GPT-5.1-Codex-Max ist OpenAIs Codex-Edition für lang laufende, detaillierte agentische Programmierung. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Veröffentlichung beschreibt Training auf tatsächlichen Softwareentwicklungsaufgaben, darunter Codereview, Frontend-Arbeit und Projektänderungen, sowie Arbeit in Windows-Umgebungen.
Eine zentrale Fähigkeit ist der native Betrieb über mehrere Kontextfenster hinweg durch Verdichtung. Nähert sich eine lange Aufgabe ihrer Fenstergrenze, kann der Codex-Ablauf den Verlauf verdichten, wichtigen Kontext beibehalten und in einem frischen Fenster fortfahren. Der Hersteller stellt dies als Möglichkeit dar, Refaktorierungen auf Projektebene, tiefgehende Fehlersuche und lange Agentenschleifen aufrechtzuerhalten. Es ist ein Fortsetzungsprozess und keine Behauptung, dass eine gesamte lange Sitzung ein einziges Kontextfenster belegt.
Geben Sie für eine Projektänderung gewünschtes Verhalten, relevante Dateien und Bearbeitungsregeln vor. Eine beispielhafte Anfrage ist die Refaktorierung mehrerer zusammengehöriger Komponenten unter Bewahrung ihres öffentlichen Verhaltens: Beziehungen ermitteln, abgestimmte Änderungen vorschlagen und festlegen, wie das entstandene Verhalten geprüft werden soll. Fügen Sie für die Fehlersuche beobachteten Fehler, erwartetes Ergebnis und bereits gesammelte Belege bei. Dateiinhalte, Befehlsausgaben und Prüfungen der Arbeitsumgebung fließen in die nächste Entscheidung des Modells ein.
OpenAIs Modellkarte nennt ein Kontextfenster von 400.000 Token, eine maximale Ausgabe von 128.000 Token und einen Wissensstand bis zum 30. September 2024. Die Max-Veröffentlichung empfiehlt medium als Reasoning-Aufwand für gewöhnliche Verwendung und führt xhigh für Arbeit ein, die von längerer Analyse profitiert. Reasoning und sichtbare Ausgabe benötigen beide Platz im Aufgabenkontext. Halten Sie Erfolgskriterium und wesentliche Entscheidungen verfügbar, während der Ablauf weitergeht.
Die dokumentierte Schnittstelle des Modells ist ausschließlich Responses. Seine Modellkarte nennt Streaming, Structured Outputs, Funktionsaufrufe, Bildeingaben, Websuche und Prompt-Caching; die genau aufgeführten Werkzeuge umfassen Funktionen und Websuche. In einer Codex-ähnlichen Umgebung lesen und durchsuchen anwendungsseitige Vorgänge Dateien, führen Befehle aus und geben tatsächliche Ergebnisse zurück. Sandbox, Netzwerkeinstellungen und Terminalprotokolle der Veröffentlichung beschreiben die umgebende Codex-Produktumgebung und nicht die direkte Textausgabe des Modells.
Geben Sie für Frontend-Arbeit den relevanten Screenshot oder die Designreferenz vor und erklären Sie das zu unterstützende Nutzerverhalten. Verlangen Sie für ein Review konkrete Befunde mit Bezug zu Abhängigkeiten oder Anforderungen. Ein hilfreiches Endergebnis benennt betroffene Dateien, erklärt wesentliche Änderungen und berichtet die Ergebnisse tatsächlich abgeschlossener Prüfungen. Halten Sie verbleibende Schritte konkret, damit eine lange Entwicklungsaufgabe mit einem Ergebnis endet, das anhand ihres ursprünglichen Ziels beurteilt werden kann.
", "aboutText": "GPT-5.1-Codex-Max ist OpenAIs Codex-Edition für lang laufende, detaillierte agentische Programmierung. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Veröffentlichung beschreibt Training auf tatsächlichen Softwareentwicklungsaufgaben, darunter Codereview, Frontend-Arbeit und Projektänderungen, sowie Arbeit in Windows-Umgebungen.\n\nEine zentrale Fähigkeit ist der native Betrieb über mehrere Kontextfenster hinweg durch Verdichtung. Nähert sich eine lange Aufgabe ihrer Fenstergrenze, kann der Codex-Ablauf den Verlauf verdichten, wichtigen Kontext beibehalten und in einem frischen Fenster fortfahren. Der Hersteller stellt dies als Möglichkeit dar, Refaktorierungen auf Projektebene, tiefgehende Fehlersuche und lange Agentenschleifen aufrechtzuerhalten. Es ist ein Fortsetzungsprozess und keine Behauptung, dass eine gesamte lange Sitzung ein einziges Kontextfenster belegt.\n\nGeben Sie für eine Projektänderung gewünschtes Verhalten, relevante Dateien und Bearbeitungsregeln vor. Eine beispielhafte Anfrage ist die Refaktorierung mehrerer zusammengehöriger Komponenten unter Bewahrung ihres öffentlichen Verhaltens: Beziehungen ermitteln, abgestimmte Änderungen vorschlagen und festlegen, wie das entstandene Verhalten geprüft werden soll. Fügen Sie für die Fehlersuche beobachteten Fehler, erwartetes Ergebnis und bereits gesammelte Belege bei. Dateiinhalte, Befehlsausgaben und Prüfungen der Arbeitsumgebung fließen in die nächste Entscheidung des Modells ein.\n\nOpenAIs Modellkarte nennt ein Kontextfenster von 400.000 Token, eine maximale Ausgabe von 128.000 Token und einen Wissensstand bis zum 30. September 2024. Die Max-Veröffentlichung empfiehlt medium als Reasoning-Aufwand für gewöhnliche Verwendung und führt xhigh für Arbeit ein, die von längerer Analyse profitiert. Reasoning und sichtbare Ausgabe benötigen beide Platz im Aufgabenkontext. Halten Sie Erfolgskriterium und wesentliche Entscheidungen verfügbar, während der Ablauf weitergeht.\n\nDie dokumentierte Schnittstelle des Modells ist ausschließlich Responses. Seine Modellkarte nennt Streaming, Structured Outputs, Funktionsaufrufe, Bildeingaben, Websuche und Prompt-Caching; die genau aufgeführten Werkzeuge umfassen Funktionen und Websuche. In einer Codex-ähnlichen Umgebung lesen und durchsuchen anwendungsseitige Vorgänge Dateien, führen Befehle aus und geben tatsächliche Ergebnisse zurück. Sandbox, Netzwerkeinstellungen und Terminalprotokolle der Veröffentlichung beschreiben die umgebende Codex-Produktumgebung und nicht die direkte Textausgabe des Modells.\n\nGeben Sie für Frontend-Arbeit den relevanten Screenshot oder die Designreferenz vor und erklären Sie das zu unterstützende Nutzerverhalten. Verlangen Sie für ein Review konkrete Befunde mit Bezug zu Abhängigkeiten oder Anforderungen. Ein hilfreiches Endergebnis benennt betroffene Dateien, erklärt wesentliche Änderungen und berichtet die Ergebnisse tatsächlich abgeschlossener Prüfungen. Halten Sie verbleibende Schritte konkret, damit eine lange Entwicklungsaufgabe mit einem Ergebnis endet, das anhand ihres ursprünglichen Ziels beurteilt werden kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.openai/gpt-5.1-codex-maxEine Codex-Edition für lang laufende, detaillierte Softwareentwicklung. Sie nimmt Text und Bilder entgegen und nutzt Kontextverdichtung über mehrere Kontextfenster hinweg, um projektweite Refactorings, tiefgehende Fehlersuche und weitere agentische Programmieraufgaben fortzusetzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.1-Codex-Max ist OpenAIs Codex-Edition für lang laufende, detaillierte agentische Programmierung. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Veröffentlichung beschreibt Training auf tatsächlichen Softwareentwicklungsaufgaben, darunter Codereview, Frontend-Arbeit und Projektänderungen, sowie Arbeit in Windows-Umgebungen.
Eine zentrale Fähigkeit ist der native Betrieb über mehrere Kontextfenster hinweg durch Verdichtung. Nähert sich eine lange Aufgabe ihrer Fenstergrenze, kann der Codex-Ablauf den Verlauf verdichten, wichtigen Kontext beibehalten und in einem frischen Fenster fortfahren. Der Hersteller stellt dies als Möglichkeit dar, Refaktorierungen auf Projektebene, tiefgehende Fehlersuche und lange Agentenschleifen aufrechtzuerhalten. Es ist ein Fortsetzungsprozess und keine Behauptung, dass eine gesamte lange Sitzung ein einziges Kontextfenster belegt.
Geben Sie für eine Projektänderung gewünschtes Verhalten, relevante Dateien und Bearbeitungsregeln vor. Eine beispielhafte Anfrage ist die Refaktorierung mehrerer zusammengehöriger Komponenten unter Bewahrung ihres öffentlichen Verhaltens: Beziehungen ermitteln, abgestimmte Änderungen vorschlagen und festlegen, wie das entstandene Verhalten geprüft werden soll. Fügen Sie für die Fehlersuche beobachteten Fehler, erwartetes Ergebnis und bereits gesammelte Belege bei. Dateiinhalte, Befehlsausgaben und Prüfungen der Arbeitsumgebung fließen in die nächste Entscheidung des Modells ein.
OpenAIs Modellkarte nennt ein Kontextfenster von 400.000 Token, eine maximale Ausgabe von 128.000 Token und einen Wissensstand bis zum 30. September 2024. Die Max-Veröffentlichung empfiehlt medium als Reasoning-Aufwand für gewöhnliche Verwendung und führt xhigh für Arbeit ein, die von längerer Analyse profitiert. Reasoning und sichtbare Ausgabe benötigen beide Platz im Aufgabenkontext. Halten Sie Erfolgskriterium und wesentliche Entscheidungen verfügbar, während der Ablauf weitergeht.
Die dokumentierte Schnittstelle des Modells ist ausschließlich Responses. Seine Modellkarte nennt Streaming, Structured Outputs, Funktionsaufrufe, Bildeingaben, Websuche und Prompt-Caching; die genau aufgeführten Werkzeuge umfassen Funktionen und Websuche. In einer Codex-ähnlichen Umgebung lesen und durchsuchen anwendungsseitige Vorgänge Dateien, führen Befehle aus und geben tatsächliche Ergebnisse zurück. Sandbox, Netzwerkeinstellungen und Terminalprotokolle der Veröffentlichung beschreiben die umgebende Codex-Produktumgebung und nicht die direkte Textausgabe des Modells.
Geben Sie für Frontend-Arbeit den relevanten Screenshot oder die Designreferenz vor und erklären Sie das zu unterstützende Nutzerverhalten. Verlangen Sie für ein Review konkrete Befunde mit Bezug zu Abhängigkeiten oder Anforderungen. Ein hilfreiches Endergebnis benennt betroffene Dateien, erklärt wesentliche Änderungen und berichtet die Ergebnisse tatsächlich abgeschlossener Prüfungen. Halten Sie verbleibende Schritte konkret, damit eine lange Entwicklungsaufgabe mit einem Ergebnis endet, das anhand ihres ursprünglichen Ziels beurteilt werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.1-codex-max | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.1-codex-max", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-5.1-codex-max',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-5.1-codex-max',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/gpt-5.1-codex-max
Verwenden Sie die oben angezeigten Methodenpfade.
openai/gpt-5.1-codex-maxEine Codex-Edition für lang laufende, detaillierte Softwareentwicklung. Sie nimmt Text und Bilder entgegen und nutzt Kontextverdichtung über mehrere Kontextfenster hinweg, um projektweite Refactorings, tiefgehende Fehlersuche und weitere agentische Programmieraufgaben fortzusetzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.1-Codex-Max ist OpenAIs Codex-Edition für lang laufende, detaillierte agentische Programmierung. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Veröffentlichung beschreibt Training auf tatsächlichen Softwareentwicklungsaufgaben, darunter Codereview, Frontend-Arbeit und Projektänderungen, sowie Arbeit in Windows-Umgebungen.
Eine zentrale Fähigkeit ist der native Betrieb über mehrere Kontextfenster hinweg durch Verdichtung. Nähert sich eine lange Aufgabe ihrer Fenstergrenze, kann der Codex-Ablauf den Verlauf verdichten, wichtigen Kontext beibehalten und in einem frischen Fenster fortfahren. Der Hersteller stellt dies als Möglichkeit dar, Refaktorierungen auf Projektebene, tiefgehende Fehlersuche und lange Agentenschleifen aufrechtzuerhalten. Es ist ein Fortsetzungsprozess und keine Behauptung, dass eine gesamte lange Sitzung ein einziges Kontextfenster belegt.
Geben Sie für eine Projektänderung gewünschtes Verhalten, relevante Dateien und Bearbeitungsregeln vor. Eine beispielhafte Anfrage ist die Refaktorierung mehrerer zusammengehöriger Komponenten unter Bewahrung ihres öffentlichen Verhaltens: Beziehungen ermitteln, abgestimmte Änderungen vorschlagen und festlegen, wie das entstandene Verhalten geprüft werden soll. Fügen Sie für die Fehlersuche beobachteten Fehler, erwartetes Ergebnis und bereits gesammelte Belege bei. Dateiinhalte, Befehlsausgaben und Prüfungen der Arbeitsumgebung fließen in die nächste Entscheidung des Modells ein.
OpenAIs Modellkarte nennt ein Kontextfenster von 400.000 Token, eine maximale Ausgabe von 128.000 Token und einen Wissensstand bis zum 30. September 2024. Die Max-Veröffentlichung empfiehlt medium als Reasoning-Aufwand für gewöhnliche Verwendung und führt xhigh für Arbeit ein, die von längerer Analyse profitiert. Reasoning und sichtbare Ausgabe benötigen beide Platz im Aufgabenkontext. Halten Sie Erfolgskriterium und wesentliche Entscheidungen verfügbar, während der Ablauf weitergeht.
Die dokumentierte Schnittstelle des Modells ist ausschließlich Responses. Seine Modellkarte nennt Streaming, Structured Outputs, Funktionsaufrufe, Bildeingaben, Websuche und Prompt-Caching; die genau aufgeführten Werkzeuge umfassen Funktionen und Websuche. In einer Codex-ähnlichen Umgebung lesen und durchsuchen anwendungsseitige Vorgänge Dateien, führen Befehle aus und geben tatsächliche Ergebnisse zurück. Sandbox, Netzwerkeinstellungen und Terminalprotokolle der Veröffentlichung beschreiben die umgebende Codex-Produktumgebung und nicht die direkte Textausgabe des Modells.
Geben Sie für Frontend-Arbeit den relevanten Screenshot oder die Designreferenz vor und erklären Sie das zu unterstützende Nutzerverhalten. Verlangen Sie für ein Review konkrete Befunde mit Bezug zu Abhängigkeiten oder Anforderungen. Ein hilfreiches Endergebnis benennt betroffene Dateien, erklärt wesentliche Änderungen und berichtet die Ergebnisse tatsächlich abgeschlossener Prüfungen. Halten Sie verbleibende Schritte konkret, damit eine lange Entwicklungsaufgabe mit einem Ergebnis endet, das anhand ihres ursprünglichen Ziels beurteilt werden kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.1-codex-max | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.00025 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-5.1-codex-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.1-codex-max', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.1-codex-max', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/gpt-5.1-codex-max
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.