GPT-5.6 Luna ist OpenAIs Modell für klar umrissene Aufgaben mit hohem Arbeitsvolumen innerhalb der GPT-5.6-Familie. Der Hersteller vergleicht seinen Einsatzbereich mit dem der kleineren Modellstufe früherer GPT-5-Familien und behält Luna dabei als eigene Modellidentität bei. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Erklärungen, Umformulierungen, Klassifikationen und strukturierte Datensätze.
Geben Sie dem Modell einen definierten Vorgang und die Kriterien für ein nützliches Ergebnis vor. Benennen Sie für eine Extraktion die Felder, Einheiten und die Regel für fehlende Werte. Geben Sie für eine Klassifikation die Bedeutung der Kategorien und das Vorgehen an, wenn keine zutrifft. Eine beispielhafte Anweisung lautet: „Extrahieren Sie die Spezifikationswerte aus dieser Textstelle, bewahren Sie ihre Einheiten und benennen Sie den Satz, der jedes Feld stützt.“
Eine Supportantwort sollte das bereitgestellte Produkt- oder Richtlinienmaterial verwenden und der vom Nutzer verlangten Sprache folgen. Benennen Sie für eine visuelle Frage das relevante Bild und das sichtbare Detail. Halten Sie das Ergebnis für seinen nachgelagerten Zweck ausreichend knapp, ohne einen erforderlichen Quellenwert oder eine zugehörige Bedingung wegzulassen.
Der Hersteller unterstützt den Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Standardmodus ist der voreingestellte Reasoning-Modus, während Pro eine separate Ausführungseinstellung mit zusätzlicher Modellarbeit ist. Aufwand und Modus sind unabhängig; eine routinemäßige direkte Aufgabe und ein anspruchsvollerer Vergleich können daher unterschiedliche Vorbereitung benötigen und dennoch dasselbe benannte Luna-Profil verwenden.
Der Reasoning-Leitfaden erklärt, dass GPT-5.6 verfügbares Reasoning aus früheren Gesprächszügen standardmäßig übernimmt; eine unterstützte Kontexteinstellung legt dieses Verhalten fest. Dies beeinflusst das Material, das über eine mehrstufige Aufgabe hinweg beibehalten wird; es bedeutet keinen unbegrenzten Speicher. Halten Sie akzeptierte Fakten, Quellenbezeichnungen und das erforderliche Ergebnis bei Folgeschritten klar erkennbar.
OpenAI nennt ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token. Der dokumentierte Wissensstand ist der 16. Februar 2026. Reasoning und endgültige Antwort teilen sich das Budget für die Antworterzeugung, und sämtliches Aufgabenmaterial benötigt Platz im Kontext. Wenn diese Budgets ausgeschöpft sind, kann eine Anfrage enden, bevor eine vollständige sichtbare Antwort vorliegt.
Die Modellkarte nennt Structured Outputs, Streaming und Funktionsaufrufe. Das Werkzeugökosystem des Herstellers umfasst Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Auch ein strukturierter Datensatz benötigt Werte, die auf der tatsächlichen Eingabe beruhen; gültiges JSON belegt für sich allein keine sachliche Richtigkeit.
Eine Anwendung stellt Funktionen bereit, führt ausgewählte Vorgänge aus und liefert Beobachtungen zurück. Eine Abfrage kann ein fehlendes Feld liefern, bevor Luna die Antwort formuliert. Bewahren Sie das Ergebnis zusammen mit seiner Quelle und seinem Vorgang auf und unterscheiden Sie eine vorgeschlagene Handlung von tatsächlich ausgeführter Arbeit. Die eigene Ausgabe des Modells ist Text, während ein von einem Werkzeug erzeugtes Bild ein separates Ergebnis ist.
Binden Sie quellenabhängige Aussagen an maßgebliches Material und definieren Sie, wann der Vorgang abgeschlossen ist. Ein gutes Ergebnis ist der angeforderte Datensatz, die Erklärung oder die überarbeitete Textstelle mit unverändert bewahrten erforderlichen Namen und Belegen. Lunas Rolle bei klar umrissenen Aufgaben, sein unterstützter Aufwandsbereich und sein Standardmodusprofil bleiben von Terra, Sol, Pro-Ausführung und nachfolgenden GPT-6-Veröffentlichungen getrennt.
", "aboutText": "GPT-5.6 Luna ist OpenAIs Modell für klar umrissene Aufgaben mit hohem Arbeitsvolumen innerhalb der GPT-5.6-Familie. Der Hersteller vergleicht seinen Einsatzbereich mit dem der kleineren Modellstufe früherer GPT-5-Familien und behält Luna dabei als eigene Modellidentität bei. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Erklärungen, Umformulierungen, Klassifikationen und strukturierte Datensätze.\n\n### Eine präzise wiederkehrende Aufgabe\n\nGeben Sie dem Modell einen definierten Vorgang und die Kriterien für ein nützliches Ergebnis vor. Benennen Sie für eine Extraktion die Felder, Einheiten und die Regel für fehlende Werte. Geben Sie für eine Klassifikation die Bedeutung der Kategorien und das Vorgehen an, wenn keine zutrifft. Eine beispielhafte Anweisung lautet: „Extrahieren Sie die Spezifikationswerte aus dieser Textstelle, bewahren Sie ihre Einheiten und benennen Sie den Satz, der jedes Feld stützt.“\n\nEine Supportantwort sollte das bereitgestellte Produkt- oder Richtlinienmaterial verwenden und der vom Nutzer verlangten Sprache folgen. Benennen Sie für eine visuelle Frage das relevante Bild und das sichtbare Detail. Halten Sie das Ergebnis für seinen nachgelagerten Zweck ausreichend knapp, ohne einen erforderlichen Quellenwert oder eine zugehörige Bedingung wegzulassen.\n\n### Reasoning-Einstellungen und beibehaltener Kontext\n\nDer Hersteller unterstützt den Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Standardmodus ist der voreingestellte Reasoning-Modus, während Pro eine separate Ausführungseinstellung mit zusätzlicher Modellarbeit ist. Aufwand und Modus sind unabhängig; eine routinemäßige direkte Aufgabe und ein anspruchsvollerer Vergleich können daher unterschiedliche Vorbereitung benötigen und dennoch dasselbe benannte Luna-Profil verwenden.\n\nDer Reasoning-Leitfaden erklärt, dass GPT-5.6 verfügbares Reasoning aus früheren Gesprächszügen standardmäßig übernimmt; eine unterstützte Kontexteinstellung legt dieses Verhalten fest. Dies beeinflusst das Material, das über eine mehrstufige Aufgabe hinweg beibehalten wird; es bedeutet keinen unbegrenzten Speicher. Halten Sie akzeptierte Fakten, Quellenbezeichnungen und das erforderliche Ergebnis bei Folgeschritten klar erkennbar.\n\n### Kontext und Wissen\n\nOpenAI nennt ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token. Der dokumentierte Wissensstand ist der 16. Februar 2026. Reasoning und endgültige Antwort teilen sich das Budget für die Antworterzeugung, und sämtliches Aufgabenmaterial benötigt Platz im Kontext. Wenn diese Budgets ausgeschöpft sind, kann eine Anfrage enden, bevor eine vollständige sichtbare Antwort vorliegt.\n\n### Strukturierte Antworten und Werkzeuge\n\nDie Modellkarte nennt Structured Outputs, Streaming und Funktionsaufrufe. Das Werkzeugökosystem des Herstellers umfasst Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Auch ein strukturierter Datensatz benötigt Werte, die auf der tatsächlichen Eingabe beruhen; gültiges JSON belegt für sich allein keine sachliche Richtigkeit.\n\nEine Anwendung stellt Funktionen bereit, führt ausgewählte Vorgänge aus und liefert Beobachtungen zurück. Eine Abfrage kann ein fehlendes Feld liefern, bevor Luna die Antwort formuliert. Bewahren Sie das Ergebnis zusammen mit seiner Quelle und seinem Vorgang auf und unterscheiden Sie eine vorgeschlagene Handlung von tatsächlich ausgeführter Arbeit. Die eigene Ausgabe des Modells ist Text, während ein von einem Werkzeug erzeugtes Bild ein separates Ergebnis ist.\n\n### Ein nützliches Ergebnis\n\nBinden Sie quellenabhängige Aussagen an maßgebliches Material und definieren Sie, wann der Vorgang abgeschlossen ist. Ein gutes Ergebnis ist der angeforderte Datensatz, die Erklärung oder die überarbeitete Textstelle mit unverändert bewahrten erforderlichen Namen und Belegen. Lunas Rolle bei klar umrissenen Aufgaben, sein unterstützter Aufwandsbereich und sein Standardmodusprofil bleiben von Terra, Sol, Pro-Ausführung und nachfolgenden GPT-6-Veröffentlichungen getrennt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d083116c908eed83f301d4402402b2ec5980e094a8e69261926f921e13dc213d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "openai/gpt-5.6-luna:batchGPT-5.6 Luna ist OpenAIs Modell für klar umrissene, wiederkehrende Aufgaben mit hohem Arbeitsvolumen. Es nimmt Text und Bilder entgegen und liefert Antworten oder strukturierte Datensätze, mit optionalem Reasoning, quellengestützten Werkzeugen und einem Kontextfenster von 1.050.000 Token, das von seiner Pro-Ausführungseinstellung getrennt bleibt.
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 ist OpenAIs Modell für klar umrissene Aufgaben mit hohem Arbeitsvolumen innerhalb der GPT-5.6-Familie. Der Hersteller vergleicht seinen Einsatzbereich mit dem der kleineren Modellstufe früherer GPT-5-Familien und behält Luna dabei als eigene Modellidentität bei. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Erklärungen, Umformulierungen, Klassifikationen und strukturierte Datensätze.
Geben Sie dem Modell einen definierten Vorgang und die Kriterien für ein nützliches Ergebnis vor. Benennen Sie für eine Extraktion die Felder, Einheiten und die Regel für fehlende Werte. Geben Sie für eine Klassifikation die Bedeutung der Kategorien und das Vorgehen an, wenn keine zutrifft. Eine beispielhafte Anweisung lautet: „Extrahieren Sie die Spezifikationswerte aus dieser Textstelle, bewahren Sie ihre Einheiten und benennen Sie den Satz, der jedes Feld stützt.“
Eine Supportantwort sollte das bereitgestellte Produkt- oder Richtlinienmaterial verwenden und der vom Nutzer verlangten Sprache folgen. Benennen Sie für eine visuelle Frage das relevante Bild und das sichtbare Detail. Halten Sie das Ergebnis für seinen nachgelagerten Zweck ausreichend knapp, ohne einen erforderlichen Quellenwert oder eine zugehörige Bedingung wegzulassen.
Der Hersteller unterstützt den Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Standardmodus ist der voreingestellte Reasoning-Modus, während Pro eine separate Ausführungseinstellung mit zusätzlicher Modellarbeit ist. Aufwand und Modus sind unabhängig; eine routinemäßige direkte Aufgabe und ein anspruchsvollerer Vergleich können daher unterschiedliche Vorbereitung benötigen und dennoch dasselbe benannte Luna-Profil verwenden.
Der Reasoning-Leitfaden erklärt, dass GPT-5.6 verfügbares Reasoning aus früheren Gesprächszügen standardmäßig übernimmt; eine unterstützte Kontexteinstellung legt dieses Verhalten fest. Dies beeinflusst das Material, das über eine mehrstufige Aufgabe hinweg beibehalten wird; es bedeutet keinen unbegrenzten Speicher. Halten Sie akzeptierte Fakten, Quellenbezeichnungen und das erforderliche Ergebnis bei Folgeschritten klar erkennbar.
OpenAI nennt ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token. Der dokumentierte Wissensstand ist der 16. Februar 2026. Reasoning und endgültige Antwort teilen sich das Budget für die Antworterzeugung, und sämtliches Aufgabenmaterial benötigt Platz im Kontext. Wenn diese Budgets ausgeschöpft sind, kann eine Anfrage enden, bevor eine vollständige sichtbare Antwort vorliegt.
Die Modellkarte nennt Structured Outputs, Streaming und Funktionsaufrufe. Das Werkzeugökosystem des Herstellers umfasst Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Auch ein strukturierter Datensatz benötigt Werte, die auf der tatsächlichen Eingabe beruhen; gültiges JSON belegt für sich allein keine sachliche Richtigkeit.
Eine Anwendung stellt Funktionen bereit, führt ausgewählte Vorgänge aus und liefert Beobachtungen zurück. Eine Abfrage kann ein fehlendes Feld liefern, bevor Luna die Antwort formuliert. Bewahren Sie das Ergebnis zusammen mit seiner Quelle und seinem Vorgang auf und unterscheiden Sie eine vorgeschlagene Handlung von tatsächlich ausgeführter Arbeit. Die eigene Ausgabe des Modells ist Text, während ein von einem Werkzeug erzeugtes Bild ein separates Ergebnis ist.
Binden Sie quellenabhängige Aussagen an maßgebliches Material und definieren Sie, wann der Vorgang abgeschlossen ist. Ein gutes Ergebnis ist der angeforderte Datensatz, die Erklärung oder die überarbeitete Textstelle mit unverändert bewahrten erforderlichen Namen und Belegen. Lunas Rolle bei klar umrissenen Aufgaben, sein unterstützter Aufwandsbereich und sein Standardmodusprofil bleiben von Terra, Sol, Pro-Ausführung und nachfolgenden GPT-6-Veröffentlichungen getrennt.
POST /v1/batchestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldendpoint | Typstring | AnforderungErforderlich | Werte und Limits /v1/chat/completions | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.6-luna:batch | Standard— |
Feldrequests | Typbatch_item[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldrequests[].custom_id | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldrequests[].body.messages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldcompletion_window | Typstring | AnforderungOptional | Werte und Limits 24h | Standard— |
Feldprovider | Typobject|null | AnforderungOptional | Werte und Limits | Standard— |
Feldrequests[].body.model | Typstring | AnforderungOptional | Werte und Limits openai/gpt-5.6-luna:batch, openai/gpt-5.6-luna | Standard— |
Feldprovider.only | Typstring[] | AnforderungOptional | Werte und Limits openai | Standard— |
Feldprovider.allow_fallbacks | Typboolean|null | AnforderungOptional | Werte und Limits false, null | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragendpoint, model, requests |
Parametermaterial_types | Vertragtext |
Parameterrepresentation | Vertrageingebettete requests[]; jedes Element enthält custom_id und body |
Parameterrequest_endpoint_profile | Vertrag/v1/chat/completions |
Parameterfile_material | VertragDer Aufrufer kann tatsächliches UTF-8-JSONL lokal in requests[] einlesen. Es werden weder ein Upload-Zweck noch input_file_id oder eine Dateireferenz verwendet. Fehlendes oder leeres Kundenmaterial stoppt die Vorbereitung vor POST. |
Parameterserialization_order | Vertragendpoint, model, provider (falls angegeben), completion_window (falls angegeben), requests als letztes Feld |
Parameteroptional_controls | Vertragprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | VertragAnfragekörper für Text Chat Completions in der dokumentierten Inline-Batch-Struktur. |
Lebenszyklus: asynchronous
GET /v1/batches/{operation_id} · die tatsächliche response.id der ursprünglichen Erstellungsantwort; derselbe Nutzer/Schlüssel/dieselbe Gruppe
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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00002 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00002 / 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0018 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-5.6-luna:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-5.6-luna:batch', 'openai/gpt-5.6-luna']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-luna:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\neingebettetes JSON unter results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige ursprüngliche Status-JSON, jedes Ergebnis/jede custom_id und den vollständigen Antwort- oder Fehlerkörper aufbewahren. Abgeschlossene results[] ohne Filterung als JSONL speichern.
Die ursprüngliche Vorgangs-ID beibehalten. Bei 503 result_pending_check gilt X-Should-Retry:false; einen ursprünglichen Batch mit unbekanntem Ausgang niemals erneut einreichen.
| Feld | Typ |
|---|---|
Feldresults[].custom_id | Typstring |
Feldresults[].response.body.choices[].message.content | Typstring|null |
Feldresults[].error | Typobject|null |
Feldusage | Typobject|null |
Feldid | Typstring |
Feldmodel | Typstring |
Feldendpoint | Typstring |
Feldstatus | Typstring |
Feldrequest_counts | Typobject |
Feldresults[].id | Typstring |
Feldresults[].response.status_code | Typinteger |
Feldresults[].response.request_id | Typstring |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültige Struktur der dokumentierten Inline-Einbettung, doppelte Schlüssel, ungültige Identitätsangaben zu einem Element oder ein Konflikt mit den konfigurierten Modellfähigkeiten. | Nächster SchrittDie angegebenen Felder vor jeder neuen Einreichung korrigieren. |
Antwort401 · authentication_error | BedingungUngültiger API-Schlüssel. | Nächster SchrittDen autorisierten Ailoot-Schlüssel verwenden. |
Antwort403 · permission_error | BedingungGruppe für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Berechtigung des Schlüssels bzw. der Gruppe prüfen. |
Antwort422 · invalid_request_error | BedingungStapelverarbeitung wird über das Guthaben abgerechnet; die Erstellung über ein Abonnement wird abgelehnt. | Nächster SchrittDie autorisierte Gruppe mit Guthabenabrechnung verwenden. |
Antwort422 · price_unavailable | BedingungFür die Batch-Eingabe kann kein Preisangebot erstellt werden. | Nächster SchrittAntwort aufbewahren; die dokumentierte Eingabe der API-Familie verwenden. |
Antwort402 · billing_error | BedingungReservierung für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Zulassung klären, bevor eine neue Anfrage gestellt wird. |
Antwort503 · price_unavailable | BedingungMethodenpreis bzw. native Tarife für Stapelverarbeitung nicht verfügbar. | Nächster SchrittAntwort aufbewahren; keine anderen Preise einsetzen. |
Antwort503 · api_error | BedingungDie genaue Anbieterroute ist nicht verfügbar. | Nächster SchrittAntwort zur Reparatur der Route aufbewahren. |
Antwort503 · result_pending_check | BedingungDas ursprüngliche Ergebnis muss geprüft werden; X-Should-Retry:false. | Nächster SchrittDie ursprüngliche operation_id/id beibehalten und ihren Status lesen; den ursprünglichen POST niemals wiederholen. |
Antwort404 · not_found | BedingungDer Batch-Vorgang, dessen Status abgefragt wird, ist nicht vorhanden oder gehört einer anderen Identität. | Nächster SchrittDie genaue ursprüngliche id und denselben Nutzer/Schlüssel/dieselbe Gruppe verwenden. |
Ailoot Ultra openai/gpt-5.6-luna:batch
Verwenden Sie die oben angezeigten Methodenpfade.