlag i de leverede oplysninger og ethvert spørgsmål, som ville ændre beslutningen væsentligt.
POST /v1/responsestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-6-astra-pro | Standard— |
Feltinput | Typestring|input_item[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltinput[].type | Typestring | KravValgfrit | Værdier og grænser message, reasoning, function_call, function_call_output | Standard— |
Feltinput[].content | Typestring|content_part[] | KravValgfrit | Værdier og grænser | Standard— |
Feltinput[].call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: function_call_output; bevar det faktisk returnerede call_id | Standard— |
Feltinput[].output | Typestring|content_part[] | KravValgfrit | Værdier og grænser Gælder når: function_call_output | Standard— |
Feltmax_output_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typetool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | 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— |
Feltreasoning.effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning.summary | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttext.format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttext.verbosity | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinclude | Typestring[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstore | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprevious_response_id | Typestring | KravIkke understøttet | Værdier og grænser ID-krav: Kun et faktisk svar-ID fra en understøttet fortsættelse Betingelser: Send den faktiske samtalehistorik med hver forespørgsel. | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_key | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Tekst · UTF8-tekst
inputtekst eller en input_text-del
Tekst + billede
{type:input_image,image_url}
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktmodel, input |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: exact retained published method
Send det præcise model-ID og de påkrævede felter.
Behold hvert returneret element og dets oprindelige identifikatorer.
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 $0.02 / 1K tokens Output · Outputtokens $0.1 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.1 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning $0.025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.04 / 1K tokens Output · Outputtokens $0.15 / 1K tokens Input · Cachelæsning $0.004 / 1K tokens Input · Cacheskrivning $0.05 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-6-astra-pro",\n "input": [\n {\n "content": "Hello, how are you?",\n "role": "user",\n "type": "message"\n }\n ]\n}set -eu\n: "${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-6-astra-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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/responses \\\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\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-6-astra-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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 = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/responses', 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 hvert outputelement og hver indholdsdel, faktisk call_id for funktioner, krypteret ræsonnement og forbrugsoplysninger. Bevar ved streaming den fulde hændelses-/elementidentitet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltstatus | Typestring |
Feltoutput[] | Typemessage|reasoning|function_call|other item |
Feltoutput[].content[] | Typecontent part |
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 openai/gpt-6-astra-pro
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reconcile conflicting launch requirements\n\nWrite a decision brief using this template: Decision needed; Agreed facts; Conflict; Recommendation conditions. Product requirement P1 says launch must include CSV export. Security requirement S1 prohibits exporting customer email addresses. Current design D1 exports name and email only. Reconcile the requirements, propose a compliant export scope and list the decision still needed about useful fields.A brief under the four supplied headings, with P1, S1 and D1 references beside relevant findings.Check that the proposed scope preserves an export feature while excluding emails and does not invent an approved field list.