gpt-oss-120b er OpenAI’s større sprogmodel med åbne vægte til generel ræsonnering, programmering og agentarbejde. Den modtager og producerer tekst. Producenten offentliggør 117 milliarder parametre i alt med 5,1 milliarder aktive parametre pr. token i en mixture-of-experts-arkitektur. Det er familiens 120b-udgave, adskilt fra gpt-oss-20b og de specialiserede Safeguard-modeller.
Udgivelsen beskriver et overvejende engelsksproget, rent tekstbaseret træningsdatasæt med fokus på STEM, programmering og almen viden. En eksempelopgave er at analysere en algoritme ud fra dens kode og angivne betingelser: forklar de væsentlige relationer, sammenlign mulige tilgange, og udarbejd et konkret implementeringsforslag. Ved en dokumentbeslutning skal materialet og kriterierne leveres, hvorefter der anmodes om en konklusion knyttet til den leverede dokumentation.
OpenAI’s offentliggjorte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter pr. token. Den oprindelige udgivelse bruger MXFP4 til mixture-of-experts-vægtene og beskriver modellen som kørende på én GPU med 80 GB. OpenAI udgiver vægtene under Apache 2.0 og understøtter finjustering til specialiserede anvendelser. Det er egenskaber ved producentens offentliggjorte model og format frem for en beskrivelse af en applikations konkrete installation.
Modeldokumentationen angiver et kontekstvindue på 131.072 tokens og et maksimalt genereret output på 131.072 tokens med en vidensgrænse den 1. juni 2024. Input, ræsonnering og output skal passe inden for den tilgængelige kontekst. De understøttede ræsonneringsniveauer er low, medium og high, så en opgave kan efterspørge et kort dialogsvar eller en dybere analyse. OpenAI kræver Harmony-formatet, der adskiller intern analyse fra det endelige svar; producenten angiver, at rå analyse er beregnet til udviklerbrug frem for direkte visning til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. Modelkortet angiver også streaming med funktioner, kodefortolkning, MCP og søgefunktioner i det dokumenterede værktøjsmiljø. Applikationer leverer operationer, udfører deres handlinger og returnerer faktiske resultater. En beregning eller søgning kan derefter blive dokumentation til endnu et ræsonneringstrin, mens en foreslået værktøjsanmodning forbliver adskilt fra en operation, der er udført.
Forbered et klart mål, definitioner og det nyttige slutresultat: en forklaring, et kodeforslag, en formel eller en struktureret samling fund. Angiv, hvilke fakta der skal bevares gennem en omformning, og hvordan manglende oplysninger skal gengives. Et nyttigt slutsvar forbinder konklusionen med de leverede betingelser og eventuelle faktiske værktøjsresultater. Ved en opfølgning skal den væsentlige dokumentation og den beslutning, der stadig skal træffes, videreføres til næste anmodning.
", "aboutText": "gpt-oss-120b er OpenAI’s større sprogmodel med åbne vægte til generel ræsonnering, programmering og agentarbejde. Den modtager og producerer tekst. Producenten offentliggør 117 milliarder parametre i alt med 5,1 milliarder aktive parametre pr. token i en mixture-of-experts-arkitektur. Det er familiens 120b-udgave, adskilt fra gpt-oss-20b og de specialiserede Safeguard-modeller.\n\nUdgivelsen beskriver et overvejende engelsksproget, rent tekstbaseret træningsdatasæt med fokus på STEM, programmering og almen viden. En eksempelopgave er at analysere en algoritme ud fra dens kode og angivne betingelser: forklar de væsentlige relationer, sammenlign mulige tilgange, og udarbejd et konkret implementeringsforslag. Ved en dokumentbeslutning skal materialet og kriterierne leveres, hvorefter der anmodes om en konklusion knyttet til den leverede dokumentation.\n\nOpenAI’s offentliggjorte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter pr. token. Den oprindelige udgivelse bruger MXFP4 til mixture-of-experts-vægtene og beskriver modellen som kørende på én GPU med 80 GB. OpenAI udgiver vægtene under Apache 2.0 og understøtter finjustering til specialiserede anvendelser. Det er egenskaber ved producentens offentliggjorte model og format frem for en beskrivelse af en applikations konkrete installation.\n\nModeldokumentationen angiver et kontekstvindue på 131.072 tokens og et maksimalt genereret output på 131.072 tokens med en vidensgrænse den 1. juni 2024. Input, ræsonnering og output skal passe inden for den tilgængelige kontekst. De understøttede ræsonneringsniveauer er low, medium og high, så en opgave kan efterspørge et kort dialogsvar eller en dybere analyse. OpenAI kræver Harmony-formatet, der adskiller intern analyse fra det endelige svar; producenten angiver, at rå analyse er beregnet til udviklerbrug frem for direkte visning til slutbrugere.\n\nProducenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. Modelkortet angiver også streaming med funktioner, kodefortolkning, MCP og søgefunktioner i det dokumenterede værktøjsmiljø. Applikationer leverer operationer, udfører deres handlinger og returnerer faktiske resultater. En beregning eller søgning kan derefter blive dokumentation til endnu et ræsonneringstrin, mens en foreslået værktøjsanmodning forbliver adskilt fra en operation, der er udført.\n\nForbered et klart mål, definitioner og det nyttige slutresultat: en forklaring, et kodeforslag, en formel eller en struktureret samling fund. Angiv, hvilke fakta der skal bevares gennem en omformning, og hvordan manglende oplysninger skal gengives. Et nyttigt slutsvar forbinder konklusionen med de leverede betingelser og eventuelle faktiske værktøjsresultater. Ved en opfølgning skal den væsentlige dokumentation og den beslutning, der stadig skal træffes, videreføres til næste anmodning.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.gpt-oss-120bOpenAI’s større gpt-oss-model med åbne vægte bruger mixture-of-experts-ræsonnering til tekst, programmering og agentarbejde. Den understøtter ræsonneringsindsatserne low, medium og high, funktionskald og Structured Outputs 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-oss-120b er OpenAI’s større sprogmodel med åbne vægte til generel ræsonnering, programmering og agentarbejde. Den modtager og producerer tekst. Producenten offentliggør 117 milliarder parametre i alt med 5,1 milliarder aktive parametre pr. token i en mixture-of-experts-arkitektur. Det er familiens 120b-udgave, adskilt fra gpt-oss-20b og de specialiserede Safeguard-modeller.
Udgivelsen beskriver et overvejende engelsksproget, rent tekstbaseret træningsdatasæt med fokus på STEM, programmering og almen viden. En eksempelopgave er at analysere en algoritme ud fra dens kode og angivne betingelser: forklar de væsentlige relationer, sammenlign mulige tilgange, og udarbejd et konkret implementeringsforslag. Ved en dokumentbeslutning skal materialet og kriterierne leveres, hvorefter der anmodes om en konklusion knyttet til den leverede dokumentation.
OpenAI’s offentliggjorte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter pr. token. Den oprindelige udgivelse bruger MXFP4 til mixture-of-experts-vægtene og beskriver modellen som kørende på én GPU med 80 GB. OpenAI udgiver vægtene under Apache 2.0 og understøtter finjustering til specialiserede anvendelser. Det er egenskaber ved producentens offentliggjorte model og format frem for en beskrivelse af en applikations konkrete installation.
Modeldokumentationen angiver et kontekstvindue på 131.072 tokens og et maksimalt genereret output på 131.072 tokens med en vidensgrænse den 1. juni 2024. Input, ræsonnering og output skal passe inden for den tilgængelige kontekst. De understøttede ræsonneringsniveauer er low, medium og high, så en opgave kan efterspørge et kort dialogsvar eller en dybere analyse. OpenAI kræver Harmony-formatet, der adskiller intern analyse fra det endelige svar; producenten angiver, at rå analyse er beregnet til udviklerbrug frem for direkte visning til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. Modelkortet angiver også streaming med funktioner, kodefortolkning, MCP og søgefunktioner i det dokumenterede værktøjsmiljø. Applikationer leverer operationer, udfører deres handlinger og returnerer faktiske resultater. En beregning eller søgning kan derefter blive dokumentation til endnu et ræsonneringstrin, mens en foreslået værktøjsanmodning forbliver adskilt fra en operation, der er udført.
Forbered et klart mål, definitioner og det nyttige slutresultat: en forklaring, et kodeforslag, en formel eller en struktureret samling fund. Angiv, hvilke fakta der skal bevares gennem en omformning, og hvordan manglende oplysninger skal gengives. Et nyttigt slutsvar forbinder konklusionen med de leverede betingelser og eventuelle faktiske værktøjsresultater. Ved en opfølgning skal den væsentlige dokumentation og den beslutning, der stadig skal træffes, videreføres til næste anmodning.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-oss-120b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-oss-120b","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gpt-oss-120b", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
gpt-oss-120bOpenAI’s større gpt-oss-model med åbne vægte bruger mixture-of-experts-ræsonnering til tekst, programmering og agentarbejde. Den understøtter ræsonneringsindsatserne low, medium og high, funktionskald og Structured Outputs 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-oss-120b er OpenAI’s større sprogmodel med åbne vægte til generel ræsonnering, programmering og agentarbejde. Den modtager og producerer tekst. Producenten offentliggør 117 milliarder parametre i alt med 5,1 milliarder aktive parametre pr. token i en mixture-of-experts-arkitektur. Det er familiens 120b-udgave, adskilt fra gpt-oss-20b og de specialiserede Safeguard-modeller.
Udgivelsen beskriver et overvejende engelsksproget, rent tekstbaseret træningsdatasæt med fokus på STEM, programmering og almen viden. En eksempelopgave er at analysere en algoritme ud fra dens kode og angivne betingelser: forklar de væsentlige relationer, sammenlign mulige tilgange, og udarbejd et konkret implementeringsforslag. Ved en dokumentbeslutning skal materialet og kriterierne leveres, hvorefter der anmodes om en konklusion knyttet til den leverede dokumentation.
OpenAI’s offentliggjorte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter pr. token. Den oprindelige udgivelse bruger MXFP4 til mixture-of-experts-vægtene og beskriver modellen som kørende på én GPU med 80 GB. OpenAI udgiver vægtene under Apache 2.0 og understøtter finjustering til specialiserede anvendelser. Det er egenskaber ved producentens offentliggjorte model og format frem for en beskrivelse af en applikations konkrete installation.
Modeldokumentationen angiver et kontekstvindue på 131.072 tokens og et maksimalt genereret output på 131.072 tokens med en vidensgrænse den 1. juni 2024. Input, ræsonnering og output skal passe inden for den tilgængelige kontekst. De understøttede ræsonneringsniveauer er low, medium og high, så en opgave kan efterspørge et kort dialogsvar eller en dybere analyse. OpenAI kræver Harmony-formatet, der adskiller intern analyse fra det endelige svar; producenten angiver, at rå analyse er beregnet til udviklerbrug frem for direkte visning til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. Modelkortet angiver også streaming med funktioner, kodefortolkning, MCP og søgefunktioner i det dokumenterede værktøjsmiljø. Applikationer leverer operationer, udfører deres handlinger og returnerer faktiske resultater. En beregning eller søgning kan derefter blive dokumentation til endnu et ræsonneringstrin, mens en foreslået værktøjsanmodning forbliver adskilt fra en operation, der er udført.
Forbered et klart mål, definitioner og det nyttige slutresultat: en forklaring, et kodeforslag, en formel eller en struktureret samling fund. Angiv, hvilke fakta der skal bevares gennem en omformning, og hvordan manglende oplysninger skal gengives. Et nyttigt slutsvar forbinder konklusionen med de leverede betingelser og eventuelle faktiske værktøjsresultater. Ved en opfølgning skal den væsentlige dokumentation og den beslutning, der stadig skal træffes, videreføres til næste anmodning.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-oss-120b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bOpenAI’s større gpt-oss-model med åbne vægte bruger mixture-of-experts-ræsonnering til tekst, programmering og agentarbejde. Den understøtter ræsonneringsindsatserne low, medium og high, funktionskald og Structured Outputs 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-oss-120b er OpenAI’s større sprogmodel med åbne vægte til generel ræsonnering, programmering og agentarbejde. Den modtager og producerer tekst. Producenten offentliggør 117 milliarder parametre i alt med 5,1 milliarder aktive parametre pr. token i en mixture-of-experts-arkitektur. Det er familiens 120b-udgave, adskilt fra gpt-oss-20b og de specialiserede Safeguard-modeller.
Udgivelsen beskriver et overvejende engelsksproget, rent tekstbaseret træningsdatasæt med fokus på STEM, programmering og almen viden. En eksempelopgave er at analysere en algoritme ud fra dens kode og angivne betingelser: forklar de væsentlige relationer, sammenlign mulige tilgange, og udarbejd et konkret implementeringsforslag. Ved en dokumentbeslutning skal materialet og kriterierne leveres, hvorefter der anmodes om en konklusion knyttet til den leverede dokumentation.
OpenAI’s offentliggjorte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter pr. token. Den oprindelige udgivelse bruger MXFP4 til mixture-of-experts-vægtene og beskriver modellen som kørende på én GPU med 80 GB. OpenAI udgiver vægtene under Apache 2.0 og understøtter finjustering til specialiserede anvendelser. Det er egenskaber ved producentens offentliggjorte model og format frem for en beskrivelse af en applikations konkrete installation.
Modeldokumentationen angiver et kontekstvindue på 131.072 tokens og et maksimalt genereret output på 131.072 tokens med en vidensgrænse den 1. juni 2024. Input, ræsonnering og output skal passe inden for den tilgængelige kontekst. De understøttede ræsonneringsniveauer er low, medium og high, så en opgave kan efterspørge et kort dialogsvar eller en dybere analyse. OpenAI kræver Harmony-formatet, der adskiller intern analyse fra det endelige svar; producenten angiver, at rå analyse er beregnet til udviklerbrug frem for direkte visning til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. Modelkortet angiver også streaming med funktioner, kodefortolkning, MCP og søgefunktioner i det dokumenterede værktøjsmiljø. Applikationer leverer operationer, udfører deres handlinger og returnerer faktiske resultater. En beregning eller søgning kan derefter blive dokumentation til endnu et ræsonneringstrin, mens en foreslået værktøjsanmodning forbliver adskilt fra en operation, der er udført.
Forbered et klart mål, definitioner og det nyttige slutresultat: en forklaring, et kodeforslag, en formel eller en struktureret samling fund. Angiv, hvilke fakta der skal bevares gennem en omformning, og hvordan manglende oplysninger skal gengives. Et nyttigt slutsvar forbinder konklusionen med de leverede betingelser og eventuelle faktiske værktøjsresultater. Ved en opfølgning skal den væsentlige dokumentation og den beslutning, der stadig skal træffes, videreføres til næste anmodning.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-oss-120b | 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-oss-120b", "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-oss-120b',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-oss-120b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bOpenAI’s større gpt-oss-model med åbne vægte bruger mixture-of-experts-ræsonnering til tekst, programmering og agentarbejde. Den understøtter ræsonneringsindsatserne low, medium og high, funktionskald og Structured Outputs 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-oss-120b er OpenAI’s større sprogmodel med åbne vægte til generel ræsonnering, programmering og agentarbejde. Den modtager og producerer tekst. Producenten offentliggør 117 milliarder parametre i alt med 5,1 milliarder aktive parametre pr. token i en mixture-of-experts-arkitektur. Det er familiens 120b-udgave, adskilt fra gpt-oss-20b og de specialiserede Safeguard-modeller.
Udgivelsen beskriver et overvejende engelsksproget, rent tekstbaseret træningsdatasæt med fokus på STEM, programmering og almen viden. En eksempelopgave er at analysere en algoritme ud fra dens kode og angivne betingelser: forklar de væsentlige relationer, sammenlign mulige tilgange, og udarbejd et konkret implementeringsforslag. Ved en dokumentbeslutning skal materialet og kriterierne leveres, hvorefter der anmodes om en konklusion knyttet til den leverede dokumentation.
OpenAI’s offentliggjorte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter pr. token. Den oprindelige udgivelse bruger MXFP4 til mixture-of-experts-vægtene og beskriver modellen som kørende på én GPU med 80 GB. OpenAI udgiver vægtene under Apache 2.0 og understøtter finjustering til specialiserede anvendelser. Det er egenskaber ved producentens offentliggjorte model og format frem for en beskrivelse af en applikations konkrete installation.
Modeldokumentationen angiver et kontekstvindue på 131.072 tokens og et maksimalt genereret output på 131.072 tokens med en vidensgrænse den 1. juni 2024. Input, ræsonnering og output skal passe inden for den tilgængelige kontekst. De understøttede ræsonneringsniveauer er low, medium og high, så en opgave kan efterspørge et kort dialogsvar eller en dybere analyse. OpenAI kræver Harmony-formatet, der adskiller intern analyse fra det endelige svar; producenten angiver, at rå analyse er beregnet til udviklerbrug frem for direkte visning til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. Modelkortet angiver også streaming med funktioner, kodefortolkning, MCP og søgefunktioner i det dokumenterede værktøjsmiljø. Applikationer leverer operationer, udfører deres handlinger og returnerer faktiske resultater. En beregning eller søgning kan derefter blive dokumentation til endnu et ræsonneringstrin, mens en foreslået værktøjsanmodning forbliver adskilt fra en operation, der er udført.
Forbered et klart mål, definitioner og det nyttige slutresultat: en forklaring, et kodeforslag, en formel eller en struktureret samling fund. Angiv, hvilke fakta der skal bevares gennem en omformning, og hvordan manglende oplysninger skal gengives. Et nyttigt slutsvar forbinder konklusionen med de leverede betingelser og eventuelle faktiske værktøjsresultater. Ved en opfølgning skal den væsentlige dokumentation og den beslutning, der stadig skal træffes, videreføres til næste anmodning.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-oss-120b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
Teknisk eksempel på engelsk
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.