GPT-6 Sol Pro bezeichnet OpenAIs GPT-6 Sol mit Pro-Reasoning. Das Basismodell Sol ist für komplexe Programmierung und agentische Arbeitsabläufe ausgelegt, nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Dieser Modus ist vom Reasoning-Aufwand getrennt, der steuert, wie viel Analyse das Modell innerhalb des ausgewählten Ausführungsmodus anwendet. GPT-6 Sol bleibt die Basisedition dieser Karte und ist von GPT-6.1 Sol zu unterscheiden.
Beschreiben Sie für eine Entwicklungsaufgabe das umzusetzende Verhalten und stellen Sie die relevanten Quelldateien, Eingabebeispiele und Bedingungen bereit, die die Änderung einhalten muss. Eine beispielhafte Anfrage besteht darin, den Weg einer Eingabe bis zum Ergebnis nachzuverfolgen, die beteiligten Abhängigkeiten zu ermitteln und eine Änderung vorzuschlagen, die das erforderliche Verhalten bewahrt. Geben Sie für ein Review das beabsichtigte Verhalten und den zu prüfenden Code an und fordern Sie konkrete Probleme mit einer Erklärung an, wie jedes Problem dieses Verhalten beeinflusst.
Agentische Aufgaben verbinden mehrere Entscheidungen durch Belege aus der Arbeitsumgebung. Ein Werkzeug kann eine Datei abrufen, eine Berechnung ausführen oder das Ergebnis einer Prüfung zurückgeben; dieses Ergebnis dient als Material für die nächste Entscheidung. OpenAI nennt für das Basismodell Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Es unterstützt außerdem Funktionsaufrufe, Structured Outputs, Streaming und Prompt-Caching. Anwendungen steuern ihre verfügbaren Vorgänge und liefern tatsächliche Werkzeugergebnisse zurück; allein vom Modell erzeugter Aktionstext belegt nicht, dass ein Vorgang abgeschlossen wurde.
Die GPT-6 Sol-Spezifikation des Herstellers 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 20. April 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Kontext muss die Aufgabe, relevante Werkzeugergebnisse und das Reasoning sowie die sichtbare Antwort aufnehmen. Platzieren Sie Definitionen und Abschlusskriterien nahe beim Material, auf das sie sich beziehen, insbesondere bei einer langen technischen Anfrage.
OpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6 Sol nutzen integrierte Werkzeuge und Reasoning mit Funktionsaufrufen Responses. In der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand none ist. Der GPT-6-Leitfaden beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs und das Beibehalten von Reasoning zwischen Aufrufen. Diese Fähigkeiten für Arbeitsabläufe haben jeweils eigene Schnittstellenanforderungen.
Legen Sie ein konkretes Endergebnis und seine Prüfung fest. Sie können etwa einen vorgeschlagenen Patch, das dadurch geänderte Verhalten und die für seine Überprüfung nötigen Belege anfordern oder Implementierungsoptionen anhand der bereitgestellten Bedingungen vergleichen lassen. Wenn ein Bild den Kontext einer Oberfläche liefert, benennen Sie das relevante visuelle Detail. Die endgültige Antwort sollte die wesentlichen Entscheidungen mit dem technischen Ziel verbinden und eine vorgeschlagene Handlung von einem bereits erzielten Ergebnis unterscheiden.
", "aboutText": "GPT-6 Sol Pro bezeichnet OpenAIs GPT-6 Sol mit Pro-Reasoning. Das Basismodell Sol ist für komplexe Programmierung und agentische Arbeitsabläufe ausgelegt, nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Dieser Modus ist vom Reasoning-Aufwand getrennt, der steuert, wie viel Analyse das Modell innerhalb des ausgewählten Ausführungsmodus anwendet. GPT-6 Sol bleibt die Basisedition dieser Karte und ist von GPT-6.1 Sol zu unterscheiden.\n\nBeschreiben Sie für eine Entwicklungsaufgabe das umzusetzende Verhalten und stellen Sie die relevanten Quelldateien, Eingabebeispiele und Bedingungen bereit, die die Änderung einhalten muss. Eine beispielhafte Anfrage besteht darin, den Weg einer Eingabe bis zum Ergebnis nachzuverfolgen, die beteiligten Abhängigkeiten zu ermitteln und eine Änderung vorzuschlagen, die das erforderliche Verhalten bewahrt. Geben Sie für ein Review das beabsichtigte Verhalten und den zu prüfenden Code an und fordern Sie konkrete Probleme mit einer Erklärung an, wie jedes Problem dieses Verhalten beeinflusst.\n\nAgentische Aufgaben verbinden mehrere Entscheidungen durch Belege aus der Arbeitsumgebung. Ein Werkzeug kann eine Datei abrufen, eine Berechnung ausführen oder das Ergebnis einer Prüfung zurückgeben; dieses Ergebnis dient als Material für die nächste Entscheidung. OpenAI nennt für das Basismodell Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Es unterstützt außerdem Funktionsaufrufe, Structured Outputs, Streaming und Prompt-Caching. Anwendungen steuern ihre verfügbaren Vorgänge und liefern tatsächliche Werkzeugergebnisse zurück; allein vom Modell erzeugter Aktionstext belegt nicht, dass ein Vorgang abgeschlossen wurde.\n\nDie GPT-6 Sol-Spezifikation des Herstellers 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 20. April 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Kontext muss die Aufgabe, relevante Werkzeugergebnisse und das Reasoning sowie die sichtbare Antwort aufnehmen. Platzieren Sie Definitionen und Abschlusskriterien nahe beim Material, auf das sie sich beziehen, insbesondere bei einer langen technischen Anfrage.\n\nOpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6 Sol nutzen integrierte Werkzeuge und Reasoning mit Funktionsaufrufen Responses. In der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand none ist. Der GPT-6-Leitfaden beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs und das Beibehalten von Reasoning zwischen Aufrufen. Diese Fähigkeiten für Arbeitsabläufe haben jeweils eigene Schnittstellenanforderungen.\n\nLegen Sie ein konkretes Endergebnis und seine Prüfung fest. Sie können etwa einen vorgeschlagenen Patch, das dadurch geänderte Verhalten und die für seine Überprüfung nötigen Belege anfordern oder Implementierungsoptionen anhand der bereitgestellten Bedingungen vergleichen lassen. Wenn ein Bild den Kontext einer Oberfläche liefert, benennen Sie das relevante visuelle Detail. Die endgültige Antwort sollte die wesentlichen Entscheidungen mit dem technischen Ziel verbinden und eine vorgeschlagene Handlung von einem bereits erzielten Ergebnis unterscheiden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Review a cache invalidation contract\n\nReview this design: reads cache user profiles for one hour; updates write the database but never evict the cache; the API promises that a successful update is visible to the next read. Identify the contract violation and compare evict-after-commit with versioned cache keys. Recommend one approach and specify the failure-path tests needed.A focused design review with a comparison, recommendation and tests for update and cache failure paths.The recommendation addresses the next-read promise and explains the remaining race or failure condition.openai/gpt-6-sol-proGPT-6 Sol mit Pro-Reasoning für komplexe Programmierung und agentische Aufgaben. Stellen Sie Code, Anforderungen und relevante Belege bereit, um einen Implementierungsvorschlag, ein gezieltes Review oder die Erklärung einer mehrstufigen Lösung anzufordern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6 Sol Pro bezeichnet OpenAIs GPT-6 Sol mit Pro-Reasoning. Das Basismodell Sol ist für komplexe Programmierung und agentische Arbeitsabläufe ausgelegt, nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Dieser Modus ist vom Reasoning-Aufwand getrennt, der steuert, wie viel Analyse das Modell innerhalb des ausgewählten Ausführungsmodus anwendet. GPT-6 Sol bleibt die Basisedition dieser Karte und ist von GPT-6.1 Sol zu unterscheiden.
Beschreiben Sie für eine Entwicklungsaufgabe das umzusetzende Verhalten und stellen Sie die relevanten Quelldateien, Eingabebeispiele und Bedingungen bereit, die die Änderung einhalten muss. Eine beispielhafte Anfrage besteht darin, den Weg einer Eingabe bis zum Ergebnis nachzuverfolgen, die beteiligten Abhängigkeiten zu ermitteln und eine Änderung vorzuschlagen, die das erforderliche Verhalten bewahrt. Geben Sie für ein Review das beabsichtigte Verhalten und den zu prüfenden Code an und fordern Sie konkrete Probleme mit einer Erklärung an, wie jedes Problem dieses Verhalten beeinflusst.
Agentische Aufgaben verbinden mehrere Entscheidungen durch Belege aus der Arbeitsumgebung. Ein Werkzeug kann eine Datei abrufen, eine Berechnung ausführen oder das Ergebnis einer Prüfung zurückgeben; dieses Ergebnis dient als Material für die nächste Entscheidung. OpenAI nennt für das Basismodell Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Es unterstützt außerdem Funktionsaufrufe, Structured Outputs, Streaming und Prompt-Caching. Anwendungen steuern ihre verfügbaren Vorgänge und liefern tatsächliche Werkzeugergebnisse zurück; allein vom Modell erzeugter Aktionstext belegt nicht, dass ein Vorgang abgeschlossen wurde.
Die GPT-6 Sol-Spezifikation des Herstellers 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 20. April 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Kontext muss die Aufgabe, relevante Werkzeugergebnisse und das Reasoning sowie die sichtbare Antwort aufnehmen. Platzieren Sie Definitionen und Abschlusskriterien nahe beim Material, auf das sie sich beziehen, insbesondere bei einer langen technischen Anfrage.
OpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6 Sol nutzen integrierte Werkzeuge und Reasoning mit Funktionsaufrufen Responses. In der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand none ist. Der GPT-6-Leitfaden beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs und das Beibehalten von Reasoning zwischen Aufrufen. Diese Fähigkeiten für Arbeitsabläufe haben jeweils eigene Schnittstellenanforderungen.
Legen Sie ein konkretes Endergebnis und seine Prüfung fest. Sie können etwa einen vorgeschlagenen Patch, das dadurch geänderte Verhalten und die für seine Überprüfung nötigen Belege anfordern oder Implementierungsoptionen anhand der bereitgestellten Bedingungen vergleichen lassen. Wenn ein Bild den Kontext einer Oberfläche liefert, benennen Sie das relevante visuelle Detail. Die endgültige Antwort sollte die wesentlichen Entscheidungen mit dem technischen Ziel verbinden und eine vorgeschlagene Handlung von einem bereits erzielten Ergebnis unterscheiden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-6-sol-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 $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0.005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0.005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0008 / 1K Tokens Eingabe · In Cache schreiben $0.01 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-6-sol-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-6-sol-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-6-sol-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-6-sol-pro
Verwenden Sie die oben angezeigten Methodenpfade.
openai/gpt-6-sol-proGPT-6 Sol mit Pro-Reasoning für komplexe Programmierung und agentische Aufgaben. Stellen Sie Code, Anforderungen und relevante Belege bereit, um einen Implementierungsvorschlag, ein gezieltes Review oder die Erklärung einer mehrstufigen Lösung anzufordern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6 Sol Pro bezeichnet OpenAIs GPT-6 Sol mit Pro-Reasoning. Das Basismodell Sol ist für komplexe Programmierung und agentische Arbeitsabläufe ausgelegt, nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Dieser Modus ist vom Reasoning-Aufwand getrennt, der steuert, wie viel Analyse das Modell innerhalb des ausgewählten Ausführungsmodus anwendet. GPT-6 Sol bleibt die Basisedition dieser Karte und ist von GPT-6.1 Sol zu unterscheiden.
Beschreiben Sie für eine Entwicklungsaufgabe das umzusetzende Verhalten und stellen Sie die relevanten Quelldateien, Eingabebeispiele und Bedingungen bereit, die die Änderung einhalten muss. Eine beispielhafte Anfrage besteht darin, den Weg einer Eingabe bis zum Ergebnis nachzuverfolgen, die beteiligten Abhängigkeiten zu ermitteln und eine Änderung vorzuschlagen, die das erforderliche Verhalten bewahrt. Geben Sie für ein Review das beabsichtigte Verhalten und den zu prüfenden Code an und fordern Sie konkrete Probleme mit einer Erklärung an, wie jedes Problem dieses Verhalten beeinflusst.
Agentische Aufgaben verbinden mehrere Entscheidungen durch Belege aus der Arbeitsumgebung. Ein Werkzeug kann eine Datei abrufen, eine Berechnung ausführen oder das Ergebnis einer Prüfung zurückgeben; dieses Ergebnis dient als Material für die nächste Entscheidung. OpenAI nennt für das Basismodell Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Es unterstützt außerdem Funktionsaufrufe, Structured Outputs, Streaming und Prompt-Caching. Anwendungen steuern ihre verfügbaren Vorgänge und liefern tatsächliche Werkzeugergebnisse zurück; allein vom Modell erzeugter Aktionstext belegt nicht, dass ein Vorgang abgeschlossen wurde.
Die GPT-6 Sol-Spezifikation des Herstellers 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 20. April 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Kontext muss die Aufgabe, relevante Werkzeugergebnisse und das Reasoning sowie die sichtbare Antwort aufnehmen. Platzieren Sie Definitionen und Abschlusskriterien nahe beim Material, auf das sie sich beziehen, insbesondere bei einer langen technischen Anfrage.
OpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6 Sol nutzen integrierte Werkzeuge und Reasoning mit Funktionsaufrufen Responses. In der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand none ist. Der GPT-6-Leitfaden beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs und das Beibehalten von Reasoning zwischen Aufrufen. Diese Fähigkeiten für Arbeitsabläufe haben jeweils eigene Schnittstellenanforderungen.
Legen Sie ein konkretes Endergebnis und seine Prüfung fest. Sie können etwa einen vorgeschlagenen Patch, das dadurch geänderte Verhalten und die für seine Überprüfung nötigen Belege anfordern oder Implementierungsoptionen anhand der bereitgestellten Bedingungen vergleichen lassen. Wenn ein Bild den Kontext einer Oberfläche liefert, benennen Sie das relevante visuelle Detail. Die endgültige Antwort sollte die wesentlichen Entscheidungen mit dem technischen Ziel verbinden und eine vorgeschlagene Handlung von einem bereits erzielten Ergebnis unterscheiden.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-6-sol-pro | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
Text + Bild
{type:image,source:{type:base64,media_type,data}} oder Quelle mit type=url
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: exact retained published method
Senden Sie die exakte Modell-ID und die Pflichtfelder.
Bewahren Sie jedes zurückgegebene Element und dessen ursprüngliche Kennungen auf.
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 $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0.005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0.005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0008 / 1K Tokens Eingabe · In Cache schreiben $0.01 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-6-sol-pro",\n "max_tokens": 4096,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ]\n}set -eu\n: "${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-6-sol-pro', 'max_tokens': 4096, '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-6-sol-pro', 'max_tokens': 4096, '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-6-sol-pro
Verwenden Sie die oben angezeigten Methodenpfade.
openai/gpt-6-sol-proGPT-6 Sol mit Pro-Reasoning für komplexe Programmierung und agentische Aufgaben. Stellen Sie Code, Anforderungen und relevante Belege bereit, um einen Implementierungsvorschlag, ein gezieltes Review oder die Erklärung einer mehrstufigen Lösung anzufordern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6 Sol Pro bezeichnet OpenAIs GPT-6 Sol mit Pro-Reasoning. Das Basismodell Sol ist für komplexe Programmierung und agentische Arbeitsabläufe ausgelegt, nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Dieser Modus ist vom Reasoning-Aufwand getrennt, der steuert, wie viel Analyse das Modell innerhalb des ausgewählten Ausführungsmodus anwendet. GPT-6 Sol bleibt die Basisedition dieser Karte und ist von GPT-6.1 Sol zu unterscheiden.
Beschreiben Sie für eine Entwicklungsaufgabe das umzusetzende Verhalten und stellen Sie die relevanten Quelldateien, Eingabebeispiele und Bedingungen bereit, die die Änderung einhalten muss. Eine beispielhafte Anfrage besteht darin, den Weg einer Eingabe bis zum Ergebnis nachzuverfolgen, die beteiligten Abhängigkeiten zu ermitteln und eine Änderung vorzuschlagen, die das erforderliche Verhalten bewahrt. Geben Sie für ein Review das beabsichtigte Verhalten und den zu prüfenden Code an und fordern Sie konkrete Probleme mit einer Erklärung an, wie jedes Problem dieses Verhalten beeinflusst.
Agentische Aufgaben verbinden mehrere Entscheidungen durch Belege aus der Arbeitsumgebung. Ein Werkzeug kann eine Datei abrufen, eine Berechnung ausführen oder das Ergebnis einer Prüfung zurückgeben; dieses Ergebnis dient als Material für die nächste Entscheidung. OpenAI nennt für das Basismodell Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Es unterstützt außerdem Funktionsaufrufe, Structured Outputs, Streaming und Prompt-Caching. Anwendungen steuern ihre verfügbaren Vorgänge und liefern tatsächliche Werkzeugergebnisse zurück; allein vom Modell erzeugter Aktionstext belegt nicht, dass ein Vorgang abgeschlossen wurde.
Die GPT-6 Sol-Spezifikation des Herstellers 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 20. April 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Kontext muss die Aufgabe, relevante Werkzeugergebnisse und das Reasoning sowie die sichtbare Antwort aufnehmen. Platzieren Sie Definitionen und Abschlusskriterien nahe beim Material, auf das sie sich beziehen, insbesondere bei einer langen technischen Anfrage.
OpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6 Sol nutzen integrierte Werkzeuge und Reasoning mit Funktionsaufrufen Responses. In der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand none ist. Der GPT-6-Leitfaden beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs und das Beibehalten von Reasoning zwischen Aufrufen. Diese Fähigkeiten für Arbeitsabläufe haben jeweils eigene Schnittstellenanforderungen.
Legen Sie ein konkretes Endergebnis und seine Prüfung fest. Sie können etwa einen vorgeschlagenen Patch, das dadurch geänderte Verhalten und die für seine Überprüfung nötigen Belege anfordern oder Implementierungsoptionen anhand der bereitgestellten Bedingungen vergleichen lassen. Wenn ein Bild den Kontext einer Oberfläche liefert, benennen Sie das relevante visuelle Detail. Die endgültige Antwort sollte die wesentlichen Entscheidungen mit dem technischen Ziel verbinden und eine vorgeschlagene Handlung von einem bereits erzielten Ergebnis unterscheiden.
POST /v1/responsestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-6-sol-pro | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungNicht unterstützt | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Bedingungen: Übermitteln Sie bei jeder Anfrage den tatsächlichen Gesprächsverlauf erneut. | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
Text + Bild
{type:input_image,image_url}
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: exact retained published method
Senden Sie die exakte Modell-ID und die Pflichtfelder.
Bewahren Sie jedes zurückgegebene Element und dessen ursprüngliche Kennungen auf.
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 $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0.005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272 000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0.005 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272 000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Tokens Ausgabe · Ausgabetoken $0.03 / 1K Tokens Eingabe · Cache lesen $0.0008 / 1K Tokens Eingabe · In Cache schreiben $0.01 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-6-sol-pro",\n "input": [\n {\n "content": "Hello, how are you?",\n "role": "user",\n "type": "message"\n }\n ]\n}set -eu\n: "${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-6-sol-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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/responses \\\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\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-6-sol-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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 = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/responses', 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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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-6-sol-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Review a cache invalidation contract\n\nReview this design: reads cache user profiles for one hour; updates write the database but never evict the cache; the API promises that a successful update is visible to the next read. Identify the contract violation and compare evict-after-commit with versioned cache keys. Recommend one approach and specify the failure-path tests needed.A focused design review with a comparison, recommendation and tests for update and cache failure paths.The recommendation addresses the next-read promise and explains the remaining race or failure condition.