gpt-oss-20b er OpenAI’s mindre generelle model med åbne vægte til ræsonnering og udviklerarbejdsgange. Den modtager tekst og returnerer tekst. Producenten offentliggør 21 milliarder parametre i alt med 3,6 milliarder aktive parametre pr. token. Det er 20b-udgaven af gpt-oss-familien, adskilt fra den større 120b-udgave og Safeguard-modellen til politikklassifikation.
Producenten beskriver lokale og specialiserede anvendelser og et træningsdatasæt med udelukkende tekst og fokus på STEM, programmering og almen viden. En eksempelopgave er at forklare et kodestykke under angivne antagelser og foreslå en målrettet ændring. En tekstanalyseopgave kan i stedet sammenligne beskrivelser efter eksplicitte kriterier eller omsætte arbejdsnoter til en nyttig samling fund. Giv modellen kildematerialet og det resultat, læseren eller næste applikationstrin har brug for.
Den offentliggjorte mixture-of-experts-arkitektur har 24 lag, 32 eksperter og fire aktive eksperter pr. token. OpenAI’s oprindelige MXFP4-udgivelse af ekspertvægtene er udformet til at passe inden for 16 GB hukommelse. Vægtene er udgivet under Apache 2.0 og kan finjusteres til specialiseret arbejde. Disse produktegenskaber beskriver den offentliggjorte model, så en udvikler kan skelne dens størrelse og tilpasningsrolle uden at antage den opsætning, en bestemt applikation bruger.
OpenAI’s dokumentation angiver et kontekstvindue på 131.072 tokens, et maksimalt genereret output på 131.072 tokens og en vidensgrænse den 1. juni 2024. Den tilgængelige kontekst skal rumme det leverede materiale, analysen og det endelige svar. Modellen understøtter ræsonneringsniveauerne low, medium og high. Det krævede Harmony-format holder intern analyse og det endelige svar i forskellige kanaler, og producenten angiver, at rå analyse ikke bør vises direkte til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. De angivne modelfunktioner omfatter også streaming; dens dokumenterede værktøjsmiljø omfatter funktioner, kodefortolkning, MCP-forbindelser og websøgning. Applikationer stiller deres operationer til rådighed, udfører dem og returnerer faktiske resultater til næste beslutning. Slutteksten skal skelne mellem en foreslået handling og en fuldført operation med den returnerede dokumentation.
Til en målrettet arbejdsgang skal de påkrævede felter, betingelser og afslutningskriteriet defineres. Bed om en forklaring knyttet til koden eller en konklusion knyttet til den leverede tekst, og brug derefter en opfølgning til at behandle én manglende detalje. Et nyttigt slutresultat er et konkret redigeringsforslag, en sammenligning, en kort opgavebeskrivelse eller et struktureret resultat, der bevarer de nødvendige fakta og angiver eventuelle fortsat uafklarede betingelser.
", "aboutText": "gpt-oss-20b er OpenAI’s mindre generelle model med åbne vægte til ræsonnering og udviklerarbejdsgange. Den modtager tekst og returnerer tekst. Producenten offentliggør 21 milliarder parametre i alt med 3,6 milliarder aktive parametre pr. token. Det er 20b-udgaven af gpt-oss-familien, adskilt fra den større 120b-udgave og Safeguard-modellen til politikklassifikation.\n\nProducenten beskriver lokale og specialiserede anvendelser og et træningsdatasæt med udelukkende tekst og fokus på STEM, programmering og almen viden. En eksempelopgave er at forklare et kodestykke under angivne antagelser og foreslå en målrettet ændring. En tekstanalyseopgave kan i stedet sammenligne beskrivelser efter eksplicitte kriterier eller omsætte arbejdsnoter til en nyttig samling fund. Giv modellen kildematerialet og det resultat, læseren eller næste applikationstrin har brug for.\n\nDen offentliggjorte mixture-of-experts-arkitektur har 24 lag, 32 eksperter og fire aktive eksperter pr. token. OpenAI’s oprindelige MXFP4-udgivelse af ekspertvægtene er udformet til at passe inden for 16 GB hukommelse. Vægtene er udgivet under Apache 2.0 og kan finjusteres til specialiseret arbejde. Disse produktegenskaber beskriver den offentliggjorte model, så en udvikler kan skelne dens størrelse og tilpasningsrolle uden at antage den opsætning, en bestemt applikation bruger.\n\nOpenAI’s dokumentation angiver et kontekstvindue på 131.072 tokens, et maksimalt genereret output på 131.072 tokens og en vidensgrænse den 1. juni 2024. Den tilgængelige kontekst skal rumme det leverede materiale, analysen og det endelige svar. Modellen understøtter ræsonneringsniveauerne low, medium og high. Det krævede Harmony-format holder intern analyse og det endelige svar i forskellige kanaler, og producenten angiver, at rå analyse ikke bør vises direkte til slutbrugere.\n\nProducenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. De angivne modelfunktioner omfatter også streaming; dens dokumenterede værktøjsmiljø omfatter funktioner, kodefortolkning, MCP-forbindelser og websøgning. Applikationer stiller deres operationer til rådighed, udfører dem og returnerer faktiske resultater til næste beslutning. Slutteksten skal skelne mellem en foreslået handling og en fuldført operation med den returnerede dokumentation.\n\nTil en målrettet arbejdsgang skal de påkrævede felter, betingelser og afslutningskriteriet defineres. Bed om en forklaring knyttet til koden eller en konklusion knyttet til den leverede tekst, og brug derefter en opfølgning til at behandle én manglende detalje. Et nyttigt slutresultat er et konkret redigeringsforslag, en sammenligning, en kort opgavebeskrivelse eller et struktureret resultat, der bevarer de nødvendige fakta og angiver eventuelle fortsat uafklarede betingelser.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct a weighted average\n\nExplain the error in this Python expression for average unit cost: sum(price for price, quantity in batches) / len(batches). Input batches are [(10, 2), (4, 8)], where each tuple contains unit price and unit count. Propose a weighted calculation, state how zero total quantity should be handled and show checks for the supplied data and an empty list.A corrected function, a short weighting explanation and ordinary/zero-quantity test cases.Check that quantities weight both the numerator and denominator and empty input has explicit behavior.gpt-oss-20bOpenAI’s mindre generelle gpt-oss-model modtager og returnerer tekst til ræsonnering, programmering og specialiserede arbejdsgange. Den understøtter konfigurerbar ræsonnering, funktionskald, Structured Outputs og finjustering af de offentliggjorte åbne vægte.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
gpt-oss-20b er OpenAI’s mindre generelle model med åbne vægte til ræsonnering og udviklerarbejdsgange. Den modtager tekst og returnerer tekst. Producenten offentliggør 21 milliarder parametre i alt med 3,6 milliarder aktive parametre pr. token. Det er 20b-udgaven af gpt-oss-familien, adskilt fra den større 120b-udgave og Safeguard-modellen til politikklassifikation.
Producenten beskriver lokale og specialiserede anvendelser og et træningsdatasæt med udelukkende tekst og fokus på STEM, programmering og almen viden. En eksempelopgave er at forklare et kodestykke under angivne antagelser og foreslå en målrettet ændring. En tekstanalyseopgave kan i stedet sammenligne beskrivelser efter eksplicitte kriterier eller omsætte arbejdsnoter til en nyttig samling fund. Giv modellen kildematerialet og det resultat, læseren eller næste applikationstrin har brug for.
Den offentliggjorte mixture-of-experts-arkitektur har 24 lag, 32 eksperter og fire aktive eksperter pr. token. OpenAI’s oprindelige MXFP4-udgivelse af ekspertvægtene er udformet til at passe inden for 16 GB hukommelse. Vægtene er udgivet under Apache 2.0 og kan finjusteres til specialiseret arbejde. Disse produktegenskaber beskriver den offentliggjorte model, så en udvikler kan skelne dens størrelse og tilpasningsrolle uden at antage den opsætning, en bestemt applikation bruger.
OpenAI’s dokumentation angiver et kontekstvindue på 131.072 tokens, et maksimalt genereret output på 131.072 tokens og en vidensgrænse den 1. juni 2024. Den tilgængelige kontekst skal rumme det leverede materiale, analysen og det endelige svar. Modellen understøtter ræsonneringsniveauerne low, medium og high. Det krævede Harmony-format holder intern analyse og det endelige svar i forskellige kanaler, og producenten angiver, at rå analyse ikke bør vises direkte til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. De angivne modelfunktioner omfatter også streaming; dens dokumenterede værktøjsmiljø omfatter funktioner, kodefortolkning, MCP-forbindelser og websøgning. Applikationer stiller deres operationer til rådighed, udfører dem og returnerer faktiske resultater til næste beslutning. Slutteksten skal skelne mellem en foreslået handling og en fuldført operation med den returnerede dokumentation.
Til en målrettet arbejdsgang skal de påkrævede felter, betingelser og afslutningskriteriet defineres. Bed om en forklaring knyttet til koden eller en konklusion knyttet til den leverede tekst, og brug derefter en opfølgning til at behandle én manglende detalje. Et nyttigt slutresultat er et konkret redigeringsforslag, en sammenligning, en kort opgavebeskrivelse eller et struktureret resultat, der bevarer de nødvendige fakta og angiver eventuelle fortsat uafklarede betingelser.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-oss-20b | 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 $0.000058 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0.000058 / 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 $0.000058 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0.000058 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-oss-20b","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-20b", 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-20b, openai/gpt-oss-20b
/chat/completions
gpt-oss-20bOpenAI’s mindre generelle gpt-oss-model modtager og returnerer tekst til ræsonnering, programmering og specialiserede arbejdsgange. Den understøtter konfigurerbar ræsonnering, funktionskald, Structured Outputs og finjustering af de offentliggjorte åbne vægte.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
gpt-oss-20b er OpenAI’s mindre generelle model med åbne vægte til ræsonnering og udviklerarbejdsgange. Den modtager tekst og returnerer tekst. Producenten offentliggør 21 milliarder parametre i alt med 3,6 milliarder aktive parametre pr. token. Det er 20b-udgaven af gpt-oss-familien, adskilt fra den større 120b-udgave og Safeguard-modellen til politikklassifikation.
Producenten beskriver lokale og specialiserede anvendelser og et træningsdatasæt med udelukkende tekst og fokus på STEM, programmering og almen viden. En eksempelopgave er at forklare et kodestykke under angivne antagelser og foreslå en målrettet ændring. En tekstanalyseopgave kan i stedet sammenligne beskrivelser efter eksplicitte kriterier eller omsætte arbejdsnoter til en nyttig samling fund. Giv modellen kildematerialet og det resultat, læseren eller næste applikationstrin har brug for.
Den offentliggjorte mixture-of-experts-arkitektur har 24 lag, 32 eksperter og fire aktive eksperter pr. token. OpenAI’s oprindelige MXFP4-udgivelse af ekspertvægtene er udformet til at passe inden for 16 GB hukommelse. Vægtene er udgivet under Apache 2.0 og kan finjusteres til specialiseret arbejde. Disse produktegenskaber beskriver den offentliggjorte model, så en udvikler kan skelne dens størrelse og tilpasningsrolle uden at antage den opsætning, en bestemt applikation bruger.
OpenAI’s dokumentation angiver et kontekstvindue på 131.072 tokens, et maksimalt genereret output på 131.072 tokens og en vidensgrænse den 1. juni 2024. Den tilgængelige kontekst skal rumme det leverede materiale, analysen og det endelige svar. Modellen understøtter ræsonneringsniveauerne low, medium og high. Det krævede Harmony-format holder intern analyse og det endelige svar i forskellige kanaler, og producenten angiver, at rå analyse ikke bør vises direkte til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. De angivne modelfunktioner omfatter også streaming; dens dokumenterede værktøjsmiljø omfatter funktioner, kodefortolkning, MCP-forbindelser og websøgning. Applikationer stiller deres operationer til rådighed, udfører dem og returnerer faktiske resultater til næste beslutning. Slutteksten skal skelne mellem en foreslået handling og en fuldført operation med den returnerede dokumentation.
Til en målrettet arbejdsgang skal de påkrævede felter, betingelser og afslutningskriteriet defineres. Bed om en forklaring knyttet til koden eller en konklusion knyttet til den leverede tekst, og brug derefter en opfølgning til at behandle én manglende detalje. Et nyttigt slutresultat er et konkret redigeringsforslag, en sammenligning, en kort opgavebeskrivelse eller et struktureret resultat, der bevarer de nødvendige fakta og angiver eventuelle fortsat uafklarede betingelser.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gpt-oss-20b | 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 $0.000058 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0.000058 / 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 $0.000058 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0.000058 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gpt-oss-20b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-20b', '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-20b', '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-20b, openai/gpt-oss-20b
/chat/completions
openai/gpt-oss-20bOpenAI’s mindre generelle gpt-oss-model modtager og returnerer tekst til ræsonnering, programmering og specialiserede arbejdsgange. Den understøtter konfigurerbar ræsonnering, funktionskald, Structured Outputs og finjustering af de offentliggjorte åbne vægte.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
gpt-oss-20b er OpenAI’s mindre generelle model med åbne vægte til ræsonnering og udviklerarbejdsgange. Den modtager tekst og returnerer tekst. Producenten offentliggør 21 milliarder parametre i alt med 3,6 milliarder aktive parametre pr. token. Det er 20b-udgaven af gpt-oss-familien, adskilt fra den større 120b-udgave og Safeguard-modellen til politikklassifikation.
Producenten beskriver lokale og specialiserede anvendelser og et træningsdatasæt med udelukkende tekst og fokus på STEM, programmering og almen viden. En eksempelopgave er at forklare et kodestykke under angivne antagelser og foreslå en målrettet ændring. En tekstanalyseopgave kan i stedet sammenligne beskrivelser efter eksplicitte kriterier eller omsætte arbejdsnoter til en nyttig samling fund. Giv modellen kildematerialet og det resultat, læseren eller næste applikationstrin har brug for.
Den offentliggjorte mixture-of-experts-arkitektur har 24 lag, 32 eksperter og fire aktive eksperter pr. token. OpenAI’s oprindelige MXFP4-udgivelse af ekspertvægtene er udformet til at passe inden for 16 GB hukommelse. Vægtene er udgivet under Apache 2.0 og kan finjusteres til specialiseret arbejde. Disse produktegenskaber beskriver den offentliggjorte model, så en udvikler kan skelne dens størrelse og tilpasningsrolle uden at antage den opsætning, en bestemt applikation bruger.
OpenAI’s dokumentation angiver et kontekstvindue på 131.072 tokens, et maksimalt genereret output på 131.072 tokens og en vidensgrænse den 1. juni 2024. Den tilgængelige kontekst skal rumme det leverede materiale, analysen og det endelige svar. Modellen understøtter ræsonneringsniveauerne low, medium og high. Det krævede Harmony-format holder intern analyse og det endelige svar i forskellige kanaler, og producenten angiver, at rå analyse ikke bør vises direkte til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. De angivne modelfunktioner omfatter også streaming; dens dokumenterede værktøjsmiljø omfatter funktioner, kodefortolkning, MCP-forbindelser og websøgning. Applikationer stiller deres operationer til rådighed, udfører dem og returnerer faktiske resultater til næste beslutning. Slutteksten skal skelne mellem en foreslået handling og en fuldført operation med den returnerede dokumentation.
Til en målrettet arbejdsgang skal de påkrævede felter, betingelser og afslutningskriteriet defineres. Bed om en forklaring knyttet til koden eller en konklusion knyttet til den leverede tekst, og brug derefter en opfølgning til at behandle én manglende detalje. Et nyttigt slutresultat er et konkret redigeringsforslag, en sammenligning, en kort opgavebeskrivelse eller et struktureret resultat, der bevarer de nødvendige fakta og angiver eventuelle fortsat uafklarede betingelser.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-oss-20b | 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 $0.000058 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0.000058 / 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 $0.000058 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0.000058 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-20b", "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-20b',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-20b',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-20b, openai/gpt-oss-20b
/chat/completions
openai/gpt-oss-20bOpenAI’s mindre generelle gpt-oss-model modtager og returnerer tekst til ræsonnering, programmering og specialiserede arbejdsgange. Den understøtter konfigurerbar ræsonnering, funktionskald, Structured Outputs og finjustering af de offentliggjorte åbne vægte.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
gpt-oss-20b er OpenAI’s mindre generelle model med åbne vægte til ræsonnering og udviklerarbejdsgange. Den modtager tekst og returnerer tekst. Producenten offentliggør 21 milliarder parametre i alt med 3,6 milliarder aktive parametre pr. token. Det er 20b-udgaven af gpt-oss-familien, adskilt fra den større 120b-udgave og Safeguard-modellen til politikklassifikation.
Producenten beskriver lokale og specialiserede anvendelser og et træningsdatasæt med udelukkende tekst og fokus på STEM, programmering og almen viden. En eksempelopgave er at forklare et kodestykke under angivne antagelser og foreslå en målrettet ændring. En tekstanalyseopgave kan i stedet sammenligne beskrivelser efter eksplicitte kriterier eller omsætte arbejdsnoter til en nyttig samling fund. Giv modellen kildematerialet og det resultat, læseren eller næste applikationstrin har brug for.
Den offentliggjorte mixture-of-experts-arkitektur har 24 lag, 32 eksperter og fire aktive eksperter pr. token. OpenAI’s oprindelige MXFP4-udgivelse af ekspertvægtene er udformet til at passe inden for 16 GB hukommelse. Vægtene er udgivet under Apache 2.0 og kan finjusteres til specialiseret arbejde. Disse produktegenskaber beskriver den offentliggjorte model, så en udvikler kan skelne dens størrelse og tilpasningsrolle uden at antage den opsætning, en bestemt applikation bruger.
OpenAI’s dokumentation angiver et kontekstvindue på 131.072 tokens, et maksimalt genereret output på 131.072 tokens og en vidensgrænse den 1. juni 2024. Den tilgængelige kontekst skal rumme det leverede materiale, analysen og det endelige svar. Modellen understøtter ræsonneringsniveauerne low, medium og high. Det krævede Harmony-format holder intern analyse og det endelige svar i forskellige kanaler, og producenten angiver, at rå analyse ikke bør vises direkte til slutbrugere.
Producenten dokumenterer funktionskald, webbrowsing, eksekvering af Python-kode gennem værktøjer og Structured Outputs. De angivne modelfunktioner omfatter også streaming; dens dokumenterede værktøjsmiljø omfatter funktioner, kodefortolkning, MCP-forbindelser og websøgning. Applikationer stiller deres operationer til rådighed, udfører dem og returnerer faktiske resultater til næste beslutning. Slutteksten skal skelne mellem en foreslået handling og en fuldført operation med den returnerede dokumentation.
Til en målrettet arbejdsgang skal de påkrævede felter, betingelser og afslutningskriteriet defineres. Bed om en forklaring knyttet til koden eller en konklusion knyttet til den leverede tekst, og brug derefter en opfølgning til at behandle én manglende detalje. Et nyttigt slutresultat er et konkret redigeringsforslag, en sammenligning, en kort opgavebeskrivelse eller et struktureret resultat, der bevarer de nødvendige fakta og angiver eventuelle fortsat uafklarede betingelser.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/gpt-oss-20b | 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 $0.000058 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0.000058 / 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 $0.000058 / 1K tokens Output · Outputtokens $0.00028 / 1K tokens Input · Cachelæsning $0.000058 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "openai/gpt-oss-20b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-20b', '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-20b', '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-20b, openai/gpt-oss-20b
/chat/completions
Teknisk eksempel på engelsk
Correct a weighted average\n\nExplain the error in this Python expression for average unit cost: sum(price for price, quantity in batches) / len(batches). Input batches are [(10, 2), (4, 8)], where each tuple contains unit price and unit count. Propose a weighted calculation, state how zero total quantity should be handled and show checks for the supplied data and an empty list.A corrected function, a short weighting explanation and ordinary/zero-quantity test cases.Check that quantities weight both the numerator and denominator and empty input has explicit behavior.