o3-pro ist OpenAIs eigenständige o3-Edition, die zusätzliche Rechenleistung für anspruchsvolles Schlussfolgern nutzt. Die o-Serie wird mit Reinforcement Learning darauf trainiert, ein Problem vor der Antwort zu durchdenken. Dieses Modell nimmt Text und Bilder entgegen und erzeugt Text. Die Pro-Edition bleibt damit vom Standardmodell o3 und von Einstellungen für den Pro-Ausführungsmodus späterer Modelle getrennt.
Ein praktischer Einsatz ist eine technische Frage mit mehreren voneinander abhängigen Bedingungen. Stellen Sie das vollständige Problem, die verfügbaren Belege und die Kriterien für die Wahl eines Ansatzes bereit. Ein beispielhafter Auftrag besteht darin, Implementierungen zu vergleichen, deren Verhalten von unterschiedlichen Annahmen abhängt, und anschließend eine Empfehlung zu geben, die diese Abhängigkeiten ausdrücklich nennt. Auch ein mathematischer Auftrag sollte den Definitionsbereich, bekannte Bedingungen und die erforderliche Form der Antwort angeben.
Stellen Sie als visuelle Belege ein klares Diagramm, einen Screenshot oder ein anderes Bild bereit und benennen Sie das Detail, das die Frage beeinflusst. Ergänzen Sie den schriftlichen Kontext, den das Bild allein nicht liefert. Fordern Sie ein nützliches Ergebnis an, etwa eine Erklärung, einen Lösungsvorschlag, einen Plan oder eine Sammlung von Feststellungen. So wird die zusätzliche Reasoning-Arbeit des Modells an eine konkrete Frage und ein konkretes Ergebnis gebunden.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Reasoning beansprucht neben der Eingabe und der sichtbaren Antwort Platz. Der Hersteller dokumentiert o3-pro über Responses für Modellinteraktionen über mehrere Gesprächsrunden vor der abschließenden Antwort; die Spezifikation führt außerdem Batch auf. Anspruchsvolle Anfragen können mehrere Minuten dauern, und der Hersteller empfiehlt für lang laufende Aufgaben eine Ausführung im Hintergrund.
Die native Modellkarte bestätigt, dass Streaming nicht unterstützt wird, Funktionsaufrufe und Structured Outputs dagegen schon. Zu den dokumentierten Werkzeugen gehören Funktionen, Datei- und Websuche, Werkzeuge zur Bilderzeugung und MCP-Verbindungen. Eine Anwendung stellt ihre Operationen bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse. Die Statusverfolgung im Hintergrund und der Abruf von Ergebnissen sind von einem Strom aus Antwort-Token getrennt.
Definieren Sie das Abschlusskriterium vor der Anfrage. Bitten Sie bei einer Analyse darum, bereitgestellte Fakten, Schlussfolgerung und ungeklärte Bedingungen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die Belege, die zur Prüfung benötigt werden. Eine nützliche abschließende Antwort verknüpft die wichtigen Entscheidungen mit der ursprünglichen Frage und behandelt eine vorgeschlagene Werkzeugaktion getrennt von einer bereits in der Umgebung abgeschlossenen Operation.
", "aboutText": "o3-pro ist OpenAIs eigenständige o3-Edition, die zusätzliche Rechenleistung für anspruchsvolles Schlussfolgern nutzt. Die o-Serie wird mit Reinforcement Learning darauf trainiert, ein Problem vor der Antwort zu durchdenken. Dieses Modell nimmt Text und Bilder entgegen und erzeugt Text. Die Pro-Edition bleibt damit vom Standardmodell o3 und von Einstellungen für den Pro-Ausführungsmodus späterer Modelle getrennt.\n\nEin praktischer Einsatz ist eine technische Frage mit mehreren voneinander abhängigen Bedingungen. Stellen Sie das vollständige Problem, die verfügbaren Belege und die Kriterien für die Wahl eines Ansatzes bereit. Ein beispielhafter Auftrag besteht darin, Implementierungen zu vergleichen, deren Verhalten von unterschiedlichen Annahmen abhängt, und anschließend eine Empfehlung zu geben, die diese Abhängigkeiten ausdrücklich nennt. Auch ein mathematischer Auftrag sollte den Definitionsbereich, bekannte Bedingungen und die erforderliche Form der Antwort angeben.\n\nStellen Sie als visuelle Belege ein klares Diagramm, einen Screenshot oder ein anderes Bild bereit und benennen Sie das Detail, das die Frage beeinflusst. Ergänzen Sie den schriftlichen Kontext, den das Bild allein nicht liefert. Fordern Sie ein nützliches Ergebnis an, etwa eine Erklärung, einen Lösungsvorschlag, einen Plan oder eine Sammlung von Feststellungen. So wird die zusätzliche Reasoning-Arbeit des Modells an eine konkrete Frage und ein konkretes Ergebnis gebunden.\n\nOpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Reasoning beansprucht neben der Eingabe und der sichtbaren Antwort Platz. Der Hersteller dokumentiert o3-pro über Responses für Modellinteraktionen über mehrere Gesprächsrunden vor der abschließenden Antwort; die Spezifikation führt außerdem Batch auf. Anspruchsvolle Anfragen können mehrere Minuten dauern, und der Hersteller empfiehlt für lang laufende Aufgaben eine Ausführung im Hintergrund.\n\nDie native Modellkarte bestätigt, dass Streaming nicht unterstützt wird, Funktionsaufrufe und Structured Outputs dagegen schon. Zu den dokumentierten Werkzeugen gehören Funktionen, Datei- und Websuche, Werkzeuge zur Bilderzeugung und MCP-Verbindungen. Eine Anwendung stellt ihre Operationen bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse. Die Statusverfolgung im Hintergrund und der Abruf von Ergebnissen sind von einem Strom aus Antwort-Token getrennt.\n\nDefinieren Sie das Abschlusskriterium vor der Anfrage. Bitten Sie bei einer Analyse darum, bereitgestellte Fakten, Schlussfolgerung und ungeklärte Bedingungen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die Belege, die zur Prüfung benötigt werden. Eine nützliche abschließende Antwort verknüpft die wichtigen Entscheidungen mit der ursprünglichen Frage und behandelt eine vorgeschlagene Werkzeugaktion getrennt von einer bereits in der Umgebung abgeschlossenen Operation.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.openai/o3-proDie eigenständige Edition o3-pro setzt zusätzliche Rechenleistung für anspruchsvolles Schlussfolgern ein. Sie nimmt Text und Bilder entgegen und gibt Text aus, mit Unterstützung für Funktionsaufrufe und Structured Outputs; der Herstellerablauf verwendet Responses und unterstützt kein Streaming.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o3-pro ist OpenAIs eigenständige o3-Edition, die zusätzliche Rechenleistung für anspruchsvolles Schlussfolgern nutzt. Die o-Serie wird mit Reinforcement Learning darauf trainiert, ein Problem vor der Antwort zu durchdenken. Dieses Modell nimmt Text und Bilder entgegen und erzeugt Text. Die Pro-Edition bleibt damit vom Standardmodell o3 und von Einstellungen für den Pro-Ausführungsmodus späterer Modelle getrennt.
Ein praktischer Einsatz ist eine technische Frage mit mehreren voneinander abhängigen Bedingungen. Stellen Sie das vollständige Problem, die verfügbaren Belege und die Kriterien für die Wahl eines Ansatzes bereit. Ein beispielhafter Auftrag besteht darin, Implementierungen zu vergleichen, deren Verhalten von unterschiedlichen Annahmen abhängt, und anschließend eine Empfehlung zu geben, die diese Abhängigkeiten ausdrücklich nennt. Auch ein mathematischer Auftrag sollte den Definitionsbereich, bekannte Bedingungen und die erforderliche Form der Antwort angeben.
Stellen Sie als visuelle Belege ein klares Diagramm, einen Screenshot oder ein anderes Bild bereit und benennen Sie das Detail, das die Frage beeinflusst. Ergänzen Sie den schriftlichen Kontext, den das Bild allein nicht liefert. Fordern Sie ein nützliches Ergebnis an, etwa eine Erklärung, einen Lösungsvorschlag, einen Plan oder eine Sammlung von Feststellungen. So wird die zusätzliche Reasoning-Arbeit des Modells an eine konkrete Frage und ein konkretes Ergebnis gebunden.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Reasoning beansprucht neben der Eingabe und der sichtbaren Antwort Platz. Der Hersteller dokumentiert o3-pro über Responses für Modellinteraktionen über mehrere Gesprächsrunden vor der abschließenden Antwort; die Spezifikation führt außerdem Batch auf. Anspruchsvolle Anfragen können mehrere Minuten dauern, und der Hersteller empfiehlt für lang laufende Aufgaben eine Ausführung im Hintergrund.
Die native Modellkarte bestätigt, dass Streaming nicht unterstützt wird, Funktionsaufrufe und Structured Outputs dagegen schon. Zu den dokumentierten Werkzeugen gehören Funktionen, Datei- und Websuche, Werkzeuge zur Bilderzeugung und MCP-Verbindungen. Eine Anwendung stellt ihre Operationen bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse. Die Statusverfolgung im Hintergrund und der Abruf von Ergebnissen sind von einem Strom aus Antwort-Token getrennt.
Definieren Sie das Abschlusskriterium vor der Anfrage. Bitten Sie bei einer Analyse darum, bereitgestellte Fakten, Schlussfolgerung und ungeklärte Bedingungen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die Belege, die zur Prüfung benötigt werden. Eine nützliche abschließende Antwort verknüpft die wichtigen Entscheidungen mit der ursprünglichen Frage und behandelt eine vorgeschlagene Werkzeugaktion getrennt von einer bereits in der Umgebung abgeschlossenen Operation.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o3-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 $0.04 / 1K Tokens Ausgabe · Ausgabetoken $0.16 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.04 / 1K Tokens Ausgabe · Ausgabetoken $0.16 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-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/o3-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/o3-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/o3-pro
Verwenden Sie die oben angezeigten Methodenpfade.
openai/o3-proDie eigenständige Edition o3-pro setzt zusätzliche Rechenleistung für anspruchsvolles Schlussfolgern ein. Sie nimmt Text und Bilder entgegen und gibt Text aus, mit Unterstützung für Funktionsaufrufe und Structured Outputs; der Herstellerablauf verwendet Responses und unterstützt kein Streaming.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o3-pro ist OpenAIs eigenständige o3-Edition, die zusätzliche Rechenleistung für anspruchsvolles Schlussfolgern nutzt. Die o-Serie wird mit Reinforcement Learning darauf trainiert, ein Problem vor der Antwort zu durchdenken. Dieses Modell nimmt Text und Bilder entgegen und erzeugt Text. Die Pro-Edition bleibt damit vom Standardmodell o3 und von Einstellungen für den Pro-Ausführungsmodus späterer Modelle getrennt.
Ein praktischer Einsatz ist eine technische Frage mit mehreren voneinander abhängigen Bedingungen. Stellen Sie das vollständige Problem, die verfügbaren Belege und die Kriterien für die Wahl eines Ansatzes bereit. Ein beispielhafter Auftrag besteht darin, Implementierungen zu vergleichen, deren Verhalten von unterschiedlichen Annahmen abhängt, und anschließend eine Empfehlung zu geben, die diese Abhängigkeiten ausdrücklich nennt. Auch ein mathematischer Auftrag sollte den Definitionsbereich, bekannte Bedingungen und die erforderliche Form der Antwort angeben.
Stellen Sie als visuelle Belege ein klares Diagramm, einen Screenshot oder ein anderes Bild bereit und benennen Sie das Detail, das die Frage beeinflusst. Ergänzen Sie den schriftlichen Kontext, den das Bild allein nicht liefert. Fordern Sie ein nützliches Ergebnis an, etwa eine Erklärung, einen Lösungsvorschlag, einen Plan oder eine Sammlung von Feststellungen. So wird die zusätzliche Reasoning-Arbeit des Modells an eine konkrete Frage und ein konkretes Ergebnis gebunden.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Reasoning beansprucht neben der Eingabe und der sichtbaren Antwort Platz. Der Hersteller dokumentiert o3-pro über Responses für Modellinteraktionen über mehrere Gesprächsrunden vor der abschließenden Antwort; die Spezifikation führt außerdem Batch auf. Anspruchsvolle Anfragen können mehrere Minuten dauern, und der Hersteller empfiehlt für lang laufende Aufgaben eine Ausführung im Hintergrund.
Die native Modellkarte bestätigt, dass Streaming nicht unterstützt wird, Funktionsaufrufe und Structured Outputs dagegen schon. Zu den dokumentierten Werkzeugen gehören Funktionen, Datei- und Websuche, Werkzeuge zur Bilderzeugung und MCP-Verbindungen. Eine Anwendung stellt ihre Operationen bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse. Die Statusverfolgung im Hintergrund und der Abruf von Ergebnissen sind von einem Strom aus Antwort-Token getrennt.
Definieren Sie das Abschlusskriterium vor der Anfrage. Bitten Sie bei einer Analyse darum, bereitgestellte Fakten, Schlussfolgerung und ungeklärte Bedingungen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die Belege, die zur Prüfung benötigt werden. Eine nützliche abschließende Antwort verknüpft die wichtigen Entscheidungen mit der ursprünglichen Frage und behandelt eine vorgeschlagene Werkzeugaktion getrennt von einer bereits in der Umgebung abgeschlossenen Operation.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o3-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 $0.04 / 1K Tokens Ausgabe · Ausgabetoken $0.16 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.04 / 1K Tokens Ausgabe · Ausgabetoken $0.16 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/o3-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/o3-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/o3-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/o3-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.