GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.
Eine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.
Stellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.
OpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.
Benennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.
", "aboutText": "GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.\n\nEine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.\n\nStellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.\n\nOpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.\n\nDer Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.\n\nBenennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.gpt-5.6-luna-proGPT-5.6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die zusätzliche Analyse benötigen. Stellen Sie Text oder Bilder und ausdrückliche Regeln bereit, um ein Extraktionsergebnis, eine knappe Antwort oder die Erklärung einer Ausnahme zu entwickeln.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.
Eine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.
Stellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.
OpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.
Benennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5.6-luna-pro | 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben $0.001 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-luna-pro","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-5.6-luna-pro", 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-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
gpt-5.6-luna-proGPT-5.6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die zusätzliche Analyse benötigen. Stellen Sie Text oder Bilder und ausdrückliche Regeln bereit, um ein Extraktionsergebnis, eine knappe Antwort oder die Erklärung einer Ausnahme zu entwickeln.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.
Eine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.
Stellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.
OpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.
Benennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5.6-luna-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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben $0.001 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'gpt-5.6-luna-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': 'gpt-5.6-luna-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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-5.6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die zusätzliche Analyse benötigen. Stellen Sie Text oder Bilder und ausdrückliche Regeln bereit, um ein Extraktionsergebnis, eine knappe Antwort oder die Erklärung einer Ausnahme zu entwickeln.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.
Eine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.
Stellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.
OpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.
Benennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.6-luna-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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben $0.001 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-luna-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-5.6-luna-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-5.6-luna-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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-5.6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die zusätzliche Analyse benötigen. Stellen Sie Text oder Bilder und ausdrückliche Regeln bereit, um ein Extraktionsergebnis, eine knappe Antwort oder die Erklärung einer Ausnahme zu entwickeln.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.
Eine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.
Stellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.
OpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.
Benennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.6-luna-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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben $0.0005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0036 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben $0.001 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.6-luna-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-5.6-luna-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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
Technisches Beispiel auf Englisch
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.