GPT-5.2-Codex ist OpenAIs GPT-5.2-Edition, die für agentische Programmierung in Codex und ähnlichen Umgebungen optimiert ist. Sie nimmt Text und Bilder entgegen und erzeugt Text. Das Modell ist für lang laufende Softwareentwicklungsaufgaben ausgelegt, bei denen Projektkontext, Werkzeugergebnisse und bereits getroffene Entscheidungen den nächsten Schritt beeinflussen.
Die Veröffentlichung des Herstellers beschreibt große Codeänderungen wie Refactorings, Migrationen und Funktionsentwicklung sowie verbesserte Arbeit in Windows-Umgebungen. Integrierte Kontextverdichtung unterstützt längere Sitzungen, indem sie den wichtigen Zustand bei wachsendem Gespräch bewahrt. Dies ist ein Mechanismus zur Fortführung einer langen Aufgabe und kein größeres zahlenmäßiges Kontextfenster oder eine Garantie, dass jedes Projektdetail in eine Anfrage passt.
Stellen Sie für eine Codeänderung das erforderliche Verhalten, die relevanten Dateien und die Bedingungen bereit, die die Lösung bewahren muss. Eine beispielhafte Anfrage besteht darin, eine Komponente zu migrieren und dabei ihr von außen beobachtbares Verhalten beizubehalten: Ermitteln Sie die Abhängigkeiten, schlagen Sie abgestimmte Änderungen vor und benennen Sie die Prüfung des Verhaltens. Geben Sie bei einem Fehler das beobachtete Ergebnis, das erwartete Ergebnis und die Bedingungen an, unter denen sich das Problem reproduzieren lässt. Tatsächliche Datei- und Befehlsergebnisse werden in der Umgebung des Agenten zu Belegen für die nächste Entscheidung.
Visuelle Eingaben können einen Gestaltungsentwurf, Screenshot, ein technisches Diagramm oder Schaubild mit Bezug zur technischen Aufgabe liefern. Die Veröffentlichung beschreibt die Interpretation dieser Materialien während Programmiersitzungen. Benennen Sie den wichtigen Zustand oder Zusammenhang im Bild und erklären Sie, was die Implementierung damit tun soll. Die Ausgabe bleibt Text, darunter Code oder Anweisungen für die angebundenen Werkzeuge; eine visuelle Referenz macht aus diesem Modell keinen Bildgenerator.
OpenAI nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Die unterstützten Einstellungen für den Reasoning-Aufwand sind low, medium, high und xhigh. Die dokumentierte Schnittstelle des Modells ist Responses mit Streaming, Structured Outputs, Funktionsaufrufen, Bildeingaben, Websuche und Prompt-Caching. Die genau aufgeführten Werkzeuge umfassen Funktionen, Websuche, eine gehostete Shell und Skills.
Anwendungen stellen ihre Arbeitsumgebung bereit, führen ihre Vorgänge aus und liefern tatsächliche Ergebnisse zurück. Die Veröffentlichung beschreibt außerdem zusätzliche Schutzmaßnahmen für Cybersicherheitsaufgaben. Definieren Sie ein konkretes Abschlusskriterium für die technische Aufgabe und fordern Sie ein Endergebnis an, das die betroffenen Dateien, wesentlichen Änderungen und abgeschlossenen Prüfungen mit dem ursprünglichen Verhalten verbindet. Halten Sie eine vorgeschlagene Prüfung von einer ausgeführten Prüfung getrennt, damit das Ergebnis die nächste Entwicklungsstufe unterstützen kann.
", "aboutText": "GPT-5.2-Codex ist OpenAIs GPT-5.2-Edition, die für agentische Programmierung in Codex und ähnlichen Umgebungen optimiert ist. Sie nimmt Text und Bilder entgegen und erzeugt Text. Das Modell ist für lang laufende Softwareentwicklungsaufgaben ausgelegt, bei denen Projektkontext, Werkzeugergebnisse und bereits getroffene Entscheidungen den nächsten Schritt beeinflussen.\n\nDie Veröffentlichung des Herstellers beschreibt große Codeänderungen wie Refactorings, Migrationen und Funktionsentwicklung sowie verbesserte Arbeit in Windows-Umgebungen. Integrierte Kontextverdichtung unterstützt längere Sitzungen, indem sie den wichtigen Zustand bei wachsendem Gespräch bewahrt. Dies ist ein Mechanismus zur Fortführung einer langen Aufgabe und kein größeres zahlenmäßiges Kontextfenster oder eine Garantie, dass jedes Projektdetail in eine Anfrage passt.\n\nStellen Sie für eine Codeänderung das erforderliche Verhalten, die relevanten Dateien und die Bedingungen bereit, die die Lösung bewahren muss. Eine beispielhafte Anfrage besteht darin, eine Komponente zu migrieren und dabei ihr von außen beobachtbares Verhalten beizubehalten: Ermitteln Sie die Abhängigkeiten, schlagen Sie abgestimmte Änderungen vor und benennen Sie die Prüfung des Verhaltens. Geben Sie bei einem Fehler das beobachtete Ergebnis, das erwartete Ergebnis und die Bedingungen an, unter denen sich das Problem reproduzieren lässt. Tatsächliche Datei- und Befehlsergebnisse werden in der Umgebung des Agenten zu Belegen für die nächste Entscheidung.\n\nVisuelle Eingaben können einen Gestaltungsentwurf, Screenshot, ein technisches Diagramm oder Schaubild mit Bezug zur technischen Aufgabe liefern. Die Veröffentlichung beschreibt die Interpretation dieser Materialien während Programmiersitzungen. Benennen Sie den wichtigen Zustand oder Zusammenhang im Bild und erklären Sie, was die Implementierung damit tun soll. Die Ausgabe bleibt Text, darunter Code oder Anweisungen für die angebundenen Werkzeuge; eine visuelle Referenz macht aus diesem Modell keinen Bildgenerator.\n\nOpenAI nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Die unterstützten Einstellungen für den Reasoning-Aufwand sind low, medium, high und xhigh. Die dokumentierte Schnittstelle des Modells ist Responses mit Streaming, Structured Outputs, Funktionsaufrufen, Bildeingaben, Websuche und Prompt-Caching. Die genau aufgeführten Werkzeuge umfassen Funktionen, Websuche, eine gehostete Shell und Skills.\n\nAnwendungen stellen ihre Arbeitsumgebung bereit, führen ihre Vorgänge aus und liefern tatsächliche Ergebnisse zurück. Die Veröffentlichung beschreibt außerdem zusätzliche Schutzmaßnahmen für Cybersicherheitsaufgaben. Definieren Sie ein konkretes Abschlusskriterium für die technische Aufgabe und fordern Sie ein Endergebnis an, das die betroffenen Dateien, wesentlichen Änderungen und abgeschlossenen Prüfungen mit dem ursprünglichen Verhalten verbindet. Halten Sie eine vorgeschlagene Prüfung von einer ausgeführten Prüfung getrennt, damit das Ergebnis die nächste Entwicklungsstufe unterstützen kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Migrate a result key consistently\n\nTwo Python files use a result key. calc.py: def compute(x): return {'total': x * 2}. view.py: def render(result): return str(result['total']). Migrate the internal key to 'amount' while preserving the displayed value and compute's public function name. Return both changed file blocks and an assertion for render(compute(3)).Two coordinated file changes and a regression assertion for the composed behavior.Both producer and consumer must use amount while the displayed result remains the same.gpt-5.2-codexEine GPT-5.2-Edition, die für lang laufende agentische Programmierung optimiert ist. Sie nimmt Text und Bilder entgegen und unterstützt projektweite Refactorings, Migrationen und Fehlersuche in einer Umgebung mit Werkzeuganbindung sowie integrierte Kontextverdichtung für die Fortführung der Arbeit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.2-Codex ist OpenAIs GPT-5.2-Edition, die für agentische Programmierung in Codex und ähnlichen Umgebungen optimiert ist. Sie nimmt Text und Bilder entgegen und erzeugt Text. Das Modell ist für lang laufende Softwareentwicklungsaufgaben ausgelegt, bei denen Projektkontext, Werkzeugergebnisse und bereits getroffene Entscheidungen den nächsten Schritt beeinflussen.
Die Veröffentlichung des Herstellers beschreibt große Codeänderungen wie Refactorings, Migrationen und Funktionsentwicklung sowie verbesserte Arbeit in Windows-Umgebungen. Integrierte Kontextverdichtung unterstützt längere Sitzungen, indem sie den wichtigen Zustand bei wachsendem Gespräch bewahrt. Dies ist ein Mechanismus zur Fortführung einer langen Aufgabe und kein größeres zahlenmäßiges Kontextfenster oder eine Garantie, dass jedes Projektdetail in eine Anfrage passt.
Stellen Sie für eine Codeänderung das erforderliche Verhalten, die relevanten Dateien und die Bedingungen bereit, die die Lösung bewahren muss. Eine beispielhafte Anfrage besteht darin, eine Komponente zu migrieren und dabei ihr von außen beobachtbares Verhalten beizubehalten: Ermitteln Sie die Abhängigkeiten, schlagen Sie abgestimmte Änderungen vor und benennen Sie die Prüfung des Verhaltens. Geben Sie bei einem Fehler das beobachtete Ergebnis, das erwartete Ergebnis und die Bedingungen an, unter denen sich das Problem reproduzieren lässt. Tatsächliche Datei- und Befehlsergebnisse werden in der Umgebung des Agenten zu Belegen für die nächste Entscheidung.
Visuelle Eingaben können einen Gestaltungsentwurf, Screenshot, ein technisches Diagramm oder Schaubild mit Bezug zur technischen Aufgabe liefern. Die Veröffentlichung beschreibt die Interpretation dieser Materialien während Programmiersitzungen. Benennen Sie den wichtigen Zustand oder Zusammenhang im Bild und erklären Sie, was die Implementierung damit tun soll. Die Ausgabe bleibt Text, darunter Code oder Anweisungen für die angebundenen Werkzeuge; eine visuelle Referenz macht aus diesem Modell keinen Bildgenerator.
OpenAI nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Die unterstützten Einstellungen für den Reasoning-Aufwand sind low, medium, high und xhigh. Die dokumentierte Schnittstelle des Modells ist Responses mit Streaming, Structured Outputs, Funktionsaufrufen, Bildeingaben, Websuche und Prompt-Caching. Die genau aufgeführten Werkzeuge umfassen Funktionen, Websuche, eine gehostete Shell und Skills.
Anwendungen stellen ihre Arbeitsumgebung bereit, führen ihre Vorgänge aus und liefern tatsächliche Ergebnisse zurück. Die Veröffentlichung beschreibt außerdem zusätzliche Schutzmaßnahmen für Cybersicherheitsaufgaben. Definieren Sie ein konkretes Abschlusskriterium für die technische Aufgabe und fordern Sie ein Endergebnis an, das die betroffenen Dateien, wesentlichen Änderungen und abgeschlossenen Prüfungen mit dem ursprünglichen Verhalten verbindet. Halten Sie eine vorgeschlagene Prüfung von einer ausgeführten Prüfung getrennt, damit das Ergebnis die nächste Entwicklungsstufe unterstützen kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5.2-codex | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.0035 / 1K Tokens Ausgabe · Ausgabetoken $0.028 / 1K Tokens Eingabe · Cache lesen $0.00035 / 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 $0.0035 / 1K Tokens Ausgabe · Ausgabetoken $0.028 / 1K Tokens Eingabe · Cache lesen $0.00035 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.2-codex","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-5.2-codex", 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 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 gpt-5.2-codex, openai/gpt-5.2-codex
/chat/completions
gpt-5.2-codexEine GPT-5.2-Edition, die für lang laufende agentische Programmierung optimiert ist. Sie nimmt Text und Bilder entgegen und unterstützt projektweite Refactorings, Migrationen und Fehlersuche in einer Umgebung mit Werkzeuganbindung sowie integrierte Kontextverdichtung für die Fortführung der Arbeit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.2-Codex ist OpenAIs GPT-5.2-Edition, die für agentische Programmierung in Codex und ähnlichen Umgebungen optimiert ist. Sie nimmt Text und Bilder entgegen und erzeugt Text. Das Modell ist für lang laufende Softwareentwicklungsaufgaben ausgelegt, bei denen Projektkontext, Werkzeugergebnisse und bereits getroffene Entscheidungen den nächsten Schritt beeinflussen.
Die Veröffentlichung des Herstellers beschreibt große Codeänderungen wie Refactorings, Migrationen und Funktionsentwicklung sowie verbesserte Arbeit in Windows-Umgebungen. Integrierte Kontextverdichtung unterstützt längere Sitzungen, indem sie den wichtigen Zustand bei wachsendem Gespräch bewahrt. Dies ist ein Mechanismus zur Fortführung einer langen Aufgabe und kein größeres zahlenmäßiges Kontextfenster oder eine Garantie, dass jedes Projektdetail in eine Anfrage passt.
Stellen Sie für eine Codeänderung das erforderliche Verhalten, die relevanten Dateien und die Bedingungen bereit, die die Lösung bewahren muss. Eine beispielhafte Anfrage besteht darin, eine Komponente zu migrieren und dabei ihr von außen beobachtbares Verhalten beizubehalten: Ermitteln Sie die Abhängigkeiten, schlagen Sie abgestimmte Änderungen vor und benennen Sie die Prüfung des Verhaltens. Geben Sie bei einem Fehler das beobachtete Ergebnis, das erwartete Ergebnis und die Bedingungen an, unter denen sich das Problem reproduzieren lässt. Tatsächliche Datei- und Befehlsergebnisse werden in der Umgebung des Agenten zu Belegen für die nächste Entscheidung.
Visuelle Eingaben können einen Gestaltungsentwurf, Screenshot, ein technisches Diagramm oder Schaubild mit Bezug zur technischen Aufgabe liefern. Die Veröffentlichung beschreibt die Interpretation dieser Materialien während Programmiersitzungen. Benennen Sie den wichtigen Zustand oder Zusammenhang im Bild und erklären Sie, was die Implementierung damit tun soll. Die Ausgabe bleibt Text, darunter Code oder Anweisungen für die angebundenen Werkzeuge; eine visuelle Referenz macht aus diesem Modell keinen Bildgenerator.
OpenAI nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Die unterstützten Einstellungen für den Reasoning-Aufwand sind low, medium, high und xhigh. Die dokumentierte Schnittstelle des Modells ist Responses mit Streaming, Structured Outputs, Funktionsaufrufen, Bildeingaben, Websuche und Prompt-Caching. Die genau aufgeführten Werkzeuge umfassen Funktionen, Websuche, eine gehostete Shell und Skills.
Anwendungen stellen ihre Arbeitsumgebung bereit, führen ihre Vorgänge aus und liefern tatsächliche Ergebnisse zurück. Die Veröffentlichung beschreibt außerdem zusätzliche Schutzmaßnahmen für Cybersicherheitsaufgaben. Definieren Sie ein konkretes Abschlusskriterium für die technische Aufgabe und fordern Sie ein Endergebnis an, das die betroffenen Dateien, wesentlichen Änderungen und abgeschlossenen Prüfungen mit dem ursprünglichen Verhalten verbindet. Halten Sie eine vorgeschlagene Prüfung von einer ausgeführten Prüfung getrennt, damit das Ergebnis die nächste Entwicklungsstufe unterstützen kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5.2-codex | 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 $0.0035 / 1K Tokens Ausgabe · Ausgabetoken $0.028 / 1K Tokens Eingabe · Cache lesen $0.00035 / 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 $0.0035 / 1K Tokens Ausgabe · Ausgabetoken $0.028 / 1K Tokens Eingabe · Cache lesen $0.00035 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-5.2-codex",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.2-codex', '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-5.2-codex', '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 gpt-5.2-codex, openai/gpt-5.2-codex
/chat/completions
openai/gpt-5.2-codexEine GPT-5.2-Edition, die für lang laufende agentische Programmierung optimiert ist. Sie nimmt Text und Bilder entgegen und unterstützt projektweite Refactorings, Migrationen und Fehlersuche in einer Umgebung mit Werkzeuganbindung sowie integrierte Kontextverdichtung für die Fortführung der Arbeit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.2-Codex ist OpenAIs GPT-5.2-Edition, die für agentische Programmierung in Codex und ähnlichen Umgebungen optimiert ist. Sie nimmt Text und Bilder entgegen und erzeugt Text. Das Modell ist für lang laufende Softwareentwicklungsaufgaben ausgelegt, bei denen Projektkontext, Werkzeugergebnisse und bereits getroffene Entscheidungen den nächsten Schritt beeinflussen.
Die Veröffentlichung des Herstellers beschreibt große Codeänderungen wie Refactorings, Migrationen und Funktionsentwicklung sowie verbesserte Arbeit in Windows-Umgebungen. Integrierte Kontextverdichtung unterstützt längere Sitzungen, indem sie den wichtigen Zustand bei wachsendem Gespräch bewahrt. Dies ist ein Mechanismus zur Fortführung einer langen Aufgabe und kein größeres zahlenmäßiges Kontextfenster oder eine Garantie, dass jedes Projektdetail in eine Anfrage passt.
Stellen Sie für eine Codeänderung das erforderliche Verhalten, die relevanten Dateien und die Bedingungen bereit, die die Lösung bewahren muss. Eine beispielhafte Anfrage besteht darin, eine Komponente zu migrieren und dabei ihr von außen beobachtbares Verhalten beizubehalten: Ermitteln Sie die Abhängigkeiten, schlagen Sie abgestimmte Änderungen vor und benennen Sie die Prüfung des Verhaltens. Geben Sie bei einem Fehler das beobachtete Ergebnis, das erwartete Ergebnis und die Bedingungen an, unter denen sich das Problem reproduzieren lässt. Tatsächliche Datei- und Befehlsergebnisse werden in der Umgebung des Agenten zu Belegen für die nächste Entscheidung.
Visuelle Eingaben können einen Gestaltungsentwurf, Screenshot, ein technisches Diagramm oder Schaubild mit Bezug zur technischen Aufgabe liefern. Die Veröffentlichung beschreibt die Interpretation dieser Materialien während Programmiersitzungen. Benennen Sie den wichtigen Zustand oder Zusammenhang im Bild und erklären Sie, was die Implementierung damit tun soll. Die Ausgabe bleibt Text, darunter Code oder Anweisungen für die angebundenen Werkzeuge; eine visuelle Referenz macht aus diesem Modell keinen Bildgenerator.
OpenAI nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Die unterstützten Einstellungen für den Reasoning-Aufwand sind low, medium, high und xhigh. Die dokumentierte Schnittstelle des Modells ist Responses mit Streaming, Structured Outputs, Funktionsaufrufen, Bildeingaben, Websuche und Prompt-Caching. Die genau aufgeführten Werkzeuge umfassen Funktionen, Websuche, eine gehostete Shell und Skills.
Anwendungen stellen ihre Arbeitsumgebung bereit, führen ihre Vorgänge aus und liefern tatsächliche Ergebnisse zurück. Die Veröffentlichung beschreibt außerdem zusätzliche Schutzmaßnahmen für Cybersicherheitsaufgaben. Definieren Sie ein konkretes Abschlusskriterium für die technische Aufgabe und fordern Sie ein Endergebnis an, das die betroffenen Dateien, wesentlichen Änderungen und abgeschlossenen Prüfungen mit dem ursprünglichen Verhalten verbindet. Halten Sie eine vorgeschlagene Prüfung von einer ausgeführten Prüfung getrennt, damit das Ergebnis die nächste Entwicklungsstufe unterstützen kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.2-codex | 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 $0.0035 / 1K Tokens Ausgabe · Ausgabetoken $0.028 / 1K Tokens Eingabe · Cache lesen $0.00035 / 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 $0.0035 / 1K Tokens Ausgabe · Ausgabetoken $0.028 / 1K Tokens Eingabe · Cache lesen $0.00035 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.2-codex", "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-5.2-codex',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-5.2-codex',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 gpt-5.2-codex, openai/gpt-5.2-codex
/chat/completions
openai/gpt-5.2-codexEine GPT-5.2-Edition, die für lang laufende agentische Programmierung optimiert ist. Sie nimmt Text und Bilder entgegen und unterstützt projektweite Refactorings, Migrationen und Fehlersuche in einer Umgebung mit Werkzeuganbindung sowie integrierte Kontextverdichtung für die Fortführung der Arbeit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.2-Codex ist OpenAIs GPT-5.2-Edition, die für agentische Programmierung in Codex und ähnlichen Umgebungen optimiert ist. Sie nimmt Text und Bilder entgegen und erzeugt Text. Das Modell ist für lang laufende Softwareentwicklungsaufgaben ausgelegt, bei denen Projektkontext, Werkzeugergebnisse und bereits getroffene Entscheidungen den nächsten Schritt beeinflussen.
Die Veröffentlichung des Herstellers beschreibt große Codeänderungen wie Refactorings, Migrationen und Funktionsentwicklung sowie verbesserte Arbeit in Windows-Umgebungen. Integrierte Kontextverdichtung unterstützt längere Sitzungen, indem sie den wichtigen Zustand bei wachsendem Gespräch bewahrt. Dies ist ein Mechanismus zur Fortführung einer langen Aufgabe und kein größeres zahlenmäßiges Kontextfenster oder eine Garantie, dass jedes Projektdetail in eine Anfrage passt.
Stellen Sie für eine Codeänderung das erforderliche Verhalten, die relevanten Dateien und die Bedingungen bereit, die die Lösung bewahren muss. Eine beispielhafte Anfrage besteht darin, eine Komponente zu migrieren und dabei ihr von außen beobachtbares Verhalten beizubehalten: Ermitteln Sie die Abhängigkeiten, schlagen Sie abgestimmte Änderungen vor und benennen Sie die Prüfung des Verhaltens. Geben Sie bei einem Fehler das beobachtete Ergebnis, das erwartete Ergebnis und die Bedingungen an, unter denen sich das Problem reproduzieren lässt. Tatsächliche Datei- und Befehlsergebnisse werden in der Umgebung des Agenten zu Belegen für die nächste Entscheidung.
Visuelle Eingaben können einen Gestaltungsentwurf, Screenshot, ein technisches Diagramm oder Schaubild mit Bezug zur technischen Aufgabe liefern. Die Veröffentlichung beschreibt die Interpretation dieser Materialien während Programmiersitzungen. Benennen Sie den wichtigen Zustand oder Zusammenhang im Bild und erklären Sie, was die Implementierung damit tun soll. Die Ausgabe bleibt Text, darunter Code oder Anweisungen für die angebundenen Werkzeuge; eine visuelle Referenz macht aus diesem Modell keinen Bildgenerator.
OpenAI nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Die unterstützten Einstellungen für den Reasoning-Aufwand sind low, medium, high und xhigh. Die dokumentierte Schnittstelle des Modells ist Responses mit Streaming, Structured Outputs, Funktionsaufrufen, Bildeingaben, Websuche und Prompt-Caching. Die genau aufgeführten Werkzeuge umfassen Funktionen, Websuche, eine gehostete Shell und Skills.
Anwendungen stellen ihre Arbeitsumgebung bereit, führen ihre Vorgänge aus und liefern tatsächliche Ergebnisse zurück. Die Veröffentlichung beschreibt außerdem zusätzliche Schutzmaßnahmen für Cybersicherheitsaufgaben. Definieren Sie ein konkretes Abschlusskriterium für die technische Aufgabe und fordern Sie ein Endergebnis an, das die betroffenen Dateien, wesentlichen Änderungen und abgeschlossenen Prüfungen mit dem ursprünglichen Verhalten verbindet. Halten Sie eine vorgeschlagene Prüfung von einer ausgeführten Prüfung getrennt, damit das Ergebnis die nächste Entwicklungsstufe unterstützen kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.2-codex | 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 $0.0035 / 1K Tokens Ausgabe · Ausgabetoken $0.028 / 1K Tokens Eingabe · Cache lesen $0.00035 / 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 $0.0035 / 1K Tokens Ausgabe · Ausgabetoken $0.028 / 1K Tokens Eingabe · Cache lesen $0.00035 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-5.2-codex",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.2-codex', '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-5.2-codex', '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 gpt-5.2-codex, openai/gpt-5.2-codex
/chat/completions
Technisches Beispiel auf Englisch
Migrate a result key consistently\n\nTwo Python files use a result key. calc.py: def compute(x): return {'total': x * 2}. view.py: def render(result): return str(result['total']). Migrate the internal key to 'amount' while preserving the displayed value and compute's public function name. Return both changed file blocks and an assertion for render(compute(3)).Two coordinated file changes and a regression assertion for the composed behavior.Both producer and consumer must use amount while the displayed result remains the same.