GPT-6 Luna Pro betegner OpenAI’s GPT-6 Luna med Pro-ræsonnering. Luna er udformet til fokuserede opgaver og store opgavemængder; dens input er tekst og billeder, og dens output er tekst. Pro tilføjer modelarbejde under udviklingen af det endelige svar. Det er en eksekveringstilstand anvendt på den valgte basismodel, adskilt fra ræsonneringsindstillingen, som styrer mængden af analyse inden for tilstanden.
En praktisk anvendelse er behandling af en snævert defineret anmodning med flere regler eller undtagelser. Lever anmodningen, de kategorier, den kan tilhøre, og de oplysninger, der bestemmer næste handling. Bed om kategorien, de relevante fakta og et kort svarforslag. En eksempelopgave er at klassificere en dokumentanmodning, identificere et manglende felt og udarbejde en besked, der efterspørger feltet. Opgaven forbliver fokuseret, selv når dens betingelser kræver omhyggelig overvejelse.
Ved et billedbaseret spørgsmål skal et tydeligt skærmbillede eller andet visuelt materiale leveres, og den detalje, der skal undersøges, angives. Der kan anmodes om en forklaring af en synlig grænsefladetilstand sammen med en kort instruktion til læseren. Ved skriftligt materiale skal de felter eller udsagn, der skal bevares gennem omformningen, de tilladte kategorier og det forventede svarformat defineres. Et lille sæt repræsentative eksempler kan tydeliggøre grænsen mellem lignende kategorier, uden at modellen selv skal udlede reglerne.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-6 Luna med et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens. Den dokumenterede vidensgrænse er den 18. maj 2026. Basismodellen understøtter ræsonneringsindsatserne none, low, medium, high, xhigh og max med medium som standard. Ræsonnering optager tokenplads sammen med det endelige svar, så opgavebeskrivelsen og det leverede materiale skal give plads til analyse og det ønskede resultat.
Producenten dokumenterer Pro i Responses API til vanskelige anmodninger, der tillader ekstra ventetid og modelaktivitet. GPT-6 Lunas indbyggede værktøjer og ræsonnering med funktionskald bruger Responses; i producentens Chat Completions-grænseflade understøttes funktionskald kun med ræsonneringsindsatsen none. Basismodellen angiver streaming, Structured Outputs, web- og filsøgning, funktionskald og promptcaching. Dens værktøjssæt omfatter også billedgenerering, kodefortolkning, shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Applikationen bestemmer og udfører de operationer, den stiller til rådighed.
Brug en præcis outputkontrakt til den endelige opgave: beslutningen, de understøttende felter og eventuelle fortsat manglende oplysninger. Bed for eksempel om én kategori, en kort begrundelse knyttet til den leverede regel og det næste spørgsmål til læseren. Gennemgå resultatet mod reglerne frem for at tilføje en ubegrænset diskussion. Denne arbejdsgang bruger Lunas fokuserede opgaverolle og reserverer Pros ekstra arbejde til en anmodning, hvis afhængigheder eller undtagelser kræver en grundigere undersøgelse.
", "aboutText": "GPT-6 Luna Pro betegner OpenAI’s GPT-6 Luna med Pro-ræsonnering. Luna er udformet til fokuserede opgaver og store opgavemængder; dens input er tekst og billeder, og dens output er tekst. Pro tilføjer modelarbejde under udviklingen af det endelige svar. Det er en eksekveringstilstand anvendt på den valgte basismodel, adskilt fra ræsonneringsindstillingen, som styrer mængden af analyse inden for tilstanden.\n\nEn praktisk anvendelse er behandling af en snævert defineret anmodning med flere regler eller undtagelser. Lever anmodningen, de kategorier, den kan tilhøre, og de oplysninger, der bestemmer næste handling. Bed om kategorien, de relevante fakta og et kort svarforslag. En eksempelopgave er at klassificere en dokumentanmodning, identificere et manglende felt og udarbejde en besked, der efterspørger feltet. Opgaven forbliver fokuseret, selv når dens betingelser kræver omhyggelig overvejelse.\n\nVed et billedbaseret spørgsmål skal et tydeligt skærmbillede eller andet visuelt materiale leveres, og den detalje, der skal undersøges, angives. Der kan anmodes om en forklaring af en synlig grænsefladetilstand sammen med en kort instruktion til læseren. Ved skriftligt materiale skal de felter eller udsagn, der skal bevares gennem omformningen, de tilladte kategorier og det forventede svarformat defineres. Et lille sæt repræsentative eksempler kan tydeliggøre grænsen mellem lignende kategorier, uden at modellen selv skal udlede reglerne.\n\nOpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-6 Luna med et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens. Den dokumenterede vidensgrænse er den 18. maj 2026. Basismodellen understøtter ræsonneringsindsatserne none, low, medium, high, xhigh og max med medium som standard. Ræsonnering optager tokenplads sammen med det endelige svar, så opgavebeskrivelsen og det leverede materiale skal give plads til analyse og det ønskede resultat.\n\nProducenten dokumenterer Pro i Responses API til vanskelige anmodninger, der tillader ekstra ventetid og modelaktivitet. GPT-6 Lunas indbyggede værktøjer og ræsonnering med funktionskald bruger Responses; i producentens Chat Completions-grænseflade understøttes funktionskald kun med ræsonneringsindsatsen none. Basismodellen angiver streaming, Structured Outputs, web- og filsøgning, funktionskald og promptcaching. Dens værktøjssæt omfatter også billedgenerering, kodefortolkning, shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Applikationen bestemmer og udfører de operationer, den stiller til rådighed.\n\nBrug en præcis outputkontrakt til den endelige opgave: beslutningen, de understøttende felter og eventuelle fortsat manglende oplysninger. Bed for eksempel om én kategori, en kort begrundelse knyttet til den leverede regel og det næste spørgsmål til læseren. Gennemgå resultatet mod reglerne frem for at tilføje en ubegrænset diskussion. Denne arbejdsgang bruger Lunas fokuserede opgaverolle og reserverer Pros ekstra arbejde til en anmodning, hvis afhængigheder eller undtagelser kræver en grundigere undersøgelse.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Find missing request details\n\nProcess this equipment request using the supplied rules. Every request needs item, quantity and delivery site. Urgent requests also need a reason. Message: "Urgent: please send 4 replacement keyboards." Return the supplied fields, missing required fields and a brief reply asking only for the missing details. Do not invent a site or urgency reason.A compact field table, missing-field list and targeted clarification message.Check that quantity four and keyboards are retained, while delivery site and urgent reason stay missing.openai/gpt-6-luna-proGPT-6 Luna med Pro-ræsonnering til fokuserede opgaver, der kræver ekstra analyse før et endeligt svar. Basismodellen modtager tekst og billeder, så den er nyttig til regelbaseret dokumentbehandling, visuelle spørgsmål og kortfattede skriftlige resultater.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-6 Luna Pro betegner OpenAI’s GPT-6 Luna med Pro-ræsonnering. Luna er udformet til fokuserede opgaver og store opgavemængder; dens input er tekst og billeder, og dens output er tekst. Pro tilføjer modelarbejde under udviklingen af det endelige svar. Det er en eksekveringstilstand anvendt på den valgte basismodel, adskilt fra ræsonneringsindstillingen, som styrer mængden af analyse inden for tilstanden.
En praktisk anvendelse er behandling af en snævert defineret anmodning med flere regler eller undtagelser. Lever anmodningen, de kategorier, den kan tilhøre, og de oplysninger, der bestemmer næste handling. Bed om kategorien, de relevante fakta og et kort svarforslag. En eksempelopgave er at klassificere en dokumentanmodning, identificere et manglende felt og udarbejde en besked, der efterspørger feltet. Opgaven forbliver fokuseret, selv når dens betingelser kræver omhyggelig overvejelse.
Ved et billedbaseret spørgsmål skal et tydeligt skærmbillede eller andet visuelt materiale leveres, og den detalje, der skal undersøges, angives. Der kan anmodes om en forklaring af en synlig grænsefladetilstand sammen med en kort instruktion til læseren. Ved skriftligt materiale skal de felter eller udsagn, der skal bevares gennem omformningen, de tilladte kategorier og det forventede svarformat defineres. Et lille sæt repræsentative eksempler kan tydeliggøre grænsen mellem lignende kategorier, uden at modellen selv skal udlede reglerne.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-6 Luna med et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens. Den dokumenterede vidensgrænse er den 18. maj 2026. Basismodellen understøtter ræsonneringsindsatserne none, low, medium, high, xhigh og max med medium som standard. Ræsonnering optager tokenplads sammen med det endelige svar, så opgavebeskrivelsen og det leverede materiale skal give plads til analyse og det ønskede resultat.
Producenten dokumenterer Pro i Responses API til vanskelige anmodninger, der tillader ekstra ventetid og modelaktivitet. GPT-6 Lunas indbyggede værktøjer og ræsonnering med funktionskald bruger Responses; i producentens Chat Completions-grænseflade understøttes funktionskald kun med ræsonneringsindsatsen none. Basismodellen angiver streaming, Structured Outputs, web- og filsøgning, funktionskald og promptcaching. Dens værktøjssæt omfatter også billedgenerering, kodefortolkning, shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Applikationen bestemmer og udfører de operationer, den stiller til rådighed.
Brug en præcis outputkontrakt til den endelige opgave: beslutningen, de understøttende felter og eventuelle fortsat manglende oplysninger. Bed for eksempel om én kategori, en kort begrundelse knyttet til den leverede regel og det næste spørgsmål til læseren. Gennemgå resultatet mod reglerne frem for at tilføje en ubegrænset diskussion. Denne arbejdsgang bruger Lunas fokuserede opgaverolle og reserverer Pros ekstra arbejde til en anmodning, hvis afhængigheder eller undtagelser kræver en grundigere undersøgelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-6-luna-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 $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 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 $0.0004 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-luna-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-luna-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-luna-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-luna-pro
Brug metodestierne vist ovenfor.
openai/gpt-6-luna-proGPT-6 Luna med Pro-ræsonnering til fokuserede opgaver, der kræver ekstra analyse før et endeligt svar. Basismodellen modtager tekst og billeder, så den er nyttig til regelbaseret dokumentbehandling, visuelle spørgsmål og kortfattede skriftlige resultater.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-6 Luna Pro betegner OpenAI’s GPT-6 Luna med Pro-ræsonnering. Luna er udformet til fokuserede opgaver og store opgavemængder; dens input er tekst og billeder, og dens output er tekst. Pro tilføjer modelarbejde under udviklingen af det endelige svar. Det er en eksekveringstilstand anvendt på den valgte basismodel, adskilt fra ræsonneringsindstillingen, som styrer mængden af analyse inden for tilstanden.
En praktisk anvendelse er behandling af en snævert defineret anmodning med flere regler eller undtagelser. Lever anmodningen, de kategorier, den kan tilhøre, og de oplysninger, der bestemmer næste handling. Bed om kategorien, de relevante fakta og et kort svarforslag. En eksempelopgave er at klassificere en dokumentanmodning, identificere et manglende felt og udarbejde en besked, der efterspørger feltet. Opgaven forbliver fokuseret, selv når dens betingelser kræver omhyggelig overvejelse.
Ved et billedbaseret spørgsmål skal et tydeligt skærmbillede eller andet visuelt materiale leveres, og den detalje, der skal undersøges, angives. Der kan anmodes om en forklaring af en synlig grænsefladetilstand sammen med en kort instruktion til læseren. Ved skriftligt materiale skal de felter eller udsagn, der skal bevares gennem omformningen, de tilladte kategorier og det forventede svarformat defineres. Et lille sæt repræsentative eksempler kan tydeliggøre grænsen mellem lignende kategorier, uden at modellen selv skal udlede reglerne.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-6 Luna med et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens. Den dokumenterede vidensgrænse er den 18. maj 2026. Basismodellen understøtter ræsonneringsindsatserne none, low, medium, high, xhigh og max med medium som standard. Ræsonnering optager tokenplads sammen med det endelige svar, så opgavebeskrivelsen og det leverede materiale skal give plads til analyse og det ønskede resultat.
Producenten dokumenterer Pro i Responses API til vanskelige anmodninger, der tillader ekstra ventetid og modelaktivitet. GPT-6 Lunas indbyggede værktøjer og ræsonnering med funktionskald bruger Responses; i producentens Chat Completions-grænseflade understøttes funktionskald kun med ræsonneringsindsatsen none. Basismodellen angiver streaming, Structured Outputs, web- og filsøgning, funktionskald og promptcaching. Dens værktøjssæt omfatter også billedgenerering, kodefortolkning, shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Applikationen bestemmer og udfører de operationer, den stiller til rådighed.
Brug en præcis outputkontrakt til den endelige opgave: beslutningen, de understøttende felter og eventuelle fortsat manglende oplysninger. Bed for eksempel om én kategori, en kort begrundelse knyttet til den leverede regel og det næste spørgsmål til læseren. Gennemgå resultatet mod reglerne frem for at tilføje en ubegrænset diskussion. Denne arbejdsgang bruger Lunas fokuserede opgaverolle og reserverer Pros ekstra arbejde til en anmodning, hvis afhængigheder eller undtagelser kræver en grundigere undersøgelse.
POST /v1/messagestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-6-luna-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 $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 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 $0.0004 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-6-luna-pro",\n "max_tokens": 4096,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ]\n}set -eu\n: "${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-luna-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-luna-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-luna-pro
Brug metodestierne vist ovenfor.
openai/gpt-6-luna-proGPT-6 Luna med Pro-ræsonnering til fokuserede opgaver, der kræver ekstra analyse før et endeligt svar. Basismodellen modtager tekst og billeder, så den er nyttig til regelbaseret dokumentbehandling, visuelle spørgsmål og kortfattede skriftlige resultater.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GPT-6 Luna Pro betegner OpenAI’s GPT-6 Luna med Pro-ræsonnering. Luna er udformet til fokuserede opgaver og store opgavemængder; dens input er tekst og billeder, og dens output er tekst. Pro tilføjer modelarbejde under udviklingen af det endelige svar. Det er en eksekveringstilstand anvendt på den valgte basismodel, adskilt fra ræsonneringsindstillingen, som styrer mængden af analyse inden for tilstanden.
En praktisk anvendelse er behandling af en snævert defineret anmodning med flere regler eller undtagelser. Lever anmodningen, de kategorier, den kan tilhøre, og de oplysninger, der bestemmer næste handling. Bed om kategorien, de relevante fakta og et kort svarforslag. En eksempelopgave er at klassificere en dokumentanmodning, identificere et manglende felt og udarbejde en besked, der efterspørger feltet. Opgaven forbliver fokuseret, selv når dens betingelser kræver omhyggelig overvejelse.
Ved et billedbaseret spørgsmål skal et tydeligt skærmbillede eller andet visuelt materiale leveres, og den detalje, der skal undersøges, angives. Der kan anmodes om en forklaring af en synlig grænsefladetilstand sammen med en kort instruktion til læseren. Ved skriftligt materiale skal de felter eller udsagn, der skal bevares gennem omformningen, de tilladte kategorier og det forventede svarformat defineres. Et lille sæt repræsentative eksempler kan tydeliggøre grænsen mellem lignende kategorier, uden at modellen selv skal udlede reglerne.
OpenAI angiver et kontekstvindue på 1.050.000 tokens for GPT-6 Luna med et maksimalt input på 922.000 tokens og et maksimalt output på 128.000 tokens. Den dokumenterede vidensgrænse er den 18. maj 2026. Basismodellen understøtter ræsonneringsindsatserne none, low, medium, high, xhigh og max med medium som standard. Ræsonnering optager tokenplads sammen med det endelige svar, så opgavebeskrivelsen og det leverede materiale skal give plads til analyse og det ønskede resultat.
Producenten dokumenterer Pro i Responses API til vanskelige anmodninger, der tillader ekstra ventetid og modelaktivitet. GPT-6 Lunas indbyggede værktøjer og ræsonnering med funktionskald bruger Responses; i producentens Chat Completions-grænseflade understøttes funktionskald kun med ræsonneringsindsatsen none. Basismodellen angiver streaming, Structured Outputs, web- og filsøgning, funktionskald og promptcaching. Dens værktøjssæt omfatter også billedgenerering, kodefortolkning, shell- og patchoperationer, skills, computerbrug, MCP-forbindelser og værktøjssøgning. Applikationen bestemmer og udfører de operationer, den stiller til rådighed.
Brug en præcis outputkontrakt til den endelige opgave: beslutningen, de understøttende felter og eventuelle fortsat manglende oplysninger. Bed for eksempel om én kategori, en kort begrundelse knyttet til den leverede regel og det næste spørgsmål til læseren. Gennemgå resultatet mod reglerne frem for at tilføje en ubegrænset diskussion. Denne arbejdsgang bruger Lunas fokuserede opgaverolle og reserverer Pros ekstra arbejde til en anmodning, hvis afhængigheder eller undtagelser kræver en grundigere undersøgelse.
POST /v1/responsestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-6-luna-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 $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 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 $0.0004 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning $0.0005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-6-luna-pro",\n "input": [\n {\n "content": "Hello, how are you?",\n "role": "user",\n "type": "message"\n }\n ]\n}set -eu\n: "${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-luna-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-luna-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-luna-pro
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Find missing request details\n\nProcess this equipment request using the supplied rules. Every request needs item, quantity and delivery site. Urgent requests also need a reason. Message: "Urgent: please send 4 replacement keyboards." Return the supplied fields, missing required fields and a brief reply asking only for the missing details. Do not invent a site or urgency reason.A compact field table, missing-field list and targeted clarification message.Check that quantity four and keyboards are retained, while delivery site and urgent reason stay missing.