GPT-5-Codex ist OpenAIs Version von GPT-5, optimiert für Softwareentwicklung durch Agenten in Codex und vergleichbaren Programmierumgebungen. Sein Training zielt auf Aufgaben wie Projekte erstellen, Funktionen und Tests implementieren, Fehler beheben, bestehende Codebasen umstrukturieren und Änderungen prüfen. Bestärkendes Lernen anhand realer Programmieraufgaben entwickelt Anweisungsbefolgung, Codestil und schrittweise Überprüfung. Die vorgesehene Umgebung ist ein Programmierassistent mit Zugriff auf Projektkontext und Entwicklungswerkzeuge.
Das Modell passt den Denkaufwand an die Aufgabe an. Eine kleine, klar definierte Änderung kann in einem interaktiven Austausch bearbeitet werden, während eine komplexe Umstrukturierung anhaltende Analyse und wiederholte Implementierungsschritte erfordern kann. Dieses adaptive Verhalten verbindet Gespräch und Ausführung: Der Agent untersucht das Projekt, schlägt eine Änderung vor, erhält Ergebnisse aus seiner Umgebung und arbeitet weiter auf das genannte Ziel hin.
Codeprüfung ist ein eigener Teil seiner Spezialisierung. OpenAI beschreibt einen Prüfer, der Codebasis und Abhängigkeiten untersucht, eine vorgeschlagene Änderung mit dem beabsichtigten Verhalten verknüpft und Codeausführung sowie Tests zur Untersuchung der Korrektheit nutzt. Das nützliche Ergebnis ist eine gezielte Erklärung wesentlicher Fehler und des betroffenen Codes statt Kommentaren, die nur auf dem Aussehen einer Änderungsansicht beruhen. Projektdateien und Werkzeugergebnisse liefern die Belege für diese Analyse.
Visuelle Eingaben unterstützen Frontendarbeit. Screenshots, Wireframes und Diagramme können die gewünschte Oberfläche oder ein beobachtetes Problem vermitteln. In einer Umgebung mit Browser- und Screenshotwerkzeugen kann der Agent die Implementierung prüfen und das erstellte Ergebnis mit dem vorgegebenen visuellen Ziel vergleichen. Diese Abläufe werden von der Umgebung unterstützt: Das Modell interpretiert Informationen und wählt Aktionen, während die Anwendung die Werkzeuge bereitstellt und ausführt.
Die veröffentlichte Modellspezifikation nennt Text- und Bildeingaben sowie Textausgabe, ein Kontextfenster von 400’000 Token und bis zu 128’000 Ausgabetoken. Es unterstützt Reasoning-Token, Streaming, Funktionsaufrufe und strukturierte Ausgaben. OpenAI dokumentiert das Modell über seine Schnittstelle Responses und kennzeichnet den unversionierten Namen als Modellbezeichnung, die aktualisiert wird. Der dokumentierte Wissensstand reicht bis zum 30. September 2024. Audio und Video liegen ausserhalb der aufgeführten Eingabemodalitäten; Fine-Tuning und Predicted Outputs werden in dieser Konfiguration nicht unterstützt.
Der Zusatz zur Systemkarte trennt Modelltraining von Produktsteuerungen. Das Modell ist darauf trainiert, Prompt-Injection-Anweisungen in Programmiermaterial zu widerstehen. Die Isolation des Arbeitsbereichs, Netzwerkberechtigungen und Freigaberegeln gehören zur Agentenumgebung. Diese Unterscheidung ist wichtig, wenn der Assistent externe Dokumentation liest oder Befehle ausführt: Die Anwendung definiert den Zugriff und ihre Ausgaben dokumentieren das tatsächliche Geschehen.
Beginnen Sie für einen Programmierassistenten mit Ailoot API mit dem zu erreichenden Verhalten, den relevanten Dateien und einem klaren Abschlusskriterium. Eine geeignete Aufgabe kann eine abgestimmte Änderung, eine Erklärung betroffener Abhängigkeiten und die zur Ergebnisprüfung nötigen Kontrollen verlangen. Stellen Sie aktuelle Projektanweisungen und hilfreiche visuelle Beispiele bereit und verlangen Sie ein prüfbares Ergebnis: geänderten Code, eine Fehleranalyse oder einen geprüften Implementierungsplan.
", "aboutText": "GPT-5-Codex ist OpenAIs Version von GPT-5, optimiert für Softwareentwicklung durch Agenten in Codex und vergleichbaren Programmierumgebungen. Sein Training zielt auf Aufgaben wie Projekte erstellen, Funktionen und Tests implementieren, Fehler beheben, bestehende Codebasen umstrukturieren und Änderungen prüfen. Bestärkendes Lernen anhand realer Programmieraufgaben entwickelt Anweisungsbefolgung, Codestil und schrittweise Überprüfung. Die vorgesehene Umgebung ist ein Programmierassistent mit Zugriff auf Projektkontext und Entwicklungswerkzeuge.\n\nDas Modell passt den Denkaufwand an die Aufgabe an. Eine kleine, klar definierte Änderung kann in einem interaktiven Austausch bearbeitet werden, während eine komplexe Umstrukturierung anhaltende Analyse und wiederholte Implementierungsschritte erfordern kann. Dieses adaptive Verhalten verbindet Gespräch und Ausführung: Der Agent untersucht das Projekt, schlägt eine Änderung vor, erhält Ergebnisse aus seiner Umgebung und arbeitet weiter auf das genannte Ziel hin.\n\nCodeprüfung ist ein eigener Teil seiner Spezialisierung. OpenAI beschreibt einen Prüfer, der Codebasis und Abhängigkeiten untersucht, eine vorgeschlagene Änderung mit dem beabsichtigten Verhalten verknüpft und Codeausführung sowie Tests zur Untersuchung der Korrektheit nutzt. Das nützliche Ergebnis ist eine gezielte Erklärung wesentlicher Fehler und des betroffenen Codes statt Kommentaren, die nur auf dem Aussehen einer Änderungsansicht beruhen. Projektdateien und Werkzeugergebnisse liefern die Belege für diese Analyse.\n\nVisuelle Eingaben unterstützen Frontendarbeit. Screenshots, Wireframes und Diagramme können die gewünschte Oberfläche oder ein beobachtetes Problem vermitteln. In einer Umgebung mit Browser- und Screenshotwerkzeugen kann der Agent die Implementierung prüfen und das erstellte Ergebnis mit dem vorgegebenen visuellen Ziel vergleichen. Diese Abläufe werden von der Umgebung unterstützt: Das Modell interpretiert Informationen und wählt Aktionen, während die Anwendung die Werkzeuge bereitstellt und ausführt.\n\nDie veröffentlichte Modellspezifikation nennt Text- und Bildeingaben sowie Textausgabe, ein Kontextfenster von 400’000 Token und bis zu 128’000 Ausgabetoken. Es unterstützt Reasoning-Token, Streaming, Funktionsaufrufe und strukturierte Ausgaben. OpenAI dokumentiert das Modell über seine Schnittstelle Responses und kennzeichnet den unversionierten Namen als Modellbezeichnung, die aktualisiert wird. Der dokumentierte Wissensstand reicht bis zum 30. September 2024. Audio und Video liegen ausserhalb der aufgeführten Eingabemodalitäten; Fine-Tuning und Predicted Outputs werden in dieser Konfiguration nicht unterstützt.\n\nDer Zusatz zur Systemkarte trennt Modelltraining von Produktsteuerungen. Das Modell ist darauf trainiert, Prompt-Injection-Anweisungen in Programmiermaterial zu widerstehen. Die Isolation des Arbeitsbereichs, Netzwerkberechtigungen und Freigaberegeln gehören zur Agentenumgebung. Diese Unterscheidung ist wichtig, wenn der Assistent externe Dokumentation liest oder Befehle ausführt: Die Anwendung definiert den Zugriff und ihre Ausgaben dokumentieren das tatsächliche Geschehen.\n\nBeginnen Sie für einen Programmierassistenten mit Ailoot API mit dem zu erreichenden Verhalten, den relevanten Dateien und einem klaren Abschlusskriterium. Eine geeignete Aufgabe kann eine abgestimmte Änderung, eine Erklärung betroffener Abhängigkeiten und die zur Ergebnisprüfung nötigen Kontrollen verlangen. Stellen Sie aktuelle Projektanweisungen und hilfreiche visuelle Beispiele bereit und verlangen Sie ein prüfbares Ergebnis: geänderten Code, eine Fehleranalyse oder einen geprüften Implementierungsplan.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Fix a mutation during iteration\n\nPatch this Python function: 'def remove_empty(items):\n for value in items:\n if value == '': items.remove(value)\n return items'. Requirement: return a new list without empty strings and leave the original unchanged. Provide the function and tests covering adjacent empty strings, no empty strings and an empty list. Explain why the original skipped values.A replacement function, three focused tests and one sentence about modifying a list during iteration.Adjacent empty strings are all removed from the result while the input list retains its original contents.gpt-5-codex-highGPT-5-Codex ist OpenAIs GPT-5-Variante für Softwareentwicklung durch Agenten: Funktionen implementieren, Fehler beheben, Code umstrukturieren und prüfen, in einer Umgebung mit Werkzeugen. Es verbindet Text- und Bildeingaben mit adaptivem Denken und einem Kontext von 400’000 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5-Codex ist OpenAIs Version von GPT-5, optimiert für Softwareentwicklung durch Agenten in Codex und vergleichbaren Programmierumgebungen. Sein Training zielt auf Aufgaben wie Projekte erstellen, Funktionen und Tests implementieren, Fehler beheben, bestehende Codebasen umstrukturieren und Änderungen prüfen. Bestärkendes Lernen anhand realer Programmieraufgaben entwickelt Anweisungsbefolgung, Codestil und schrittweise Überprüfung. Die vorgesehene Umgebung ist ein Programmierassistent mit Zugriff auf Projektkontext und Entwicklungswerkzeuge.
Das Modell passt den Denkaufwand an die Aufgabe an. Eine kleine, klar definierte Änderung kann in einem interaktiven Austausch bearbeitet werden, während eine komplexe Umstrukturierung anhaltende Analyse und wiederholte Implementierungsschritte erfordern kann. Dieses adaptive Verhalten verbindet Gespräch und Ausführung: Der Agent untersucht das Projekt, schlägt eine Änderung vor, erhält Ergebnisse aus seiner Umgebung und arbeitet weiter auf das genannte Ziel hin.
Codeprüfung ist ein eigener Teil seiner Spezialisierung. OpenAI beschreibt einen Prüfer, der Codebasis und Abhängigkeiten untersucht, eine vorgeschlagene Änderung mit dem beabsichtigten Verhalten verknüpft und Codeausführung sowie Tests zur Untersuchung der Korrektheit nutzt. Das nützliche Ergebnis ist eine gezielte Erklärung wesentlicher Fehler und des betroffenen Codes statt Kommentaren, die nur auf dem Aussehen einer Änderungsansicht beruhen. Projektdateien und Werkzeugergebnisse liefern die Belege für diese Analyse.
Visuelle Eingaben unterstützen Frontendarbeit. Screenshots, Wireframes und Diagramme können die gewünschte Oberfläche oder ein beobachtetes Problem vermitteln. In einer Umgebung mit Browser- und Screenshotwerkzeugen kann der Agent die Implementierung prüfen und das erstellte Ergebnis mit dem vorgegebenen visuellen Ziel vergleichen. Diese Abläufe werden von der Umgebung unterstützt: Das Modell interpretiert Informationen und wählt Aktionen, während die Anwendung die Werkzeuge bereitstellt und ausführt.
Die veröffentlichte Modellspezifikation nennt Text- und Bildeingaben sowie Textausgabe, ein Kontextfenster von 400’000 Token und bis zu 128’000 Ausgabetoken. Es unterstützt Reasoning-Token, Streaming, Funktionsaufrufe und strukturierte Ausgaben. OpenAI dokumentiert das Modell über seine Schnittstelle Responses und kennzeichnet den unversionierten Namen als Modellbezeichnung, die aktualisiert wird. Der dokumentierte Wissensstand reicht bis zum 30. September 2024. Audio und Video liegen ausserhalb der aufgeführten Eingabemodalitäten; Fine-Tuning und Predicted Outputs werden in dieser Konfiguration nicht unterstützt.
Der Zusatz zur Systemkarte trennt Modelltraining von Produktsteuerungen. Das Modell ist darauf trainiert, Prompt-Injection-Anweisungen in Programmiermaterial zu widerstehen. Die Isolation des Arbeitsbereichs, Netzwerkberechtigungen und Freigaberegeln gehören zur Agentenumgebung. Diese Unterscheidung ist wichtig, wenn der Assistent externe Dokumentation liest oder Befehle ausführt: Die Anwendung definiert den Zugriff und ihre Ausgaben dokumentieren das tatsächliche Geschehen.
Beginnen Sie für einen Programmierassistenten mit Ailoot API mit dem zu erreichenden Verhalten, den relevanten Dateien und einem klaren Abschlusskriterium. Eine geeignete Aufgabe kann eine abgestimmte Änderung, eine Erklärung betroffener Abhängigkeiten und die zur Ergebnisprüfung nötigen Kontrollen verlangen. Stellen Sie aktuelle Projektanweisungen und hilfreiche visuelle Beispiele bereit und verlangen Sie ein prüfbares Ergebnis: geänderten Code, eine Fehleranalyse oder einen geprüften Implementierungsplan.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5-codex-high | 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 $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 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-5-codex-high", "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-5-codex-high',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-5-codex-high',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gpt-5-codex-high
Verwenden Sie die oben angezeigten Methodenpfade.
gpt-5-codex-highGPT-5-Codex ist OpenAIs GPT-5-Variante für Softwareentwicklung durch Agenten: Funktionen implementieren, Fehler beheben, Code umstrukturieren und prüfen, in einer Umgebung mit Werkzeugen. Es verbindet Text- und Bildeingaben mit adaptivem Denken und einem Kontext von 400’000 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5-Codex ist OpenAIs Version von GPT-5, optimiert für Softwareentwicklung durch Agenten in Codex und vergleichbaren Programmierumgebungen. Sein Training zielt auf Aufgaben wie Projekte erstellen, Funktionen und Tests implementieren, Fehler beheben, bestehende Codebasen umstrukturieren und Änderungen prüfen. Bestärkendes Lernen anhand realer Programmieraufgaben entwickelt Anweisungsbefolgung, Codestil und schrittweise Überprüfung. Die vorgesehene Umgebung ist ein Programmierassistent mit Zugriff auf Projektkontext und Entwicklungswerkzeuge.
Das Modell passt den Denkaufwand an die Aufgabe an. Eine kleine, klar definierte Änderung kann in einem interaktiven Austausch bearbeitet werden, während eine komplexe Umstrukturierung anhaltende Analyse und wiederholte Implementierungsschritte erfordern kann. Dieses adaptive Verhalten verbindet Gespräch und Ausführung: Der Agent untersucht das Projekt, schlägt eine Änderung vor, erhält Ergebnisse aus seiner Umgebung und arbeitet weiter auf das genannte Ziel hin.
Codeprüfung ist ein eigener Teil seiner Spezialisierung. OpenAI beschreibt einen Prüfer, der Codebasis und Abhängigkeiten untersucht, eine vorgeschlagene Änderung mit dem beabsichtigten Verhalten verknüpft und Codeausführung sowie Tests zur Untersuchung der Korrektheit nutzt. Das nützliche Ergebnis ist eine gezielte Erklärung wesentlicher Fehler und des betroffenen Codes statt Kommentaren, die nur auf dem Aussehen einer Änderungsansicht beruhen. Projektdateien und Werkzeugergebnisse liefern die Belege für diese Analyse.
Visuelle Eingaben unterstützen Frontendarbeit. Screenshots, Wireframes und Diagramme können die gewünschte Oberfläche oder ein beobachtetes Problem vermitteln. In einer Umgebung mit Browser- und Screenshotwerkzeugen kann der Agent die Implementierung prüfen und das erstellte Ergebnis mit dem vorgegebenen visuellen Ziel vergleichen. Diese Abläufe werden von der Umgebung unterstützt: Das Modell interpretiert Informationen und wählt Aktionen, während die Anwendung die Werkzeuge bereitstellt und ausführt.
Die veröffentlichte Modellspezifikation nennt Text- und Bildeingaben sowie Textausgabe, ein Kontextfenster von 400’000 Token und bis zu 128’000 Ausgabetoken. Es unterstützt Reasoning-Token, Streaming, Funktionsaufrufe und strukturierte Ausgaben. OpenAI dokumentiert das Modell über seine Schnittstelle Responses und kennzeichnet den unversionierten Namen als Modellbezeichnung, die aktualisiert wird. Der dokumentierte Wissensstand reicht bis zum 30. September 2024. Audio und Video liegen ausserhalb der aufgeführten Eingabemodalitäten; Fine-Tuning und Predicted Outputs werden in dieser Konfiguration nicht unterstützt.
Der Zusatz zur Systemkarte trennt Modelltraining von Produktsteuerungen. Das Modell ist darauf trainiert, Prompt-Injection-Anweisungen in Programmiermaterial zu widerstehen. Die Isolation des Arbeitsbereichs, Netzwerkberechtigungen und Freigaberegeln gehören zur Agentenumgebung. Diese Unterscheidung ist wichtig, wenn der Assistent externe Dokumentation liest oder Befehle ausführt: Die Anwendung definiert den Zugriff und ihre Ausgaben dokumentieren das tatsächliche Geschehen.
Beginnen Sie für einen Programmierassistenten mit Ailoot API mit dem zu erreichenden Verhalten, den relevanten Dateien und einem klaren Abschlusskriterium. Eine geeignete Aufgabe kann eine abgestimmte Änderung, eine Erklärung betroffener Abhängigkeiten und die zur Ergebnisprüfung nötigen Kontrollen verlangen. Stellen Sie aktuelle Projektanweisungen und hilfreiche visuelle Beispiele bereit und verlangen Sie ein prüfbares Ergebnis: geänderten Code, eine Fehleranalyse oder einen geprüften Implementierungsplan.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5-codex-high | 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 $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-5-codex-high",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5-codex-high', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5-codex-high', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gpt-5-codex-high
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Fix a mutation during iteration\n\nPatch this Python function: 'def remove_empty(items):\n for value in items:\n if value == '': items.remove(value)\n return items'. Requirement: return a new list without empty strings and leave the original unchanged. Provide the function and tests covering adjacent empty strings, no empty strings and an empty list. Explain why the original skipped values.A replacement function, three focused tests and one sentence about modifying a list during iteration.Adjacent empty strings are all removed from the result while the input list retains its original contents.