GPT-5.5 Pro ist OpenAIs separate Pro-Edition von GPT-5.5. Sie nutzt zusätzliche Rechenleistung, um schwierige Fragen zu bearbeiten und eine eingehendere Antwort zu entwickeln. Das Modell nimmt Text und Bilder entgegen und erzeugt Text. Seine Identität als benanntes Pro-Modell unterscheidet sich von der Auswahl des Pro-Ausführungsmodus auf einem GPT-5.6- oder GPT-6-Basismodell.
Die Veröffentlichung zur GPT-5.5-Familie beschreibt Programmierung, Forschung, Datenanalyse und dokumentenreiche fachliche Aufgaben. Sie beschreibt Pro ausdrücklich als Wahl für anspruchsvolle Fragen und umfassendere, strukturierte Ergebnisse. Eine beispielhafte Aufgabe besteht darin, mehrere Projektdokumente abzugleichen, voneinander abhängige Anforderungen zu ermitteln und eine Empfehlung mit ausdrücklich benannten Bedingungen zu entwickeln. Stellen Sie für Code das beabsichtigte Verhalten, die vorhandene Implementierung und die Bedingungen bereit, die eine vorgeschlagene Änderung bewahren muss.
OpenAI nennt für GPT-5.5 Pro ein Kontextfenster von 1.050.000 Token und eine maximale Ausgabe von 128.000 Token; der dokumentierte Wissensstand ist der 1. Dezember 2025. Die Einstellungen für den Reasoning-Aufwand sind medium, high und xhigh; high ist der Standardwert. Das Reasoning beansprucht neben der sichtbaren Antwort Tokenplatz. Eine lange fachliche Anfrage sollte daher die relevanten Belege enthalten und Raum für die Analyse des Modells und das Endergebnis lassen.
Der Hersteller dokumentiert GPT-5.5 Pro für Responses-Anfragen, auch über Batch, um vor der Antwort mehrere Interaktionsschritte des Modells zu unterstützen. Schwierige Anfragen können mehrere Minuten dauern. OpenAI empfiehlt die Ausführung im Hintergrund für lang laufende Aufgaben: Die Anwendung erhält eine Antwortkennung, verfolgt den Status der Anfrage und ruft das abgeschlossene Ergebnis ab. Verwenden Sie diesen Arbeitsablauf, um eine lange Anfrage bis zu ihrem abgeschlossenen Ergebnis zu verfolgen.
Die Modellkarte nennt Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Werkzeuge zur Bilderzeugung, Bildeingaben und MCP-Unterstützung. Ihre Werkzeuge umfassen außerdem einen Code-Interpreter und eine gehostete Shell. Die Anwendung stellt die Arbeitsumgebung bereit und führt ihre Vorgänge aus. Sie liefert deren tatsächliche Ergebnisse zurück, damit das Modell fortfahren kann. Ein vorgeschlagenes Programm, eine angeforderte Handlung und das Ergebnis einer ausgeführten Handlung sollten bei der Vorbereitung der endgültigen Antwort als unterschiedliche Ergebnisse behandelt werden.
Geben Sie dem Modell eine klare Frage, das Quellenmaterial und ein Abschlusskriterium vor. Fordern Sie für eine technische Analyse die betroffenen Abhängigkeiten, den vorgeschlagenen Ansatz und die zu seiner Prüfung nötigen Belege an. Benennen Sie für eine Entscheidung auf Grundlage von Dokumenten die Vergleichskriterien und verlangen Sie, dass bereitgestellte Fakten, Schlussfolgerung und offene Bedingungen unterscheidbar bleiben. Wenn ein Bild wesentliche Belege liefert, verweisen Sie auf das relevante Detail. Ein nützliches Endergebnis ist eine konkrete Entscheidungsvorlage, ein Codevorschlag oder eine analytische Erklärung, die mit dem von Ihnen bereitgestellten Material und Ziel verbunden ist.
", "aboutText": "GPT-5.5 Pro ist OpenAIs separate Pro-Edition von GPT-5.5. Sie nutzt zusätzliche Rechenleistung, um schwierige Fragen zu bearbeiten und eine eingehendere Antwort zu entwickeln. Das Modell nimmt Text und Bilder entgegen und erzeugt Text. Seine Identität als benanntes Pro-Modell unterscheidet sich von der Auswahl des Pro-Ausführungsmodus auf einem GPT-5.6- oder GPT-6-Basismodell.\n\nDie Veröffentlichung zur GPT-5.5-Familie beschreibt Programmierung, Forschung, Datenanalyse und dokumentenreiche fachliche Aufgaben. Sie beschreibt Pro ausdrücklich als Wahl für anspruchsvolle Fragen und umfassendere, strukturierte Ergebnisse. Eine beispielhafte Aufgabe besteht darin, mehrere Projektdokumente abzugleichen, voneinander abhängige Anforderungen zu ermitteln und eine Empfehlung mit ausdrücklich benannten Bedingungen zu entwickeln. Stellen Sie für Code das beabsichtigte Verhalten, die vorhandene Implementierung und die Bedingungen bereit, die eine vorgeschlagene Änderung bewahren muss.\n\nOpenAI nennt für GPT-5.5 Pro ein Kontextfenster von 1.050.000 Token und eine maximale Ausgabe von 128.000 Token; der dokumentierte Wissensstand ist der 1. Dezember 2025. Die Einstellungen für den Reasoning-Aufwand sind medium, high und xhigh; high ist der Standardwert. Das Reasoning beansprucht neben der sichtbaren Antwort Tokenplatz. Eine lange fachliche Anfrage sollte daher die relevanten Belege enthalten und Raum für die Analyse des Modells und das Endergebnis lassen.\n\nDer Hersteller dokumentiert GPT-5.5 Pro für Responses-Anfragen, auch über Batch, um vor der Antwort mehrere Interaktionsschritte des Modells zu unterstützen. Schwierige Anfragen können mehrere Minuten dauern. OpenAI empfiehlt die Ausführung im Hintergrund für lang laufende Aufgaben: Die Anwendung erhält eine Antwortkennung, verfolgt den Status der Anfrage und ruft das abgeschlossene Ergebnis ab. Verwenden Sie diesen Arbeitsablauf, um eine lange Anfrage bis zu ihrem abgeschlossenen Ergebnis zu verfolgen.\n\nDie Modellkarte nennt Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Werkzeuge zur Bilderzeugung, Bildeingaben und MCP-Unterstützung. Ihre Werkzeuge umfassen außerdem einen Code-Interpreter und eine gehostete Shell. Die Anwendung stellt die Arbeitsumgebung bereit und führt ihre Vorgänge aus. Sie liefert deren tatsächliche Ergebnisse zurück, damit das Modell fortfahren kann. Ein vorgeschlagenes Programm, eine angeforderte Handlung und das Ergebnis einer ausgeführten Handlung sollten bei der Vorbereitung der endgültigen Antwort als unterschiedliche Ergebnisse behandelt werden.\n\nGeben Sie dem Modell eine klare Frage, das Quellenmaterial und ein Abschlusskriterium vor. Fordern Sie für eine technische Analyse die betroffenen Abhängigkeiten, den vorgeschlagenen Ansatz und die zu seiner Prüfung nötigen Belege an. Benennen Sie für eine Entscheidung auf Grundlage von Dokumenten die Vergleichskriterien und verlangen Sie, dass bereitgestellte Fakten, Schlussfolgerung und offene Bedingungen unterscheidbar bleiben. Wenn ein Bild wesentliche Belege liefert, verweisen Sie auf das relevante Detail. Ein nützliches Endergebnis ist eine konkrete Entscheidungsvorlage, ein Codevorschlag oder eine analytische Erklärung, die mit dem von Ihnen bereitgestellten Material und Ziel verbunden ist.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile a staged delivery decision\n\nReconcile these project notes. D1: launch requires a trained support team. D2: training requires a finished user guide. D3: the guide is drafted but its setup instructions remain unverified. The manager proposes launching tomorrow because the draft exists. Return the dependency chain, the unsupported readiness claim and the evidence needed for a launch decision.A source-linked dependency analysis and a conditional decision memo.A draft guide must not be treated as verified instructions or completed support training.openai/gpt-5.5-proDie separate Edition GPT-5.5 Pro nutzt zusätzliche Rechenleistung für schwieriges Reasoning und fachliche Analysen. Sie nimmt Text und Bilder entgegen und entwickelt ein Textergebnis über die Responses-Schnittstelle des Herstellers, einschließlich Batch-Anfragen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.5 Pro ist OpenAIs separate Pro-Edition von GPT-5.5. Sie nutzt zusätzliche Rechenleistung, um schwierige Fragen zu bearbeiten und eine eingehendere Antwort zu entwickeln. Das Modell nimmt Text und Bilder entgegen und erzeugt Text. Seine Identität als benanntes Pro-Modell unterscheidet sich von der Auswahl des Pro-Ausführungsmodus auf einem GPT-5.6- oder GPT-6-Basismodell.
Die Veröffentlichung zur GPT-5.5-Familie beschreibt Programmierung, Forschung, Datenanalyse und dokumentenreiche fachliche Aufgaben. Sie beschreibt Pro ausdrücklich als Wahl für anspruchsvolle Fragen und umfassendere, strukturierte Ergebnisse. Eine beispielhafte Aufgabe besteht darin, mehrere Projektdokumente abzugleichen, voneinander abhängige Anforderungen zu ermitteln und eine Empfehlung mit ausdrücklich benannten Bedingungen zu entwickeln. Stellen Sie für Code das beabsichtigte Verhalten, die vorhandene Implementierung und die Bedingungen bereit, die eine vorgeschlagene Änderung bewahren muss.
OpenAI nennt für GPT-5.5 Pro ein Kontextfenster von 1.050.000 Token und eine maximale Ausgabe von 128.000 Token; der dokumentierte Wissensstand ist der 1. Dezember 2025. Die Einstellungen für den Reasoning-Aufwand sind medium, high und xhigh; high ist der Standardwert. Das Reasoning beansprucht neben der sichtbaren Antwort Tokenplatz. Eine lange fachliche Anfrage sollte daher die relevanten Belege enthalten und Raum für die Analyse des Modells und das Endergebnis lassen.
Der Hersteller dokumentiert GPT-5.5 Pro für Responses-Anfragen, auch über Batch, um vor der Antwort mehrere Interaktionsschritte des Modells zu unterstützen. Schwierige Anfragen können mehrere Minuten dauern. OpenAI empfiehlt die Ausführung im Hintergrund für lang laufende Aufgaben: Die Anwendung erhält eine Antwortkennung, verfolgt den Status der Anfrage und ruft das abgeschlossene Ergebnis ab. Verwenden Sie diesen Arbeitsablauf, um eine lange Anfrage bis zu ihrem abgeschlossenen Ergebnis zu verfolgen.
Die Modellkarte nennt Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Werkzeuge zur Bilderzeugung, Bildeingaben und MCP-Unterstützung. Ihre Werkzeuge umfassen außerdem einen Code-Interpreter und eine gehostete Shell. Die Anwendung stellt die Arbeitsumgebung bereit und führt ihre Vorgänge aus. Sie liefert deren tatsächliche Ergebnisse zurück, damit das Modell fortfahren kann. Ein vorgeschlagenes Programm, eine angeforderte Handlung und das Ergebnis einer ausgeführten Handlung sollten bei der Vorbereitung der endgültigen Antwort als unterschiedliche Ergebnisse behandelt werden.
Geben Sie dem Modell eine klare Frage, das Quellenmaterial und ein Abschlusskriterium vor. Fordern Sie für eine technische Analyse die betroffenen Abhängigkeiten, den vorgeschlagenen Ansatz und die zu seiner Prüfung nötigen Belege an. Benennen Sie für eine Entscheidung auf Grundlage von Dokumenten die Vergleichskriterien und verlangen Sie, dass bereitgestellte Fakten, Schlussfolgerung und offene Bedingungen unterscheidbar bleiben. Wenn ein Bild wesentliche Belege liefert, verweisen Sie auf das relevante Detail. Ein nützliches Endergebnis ist eine konkrete Entscheidungsvorlage, ein Codevorschlag oder eine analytische Erklärung, die mit dem von Ihnen bereitgestellten Material und Ziel verbunden ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.5-pro | 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 $0.06 / 1K Tokens Ausgabe · Ausgabetoken $0.36 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.06 / 1K Tokens Ausgabe · Ausgabetoken $0.36 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.12 / 1K Tokens Ausgabe · Ausgabetoken $0.54 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.5-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-5.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-5.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-5.5-pro
Verwenden Sie die oben angezeigten Methodenpfade.
openai/gpt-5.5-proDie separate Edition GPT-5.5 Pro nutzt zusätzliche Rechenleistung für schwieriges Reasoning und fachliche Analysen. Sie nimmt Text und Bilder entgegen und entwickelt ein Textergebnis über die Responses-Schnittstelle des Herstellers, einschließlich Batch-Anfragen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.5 Pro ist OpenAIs separate Pro-Edition von GPT-5.5. Sie nutzt zusätzliche Rechenleistung, um schwierige Fragen zu bearbeiten und eine eingehendere Antwort zu entwickeln. Das Modell nimmt Text und Bilder entgegen und erzeugt Text. Seine Identität als benanntes Pro-Modell unterscheidet sich von der Auswahl des Pro-Ausführungsmodus auf einem GPT-5.6- oder GPT-6-Basismodell.
Die Veröffentlichung zur GPT-5.5-Familie beschreibt Programmierung, Forschung, Datenanalyse und dokumentenreiche fachliche Aufgaben. Sie beschreibt Pro ausdrücklich als Wahl für anspruchsvolle Fragen und umfassendere, strukturierte Ergebnisse. Eine beispielhafte Aufgabe besteht darin, mehrere Projektdokumente abzugleichen, voneinander abhängige Anforderungen zu ermitteln und eine Empfehlung mit ausdrücklich benannten Bedingungen zu entwickeln. Stellen Sie für Code das beabsichtigte Verhalten, die vorhandene Implementierung und die Bedingungen bereit, die eine vorgeschlagene Änderung bewahren muss.
OpenAI nennt für GPT-5.5 Pro ein Kontextfenster von 1.050.000 Token und eine maximale Ausgabe von 128.000 Token; der dokumentierte Wissensstand ist der 1. Dezember 2025. Die Einstellungen für den Reasoning-Aufwand sind medium, high und xhigh; high ist der Standardwert. Das Reasoning beansprucht neben der sichtbaren Antwort Tokenplatz. Eine lange fachliche Anfrage sollte daher die relevanten Belege enthalten und Raum für die Analyse des Modells und das Endergebnis lassen.
Der Hersteller dokumentiert GPT-5.5 Pro für Responses-Anfragen, auch über Batch, um vor der Antwort mehrere Interaktionsschritte des Modells zu unterstützen. Schwierige Anfragen können mehrere Minuten dauern. OpenAI empfiehlt die Ausführung im Hintergrund für lang laufende Aufgaben: Die Anwendung erhält eine Antwortkennung, verfolgt den Status der Anfrage und ruft das abgeschlossene Ergebnis ab. Verwenden Sie diesen Arbeitsablauf, um eine lange Anfrage bis zu ihrem abgeschlossenen Ergebnis zu verfolgen.
Die Modellkarte nennt Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Werkzeuge zur Bilderzeugung, Bildeingaben und MCP-Unterstützung. Ihre Werkzeuge umfassen außerdem einen Code-Interpreter und eine gehostete Shell. Die Anwendung stellt die Arbeitsumgebung bereit und führt ihre Vorgänge aus. Sie liefert deren tatsächliche Ergebnisse zurück, damit das Modell fortfahren kann. Ein vorgeschlagenes Programm, eine angeforderte Handlung und das Ergebnis einer ausgeführten Handlung sollten bei der Vorbereitung der endgültigen Antwort als unterschiedliche Ergebnisse behandelt werden.
Geben Sie dem Modell eine klare Frage, das Quellenmaterial und ein Abschlusskriterium vor. Fordern Sie für eine technische Analyse die betroffenen Abhängigkeiten, den vorgeschlagenen Ansatz und die zu seiner Prüfung nötigen Belege an. Benennen Sie für eine Entscheidung auf Grundlage von Dokumenten die Vergleichskriterien und verlangen Sie, dass bereitgestellte Fakten, Schlussfolgerung und offene Bedingungen unterscheidbar bleiben. Wenn ein Bild wesentliche Belege liefert, verweisen Sie auf das relevante Detail. Ein nützliches Endergebnis ist eine konkrete Entscheidungsvorlage, ein Codevorschlag oder eine analytische Erklärung, die mit dem von Ihnen bereitgestellten Material und Ziel verbunden ist.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.5-pro | 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 $0.06 / 1K Tokens Ausgabe · Ausgabetoken $0.36 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.06 / 1K Tokens Ausgabe · Ausgabetoken $0.36 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.12 / 1K Tokens Ausgabe · Ausgabetoken $0.54 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-5.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.5-pro', '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-5.5-pro', '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-5.5-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile a staged delivery decision\n\nReconcile these project notes. D1: launch requires a trained support team. D2: training requires a finished user guide. D3: the guide is drafted but its setup instructions remain unverified. The manager proposes launching tomorrow because the draft exists. Return the dependency chain, the unsupported readiness claim and the evidence needed for a launch decision.A source-linked dependency analysis and a conditional decision memo.A draft guide must not be treated as verified instructions or completed support training.