OpenAI GPT-3.5 Turbo 1106 ist die benannte GPT-3.5 Turbo-Edition mit der Kennung gpt-3.5-turbo-1106. Sie versteht und erzeugt natürliche Sprache und Code. Ihre Ausrichtung auf Chat unterstützt auch Textaufgaben ohne Gesprächscharakter. Zu den dokumentierten Änderungen dieser Edition gehören ein standardmässiges Kontextfenster von 16K, verbesserte Anweisungsbefolgung, JSON-Modus und parallele Funktionsaufrufe. Die ausdrückliche Identität 1106 hält dieses Profil von der Edition 0613, dem späteren Snapshot 0125 und GPT-3.5 Turbo Instruct getrennt.
Bereiten Sie die Aufgabe mit relevantem Text, den einzuhaltenden Antwortregeln und der gewünschten Ergebnisform vor. Fügen Sie für eine Supportantwort die Kundenfrage und die massgeblichen Produktfakten hinzu. Benennen Sie für die Extraktion die zu erkennenden Felder und erklären Sie den Umgang mit einem fehlenden Feld. Stellen Sie für eine Codeaufgabe den relevanten Code, das erwartete Verhalten und den zu behandelnden Fehler oder die Einschränkung bereit. Der Kontext von 16K bietet Platz für unterstützendes Material. Er verspricht weder die korrekte Nutzung jedes Details noch eine Antwort, die ebenso lang wie die Eingabe sein kann.
OpenAI nennt für die GPT-3.5 Turbo-Familie einen Wissensstand bis September 2021. Stellen Sie massgebliches Material bereit, wenn die Antwort von späteren Informationen oder projektspezifischen Fakten abhängt. Verlangen Sie, dass das Modell zwischen Angaben des bereitgestellten Texts und eigenen Schlussfolgerungen unterscheidet. Eine Anfrage in einem bestimmten Antwortformat sollte dieses Format ausdrücklich definieren, statt das Modell Felder, Einheiten oder Konventionen erraten zu lassen.
Der JSON-Modus zielt auf syntaktisch gültiges JSON. Er ist hilfreich, wenn Textextraktion oder Klassifikation ein Objekt benötigen, das eine Anwendung einlesen kann. Fügen Sie eine ausdrückliche Anweisung zur Erzeugung von JSON hinzu und nennen Sie erforderliche Schlüssel, Wertetypen und den Umgang mit unbekannten Informationen. OpenAI warnt, dass das Weglassen der JSON-Anweisung zur Erzeugung von Leerraum bis zur Tokengrenze führen kann. Eine vollständige Antwort muss ausserdem von einer Ausgabe unterschieden werden, die vor der Fertigstellung des Objekts unterbrochen wurde.
Gültiges JSON garantiert für sich allein weder die Einhaltung eines bestimmten Schemas noch die Richtigkeit seiner Werte. Prüfen Sie bei der Datensatzextraktion, ob die erforderlichen Schlüssel vorhanden sind und jeder extrahierte Wert durch die Eingabe gestützt wird. Der JSON-Modus sollte nicht als Schemagarantie der späteren Funktion Structured Outputs behandelt werden. Diese Unterscheidung ist wichtig, wenn die Ausgabe ein Formular ausfüllt, eine Kennzeichnung auswählt oder als Eingabe in einen weiteren Ablauf eingeht.
Die Edition 1106 unterstützt parallele Funktionsaufrufe. Das Modell kann dadurch mehr als einen Funktionsaufruf in einer Antwort vorschlagen. Dies unterstützt Aufgaben, die mehrere von der Anwendung definierte Operationen oder unabhängige Informationsabfragen benötigen. Beschreiben Sie Zweck und erwartete Eingaben jeder Funktion klar. Die umgebende Anwendung führt die Operation aus und liefert das Ergebnis. Ein erzeugter Funktionsaufruf allein ist kein Beleg für eine abgeschlossene Aktion. Prüfen Sie die vorgeschlagenen Argumente und halten Sie die Textantwort mit den tatsächlich zurückgegebenen Ergebnissen verbunden.
OpenAIs Editionsankündigung dokumentiert Fine-Tuning für das neue GPT-3.5 Turbo-Modell mit 16K. Ein feinabgestimmtes Modell ist eine separat vorbereitete Variante und keine automatische Eigenschaft jeder Anfrage an diese Basisedition. Beginnen Sie für gewöhnliche Nutzung mit einer klaren Anweisung und relevanten Beispielen für die gewünschte Antwort. Beispiele für einen Extraktions- oder Überarbeitungsauftrag sollten die wichtigen Unterschiede zeigen, etwa einen fehlenden Wert oder eine unverändert zu erhaltende Formulierung.
Nützliche Ausgaben sind eine auf bereitgestellten Produktinformationen beruhende Supportantwort, ein geprüfter JSON-Datensatz, eine knappe Codeerklärung oder eine überarbeitete Passage mit vorgegebenen Einschränkungen. Vergleichen Sie das Ergebnis mit dem Quelltext und dem verlangten Format. Prüfen Sie bei Code die vorgeschlagene Änderung im Zielprojekt, bei Extraktionen die Werte und den Umgang mit fehlenden Feldern. Der Wert dieser Edition liegt in ihren konkreten Fähigkeiten für Text, Formatbefolgung und Funktionsaufrufe, angewendet auf eine Eingabe mit klarem gewünschtem Ergebnis.
", "aboutText": "OpenAI GPT-3.5 Turbo 1106 ist die benannte GPT-3.5 Turbo-Edition mit der Kennung gpt-3.5-turbo-1106. Sie versteht und erzeugt natürliche Sprache und Code. Ihre Ausrichtung auf Chat unterstützt auch Textaufgaben ohne Gesprächscharakter. Zu den dokumentierten Änderungen dieser Edition gehören ein standardmässiges Kontextfenster von 16K, verbesserte Anweisungsbefolgung, JSON-Modus und parallele Funktionsaufrufe. Die ausdrückliche Identität 1106 hält dieses Profil von der Edition 0613, dem späteren Snapshot 0125 und GPT-3.5 Turbo Instruct getrennt.\n\n### Anweisungen und Eingabekontext\n\nBereiten Sie die Aufgabe mit relevantem Text, den einzuhaltenden Antwortregeln und der gewünschten Ergebnisform vor. Fügen Sie für eine Supportantwort die Kundenfrage und die massgeblichen Produktfakten hinzu. Benennen Sie für die Extraktion die zu erkennenden Felder und erklären Sie den Umgang mit einem fehlenden Feld. Stellen Sie für eine Codeaufgabe den relevanten Code, das erwartete Verhalten und den zu behandelnden Fehler oder die Einschränkung bereit. Der Kontext von 16K bietet Platz für unterstützendes Material. Er verspricht weder die korrekte Nutzung jedes Details noch eine Antwort, die ebenso lang wie die Eingabe sein kann.\n\nOpenAI nennt für die GPT-3.5 Turbo-Familie einen Wissensstand bis September 2021. Stellen Sie massgebliches Material bereit, wenn die Antwort von späteren Informationen oder projektspezifischen Fakten abhängt. Verlangen Sie, dass das Modell zwischen Angaben des bereitgestellten Texts und eigenen Schlussfolgerungen unterscheidet. Eine Anfrage in einem bestimmten Antwortformat sollte dieses Format ausdrücklich definieren, statt das Modell Felder, Einheiten oder Konventionen erraten zu lassen.\n\n### JSON-Modus und Schemaprüfungen\n\nDer JSON-Modus zielt auf syntaktisch gültiges JSON. Er ist hilfreich, wenn Textextraktion oder Klassifikation ein Objekt benötigen, das eine Anwendung einlesen kann. Fügen Sie eine ausdrückliche Anweisung zur Erzeugung von JSON hinzu und nennen Sie erforderliche Schlüssel, Wertetypen und den Umgang mit unbekannten Informationen. OpenAI warnt, dass das Weglassen der JSON-Anweisung zur Erzeugung von Leerraum bis zur Tokengrenze führen kann. Eine vollständige Antwort muss ausserdem von einer Ausgabe unterschieden werden, die vor der Fertigstellung des Objekts unterbrochen wurde.\n\nGültiges JSON garantiert für sich allein weder die Einhaltung eines bestimmten Schemas noch die Richtigkeit seiner Werte. Prüfen Sie bei der Datensatzextraktion, ob die erforderlichen Schlüssel vorhanden sind und jeder extrahierte Wert durch die Eingabe gestützt wird. Der JSON-Modus sollte nicht als Schemagarantie der späteren Funktion Structured Outputs behandelt werden. Diese Unterscheidung ist wichtig, wenn die Ausgabe ein Formular ausfüllt, eine Kennzeichnung auswählt oder als Eingabe in einen weiteren Ablauf eingeht.\n\n### Parallele Funktionsaufrufe\n\nDie Edition 1106 unterstützt parallele Funktionsaufrufe. Das Modell kann dadurch mehr als einen Funktionsaufruf in einer Antwort vorschlagen. Dies unterstützt Aufgaben, die mehrere von der Anwendung definierte Operationen oder unabhängige Informationsabfragen benötigen. Beschreiben Sie Zweck und erwartete Eingaben jeder Funktion klar. Die umgebende Anwendung führt die Operation aus und liefert das Ergebnis. Ein erzeugter Funktionsaufruf allein ist kein Beleg für eine abgeschlossene Aktion. Prüfen Sie die vorgeschlagenen Argumente und halten Sie die Textantwort mit den tatsächlich zurückgegebenen Ergebnissen verbunden.\n\n### Fine-Tuning und praktischer Einsatz\n\nOpenAIs Editionsankündigung dokumentiert Fine-Tuning für das neue GPT-3.5 Turbo-Modell mit 16K. Ein feinabgestimmtes Modell ist eine separat vorbereitete Variante und keine automatische Eigenschaft jeder Anfrage an diese Basisedition. Beginnen Sie für gewöhnliche Nutzung mit einer klaren Anweisung und relevanten Beispielen für die gewünschte Antwort. Beispiele für einen Extraktions- oder Überarbeitungsauftrag sollten die wichtigen Unterschiede zeigen, etwa einen fehlenden Wert oder eine unverändert zu erhaltende Formulierung.\n\nNützliche Ausgaben sind eine auf bereitgestellten Produktinformationen beruhende Supportantwort, ein geprüfter JSON-Datensatz, eine knappe Codeerklärung oder eine überarbeitete Passage mit vorgegebenen Einschränkungen. Vergleichen Sie das Ergebnis mit dem Quelltext und dem verlangten Format. Prüfen Sie bei Code die vorgeschlagene Änderung im Zielprojekt, bei Extraktionen die Werte und den Umgang mit fehlenden Feldern. Der Wert dieser Edition liegt in ihren konkreten Fähigkeiten für Text, Formatbefolgung und Funktionsaufrufe, angewendet auf eine Eingabe mit klarem gewünschtem Ergebnis.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Request an extraction object\n\nExtract an appointment record from: "Visit V-17 is on 12 December at 10:30 with Morgan. No room assigned." Return only a JSON object with keys visit_id, date_text, time_text, contact and room. Use strings for known values and null for the missing room. Do not infer a year or location.One requested JSON object with five keys; room is null and the date remains textual.Parse the returned JSON and compare every value with the sentence; formatting alone does not establish correctness.gpt-3.5-turbo-1106OpenAI GPT-3.5 Turbo 1106 ist die benannte Textmodellversion mit einem Kontextfenster von 16K, verbesserter Anweisungsbefolgung, JSON-Modus und parallelen Funktionsaufrufen. Nutzen Sie sie für Gesprächsassistenz, Textextraktion sowie Code- oder Inhaltsaufgaben mit einer klar festgelegten Ausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
OpenAI GPT-3.5 Turbo 1106 ist die benannte GPT-3.5 Turbo-Edition mit der Kennung gpt-3.5-turbo-1106. Sie versteht und erzeugt natürliche Sprache und Code. Ihre Ausrichtung auf Chat unterstützt auch Textaufgaben ohne Gesprächscharakter. Zu den dokumentierten Änderungen dieser Edition gehören ein standardmässiges Kontextfenster von 16K, verbesserte Anweisungsbefolgung, JSON-Modus und parallele Funktionsaufrufe. Die ausdrückliche Identität 1106 hält dieses Profil von der Edition 0613, dem späteren Snapshot 0125 und GPT-3.5 Turbo Instruct getrennt.
Bereiten Sie die Aufgabe mit relevantem Text, den einzuhaltenden Antwortregeln und der gewünschten Ergebnisform vor. Fügen Sie für eine Supportantwort die Kundenfrage und die massgeblichen Produktfakten hinzu. Benennen Sie für die Extraktion die zu erkennenden Felder und erklären Sie den Umgang mit einem fehlenden Feld. Stellen Sie für eine Codeaufgabe den relevanten Code, das erwartete Verhalten und den zu behandelnden Fehler oder die Einschränkung bereit. Der Kontext von 16K bietet Platz für unterstützendes Material. Er verspricht weder die korrekte Nutzung jedes Details noch eine Antwort, die ebenso lang wie die Eingabe sein kann.
OpenAI nennt für die GPT-3.5 Turbo-Familie einen Wissensstand bis September 2021. Stellen Sie massgebliches Material bereit, wenn die Antwort von späteren Informationen oder projektspezifischen Fakten abhängt. Verlangen Sie, dass das Modell zwischen Angaben des bereitgestellten Texts und eigenen Schlussfolgerungen unterscheidet. Eine Anfrage in einem bestimmten Antwortformat sollte dieses Format ausdrücklich definieren, statt das Modell Felder, Einheiten oder Konventionen erraten zu lassen.
Der JSON-Modus zielt auf syntaktisch gültiges JSON. Er ist hilfreich, wenn Textextraktion oder Klassifikation ein Objekt benötigen, das eine Anwendung einlesen kann. Fügen Sie eine ausdrückliche Anweisung zur Erzeugung von JSON hinzu und nennen Sie erforderliche Schlüssel, Wertetypen und den Umgang mit unbekannten Informationen. OpenAI warnt, dass das Weglassen der JSON-Anweisung zur Erzeugung von Leerraum bis zur Tokengrenze führen kann. Eine vollständige Antwort muss ausserdem von einer Ausgabe unterschieden werden, die vor der Fertigstellung des Objekts unterbrochen wurde.
Gültiges JSON garantiert für sich allein weder die Einhaltung eines bestimmten Schemas noch die Richtigkeit seiner Werte. Prüfen Sie bei der Datensatzextraktion, ob die erforderlichen Schlüssel vorhanden sind und jeder extrahierte Wert durch die Eingabe gestützt wird. Der JSON-Modus sollte nicht als Schemagarantie der späteren Funktion Structured Outputs behandelt werden. Diese Unterscheidung ist wichtig, wenn die Ausgabe ein Formular ausfüllt, eine Kennzeichnung auswählt oder als Eingabe in einen weiteren Ablauf eingeht.
Die Edition 1106 unterstützt parallele Funktionsaufrufe. Das Modell kann dadurch mehr als einen Funktionsaufruf in einer Antwort vorschlagen. Dies unterstützt Aufgaben, die mehrere von der Anwendung definierte Operationen oder unabhängige Informationsabfragen benötigen. Beschreiben Sie Zweck und erwartete Eingaben jeder Funktion klar. Die umgebende Anwendung führt die Operation aus und liefert das Ergebnis. Ein erzeugter Funktionsaufruf allein ist kein Beleg für eine abgeschlossene Aktion. Prüfen Sie die vorgeschlagenen Argumente und halten Sie die Textantwort mit den tatsächlich zurückgegebenen Ergebnissen verbunden.
OpenAIs Editionsankündigung dokumentiert Fine-Tuning für das neue GPT-3.5 Turbo-Modell mit 16K. Ein feinabgestimmtes Modell ist eine separat vorbereitete Variante und keine automatische Eigenschaft jeder Anfrage an diese Basisedition. Beginnen Sie für gewöhnliche Nutzung mit einer klaren Anweisung und relevanten Beispielen für die gewünschte Antwort. Beispiele für einen Extraktions- oder Überarbeitungsauftrag sollten die wichtigen Unterschiede zeigen, etwa einen fehlenden Wert oder eine unverändert zu erhaltende Formulierung.
Nützliche Ausgaben sind eine auf bereitgestellten Produktinformationen beruhende Supportantwort, ein geprüfter JSON-Datensatz, eine knappe Codeerklärung oder eine überarbeitete Passage mit vorgegebenen Einschränkungen. Vergleichen Sie das Ergebnis mit dem Quelltext und dem verlangten Format. Prüfen Sie bei Code die vorgeschlagene Änderung im Zielprojekt, bei Extraktionen die Werte und den Umgang mit fehlenden Feldern. Der Wert dieser Edition liegt in ihren konkreten Fähigkeiten für Text, Formatbefolgung und Funktionsaufrufe, angewendet auf eine Eingabe mit klarem gewünschtem Ergebnis.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-3.5-turbo-1106 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.002 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-3.5-turbo-1106", "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='gpt-3.5-turbo-1106',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='gpt-3.5-turbo-1106',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gpt-3.5-turbo-1106
Verwenden Sie die oben angezeigten Methodenpfade.
gpt-3.5-turbo-1106OpenAI GPT-3.5 Turbo 1106 ist die benannte Textmodellversion mit einem Kontextfenster von 16K, verbesserter Anweisungsbefolgung, JSON-Modus und parallelen Funktionsaufrufen. Nutzen Sie sie für Gesprächsassistenz, Textextraktion sowie Code- oder Inhaltsaufgaben mit einer klar festgelegten Ausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
OpenAI GPT-3.5 Turbo 1106 ist die benannte GPT-3.5 Turbo-Edition mit der Kennung gpt-3.5-turbo-1106. Sie versteht und erzeugt natürliche Sprache und Code. Ihre Ausrichtung auf Chat unterstützt auch Textaufgaben ohne Gesprächscharakter. Zu den dokumentierten Änderungen dieser Edition gehören ein standardmässiges Kontextfenster von 16K, verbesserte Anweisungsbefolgung, JSON-Modus und parallele Funktionsaufrufe. Die ausdrückliche Identität 1106 hält dieses Profil von der Edition 0613, dem späteren Snapshot 0125 und GPT-3.5 Turbo Instruct getrennt.
Bereiten Sie die Aufgabe mit relevantem Text, den einzuhaltenden Antwortregeln und der gewünschten Ergebnisform vor. Fügen Sie für eine Supportantwort die Kundenfrage und die massgeblichen Produktfakten hinzu. Benennen Sie für die Extraktion die zu erkennenden Felder und erklären Sie den Umgang mit einem fehlenden Feld. Stellen Sie für eine Codeaufgabe den relevanten Code, das erwartete Verhalten und den zu behandelnden Fehler oder die Einschränkung bereit. Der Kontext von 16K bietet Platz für unterstützendes Material. Er verspricht weder die korrekte Nutzung jedes Details noch eine Antwort, die ebenso lang wie die Eingabe sein kann.
OpenAI nennt für die GPT-3.5 Turbo-Familie einen Wissensstand bis September 2021. Stellen Sie massgebliches Material bereit, wenn die Antwort von späteren Informationen oder projektspezifischen Fakten abhängt. Verlangen Sie, dass das Modell zwischen Angaben des bereitgestellten Texts und eigenen Schlussfolgerungen unterscheidet. Eine Anfrage in einem bestimmten Antwortformat sollte dieses Format ausdrücklich definieren, statt das Modell Felder, Einheiten oder Konventionen erraten zu lassen.
Der JSON-Modus zielt auf syntaktisch gültiges JSON. Er ist hilfreich, wenn Textextraktion oder Klassifikation ein Objekt benötigen, das eine Anwendung einlesen kann. Fügen Sie eine ausdrückliche Anweisung zur Erzeugung von JSON hinzu und nennen Sie erforderliche Schlüssel, Wertetypen und den Umgang mit unbekannten Informationen. OpenAI warnt, dass das Weglassen der JSON-Anweisung zur Erzeugung von Leerraum bis zur Tokengrenze führen kann. Eine vollständige Antwort muss ausserdem von einer Ausgabe unterschieden werden, die vor der Fertigstellung des Objekts unterbrochen wurde.
Gültiges JSON garantiert für sich allein weder die Einhaltung eines bestimmten Schemas noch die Richtigkeit seiner Werte. Prüfen Sie bei der Datensatzextraktion, ob die erforderlichen Schlüssel vorhanden sind und jeder extrahierte Wert durch die Eingabe gestützt wird. Der JSON-Modus sollte nicht als Schemagarantie der späteren Funktion Structured Outputs behandelt werden. Diese Unterscheidung ist wichtig, wenn die Ausgabe ein Formular ausfüllt, eine Kennzeichnung auswählt oder als Eingabe in einen weiteren Ablauf eingeht.
Die Edition 1106 unterstützt parallele Funktionsaufrufe. Das Modell kann dadurch mehr als einen Funktionsaufruf in einer Antwort vorschlagen. Dies unterstützt Aufgaben, die mehrere von der Anwendung definierte Operationen oder unabhängige Informationsabfragen benötigen. Beschreiben Sie Zweck und erwartete Eingaben jeder Funktion klar. Die umgebende Anwendung führt die Operation aus und liefert das Ergebnis. Ein erzeugter Funktionsaufruf allein ist kein Beleg für eine abgeschlossene Aktion. Prüfen Sie die vorgeschlagenen Argumente und halten Sie die Textantwort mit den tatsächlich zurückgegebenen Ergebnissen verbunden.
OpenAIs Editionsankündigung dokumentiert Fine-Tuning für das neue GPT-3.5 Turbo-Modell mit 16K. Ein feinabgestimmtes Modell ist eine separat vorbereitete Variante und keine automatische Eigenschaft jeder Anfrage an diese Basisedition. Beginnen Sie für gewöhnliche Nutzung mit einer klaren Anweisung und relevanten Beispielen für die gewünschte Antwort. Beispiele für einen Extraktions- oder Überarbeitungsauftrag sollten die wichtigen Unterschiede zeigen, etwa einen fehlenden Wert oder eine unverändert zu erhaltende Formulierung.
Nützliche Ausgaben sind eine auf bereitgestellten Produktinformationen beruhende Supportantwort, ein geprüfter JSON-Datensatz, eine knappe Codeerklärung oder eine überarbeitete Passage mit vorgegebenen Einschränkungen. Vergleichen Sie das Ergebnis mit dem Quelltext und dem verlangten Format. Prüfen Sie bei Code die vorgeschlagene Änderung im Zielprojekt, bei Extraktionen die Werte und den Umgang mit fehlenden Feldern. Der Wert dieser Edition liegt in ihren konkreten Fähigkeiten für Text, Formatbefolgung und Funktionsaufrufe, angewendet auf eine Eingabe mit klarem gewünschtem Ergebnis.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-3.5-turbo-1106 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.002 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-3.5-turbo-1106",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-3.5-turbo-1106', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-3.5-turbo-1106', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gpt-3.5-turbo-1106
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Request an extraction object\n\nExtract an appointment record from: "Visit V-17 is on 12 December at 10:30 with Morgan. No room assigned." Return only a JSON object with keys visit_id, date_text, time_text, contact and room. Use strings for known values and null for the missing room. Do not infer a year or location.One requested JSON object with five keys; room is null and the date remains textual.Parse the returned JSON and compare every value with the sentence; formatting alone does not establish correctness.