GPT-4o Mini ist OpenAIs kleines Modell der GPT-4o-Familie für klar umrissene Aufgaben. Es nimmt Text und Bilder entgegen und erzeugt Text, einschliesslich Structured Outputs. Es eignet sich, wenn eine Anwendung eine knappe Antwort auf eine genau beschriebene Anfrage benötigt: Felder extrahieren, eine Antwort anhand bereitgestellten Referenzmaterials entwickeln oder einen begrenzten Schritt in einem grösseren Prozess ausführen.
Stellen Sie für eine Supportantwort die eingegangene Nachricht, relevante Richtlinienauszüge und die im Gespräch bereits festgestellten Fakten bereit. Verlangen Sie einen kurzen Antwortvorschlag und benennen Sie Informationen, die noch vom Absender benötigt werden. Definieren Sie für die Dokumentextraktion die Felder und den Umgang mit fehlenden Werten. Erhalten Sie eine Kennzeichnung, die jedes Ergebnis mit seiner Quelle verbindet. Auf dieselbe Weise können eine Klassifikation, eine überarbeitete Passage oder die Erklärung einer kleinen Codeänderung entstehen, ohne das Modell als Ersatz für die umgebende Anwendungslogik zu behandeln.
Der Hersteller nennt ein Kontextfenster von 128’000 Token, eine maximale Ausgabe von 16’384 Token und einen Wissensstand bis zum 1. Oktober 2023. Ausgangsmaterial, Gespräch und erzeugte Ausgabe belegen diesen Kontext gemeinsam. Halten Sie wichtige frühere Fakten sichtbar und nennen Sie das erforderliche fertige Ergebnis. GPT-4o Mini ist ein eigenständiges kleines Modell, kein Modus zur Ausgabelängensteuerung des vollständigen GPT-4o. Seine eigene Identität und seine Fähigkeiten sollten die Aufgabe bestimmen, auch wenn beide Modelle bestimmte Spezifikationen teilen.
Bilder können einen Screenshot, eine Dokumentseite, ein Foto oder ein Diagramm liefern. OpenAIs Ablauf zur Bildverarbeitung akzeptiert PNG, JPEG, WebP und nicht animierte GIF mit den Detailstufen low, high oder auto für diese Familie. Höhere Detailstufen verwenden die kachelbasierte Bildverarbeitung des Herstellers. Halten Sie wichtige Beschriftungen lesbar und aufrecht und erklären Sie, welcher Bildbereich in die Antwort einfliessen soll. Feine räumliche Beziehungen, exakte Objektzahlen, ungewöhnliche Bildprojektionen und einige nicht lateinische Texte sind dokumentierte Schwierigkeiten. Eine gezielte Frage erleichtert den Vergleich einer visuellen Antwort mit den ursprünglichen Belegen. In OpenAIs dokumentiertem Ablauf zur Bildverarbeitung ist die gesamte Anfragegrösse auf 512 MB begrenzt; eine Anfrage kann bis zu 1’500 Bilder enthalten. Bilder und Text müssen ausserdem in den Kontext des Modells passen.
Der Dateiablauf des Herstellers übergibt extrahierten Text und Seitenbilder aus PDFs an bildfähige Modelle. Andere Office- und Textdateien liefern extrahierten Text. Ihre eingebetteten Bilder und Diagramme benötigen daher eine PDF-Darstellung, wenn diese visuellen Inhalte wichtig sind. Bei Tabellen werden bis zu den ersten 1’000 Zeilen pro Blatt ergänzend aufbereitet. Jede Datei muss kleiner als 50 MB sein, zusammen dürfen die Dateien einer Anfrage 50 MB umfassen. Chat Completions akzeptiert PDF-Dateiteile; der dokumentierte Responses-Ablauf akzeptiert mehr Dateiformate. Erhalten Sie Seiten-, Zeilen- oder Abschnittskennungen im Material für die Extraktion.
Streaming gibt Text schrittweise zurück. Structured Outputs beschränkt eine fertige Antwort auf die unterstützte Teilmenge von JSON Schema, während eine Anfrage im JSON-Modus lediglich gültiges JSON sicherstellt. Benennen Sie die erforderlichen Felder und zulässigen Werte einschliesslich einer ausdrücklichen Darstellung fehlender Belege. Anwendungen müssen Ablehnungen und unvollständige Antworten separat behandeln. Ein Schema kann das Ergebnis für den nächsten Schritt nutzbar machen. Die Werte müssen dennoch die tatsächliche Quelle wiedergeben, statt ein leeres Feld durch erfundene Inhalte zu ergänzen.
GPT-4o Mini unterstützt Funktionsaufrufe und die werkzeugorientierten Abläufe des Herstellers mit Websuche, Dateisuche, Codeausführung und MCP-Verbindungen. Beschreiben Sie eine verfügbare Funktion, lassen Sie die Anwendung die angeforderte Operation ausführen und deren Beobachtung zurückgeben, bevor das Modell eine Folgeantwort entwickelt. OpenAI unterstützt im konfigurierten Responses-Ablauf ausserdem ein separates Werkzeug zur Bilderzeugung. Damit erzeugte Bilder sind eigene Artefakte; die dokumentierte native Ausgabe des Modells bleibt Text. Suche und Werkzeugnutzung sind konfigurierte Aktivitäten, kein Beleg dafür, dass jede Antwort aktuelle Informationen nachgeschlagen hat.
Predicted Outputs unterstützt die Neuerzeugung eines weitgehend bekannten Dokuments oder einer Codedatei mit einer kleinen Änderung. Stellen Sie den bisherigen Inhalt und die präzise Bearbeitung bereit und vergleichen Sie das Ergebnis mit dieser Anfrage. Der Vorhersagepfad unterstützt nur Text und lässt sich nicht mit Funktionsaufrufen kombinieren. logprobs, max_completion_tokens und mehrere weitere Steuerungen sind ebenfalls ausgeschlossen. Eine gewöhnliche Anfrage mit Werkzeugnutzung ist ein anderer Pfad, wenn die Antwort von einer neuen Abfrage oder Berechnung abhängt.
OpenAI dokumentiert Fine-Tuning für dieses Modell und beschreibt, wie Ausgaben eines grösseren Modells einem kleineren GPT-4o Mini-Modell eine spezielle Aufgabe vermitteln können. Dieser Destillationsablauf erzeugt ein angepasstes Modell; er ändert nicht die Identität einer gewöhnlichen Mini-Antwort. Definieren Sie für eine gewöhnliche Anfrage Aufgabe und Ausgabeformat anhand klarer Beispiele und überarbeiten Sie dasselbe Ergebnis anschliessend mit einer gezielten Folgeanfrage. Ein brauchbares fertiges Ergebnis bleibt mit den Quellenfakten, der vorgesehenen Leserschaft und dem Anwendungsschritt verbunden, der es verarbeitet.
", "aboutText": "GPT-4o Mini ist OpenAIs kleines Modell der GPT-4o-Familie für klar umrissene Aufgaben. Es nimmt Text und Bilder entgegen und erzeugt Text, einschliesslich Structured Outputs. Es eignet sich, wenn eine Anwendung eine knappe Antwort auf eine genau beschriebene Anfrage benötigt: Felder extrahieren, eine Antwort anhand bereitgestellten Referenzmaterials entwickeln oder einen begrenzten Schritt in einem grösseren Prozess ausführen.\n\nStellen Sie für eine Supportantwort die eingegangene Nachricht, relevante Richtlinienauszüge und die im Gespräch bereits festgestellten Fakten bereit. Verlangen Sie einen kurzen Antwortvorschlag und benennen Sie Informationen, die noch vom Absender benötigt werden. Definieren Sie für die Dokumentextraktion die Felder und den Umgang mit fehlenden Werten. Erhalten Sie eine Kennzeichnung, die jedes Ergebnis mit seiner Quelle verbindet. Auf dieselbe Weise können eine Klassifikation, eine überarbeitete Passage oder die Erklärung einer kleinen Codeänderung entstehen, ohne das Modell als Ersatz für die umgebende Anwendungslogik zu behandeln.\n\nDer Hersteller nennt ein Kontextfenster von 128’000 Token, eine maximale Ausgabe von 16’384 Token und einen Wissensstand bis zum 1. Oktober 2023. Ausgangsmaterial, Gespräch und erzeugte Ausgabe belegen diesen Kontext gemeinsam. Halten Sie wichtige frühere Fakten sichtbar und nennen Sie das erforderliche fertige Ergebnis. GPT-4o Mini ist ein eigenständiges kleines Modell, kein Modus zur Ausgabelängensteuerung des vollständigen GPT-4o. Seine eigene Identität und seine Fähigkeiten sollten die Aufgabe bestimmen, auch wenn beide Modelle bestimmte Spezifikationen teilen.\n\nBilder können einen Screenshot, eine Dokumentseite, ein Foto oder ein Diagramm liefern. OpenAIs Ablauf zur Bildverarbeitung akzeptiert PNG, JPEG, WebP und nicht animierte GIF mit den Detailstufen low, high oder auto für diese Familie. Höhere Detailstufen verwenden die kachelbasierte Bildverarbeitung des Herstellers. Halten Sie wichtige Beschriftungen lesbar und aufrecht und erklären Sie, welcher Bildbereich in die Antwort einfliessen soll. Feine räumliche Beziehungen, exakte Objektzahlen, ungewöhnliche Bildprojektionen und einige nicht lateinische Texte sind dokumentierte Schwierigkeiten. Eine gezielte Frage erleichtert den Vergleich einer visuellen Antwort mit den ursprünglichen Belegen. In OpenAIs dokumentiertem Ablauf zur Bildverarbeitung ist die gesamte Anfragegrösse auf 512 MB begrenzt; eine Anfrage kann bis zu 1’500 Bilder enthalten. Bilder und Text müssen ausserdem in den Kontext des Modells passen.\n\nDer Dateiablauf des Herstellers übergibt extrahierten Text und Seitenbilder aus PDFs an bildfähige Modelle. Andere Office- und Textdateien liefern extrahierten Text. Ihre eingebetteten Bilder und Diagramme benötigen daher eine PDF-Darstellung, wenn diese visuellen Inhalte wichtig sind. Bei Tabellen werden bis zu den ersten 1’000 Zeilen pro Blatt ergänzend aufbereitet. Jede Datei muss kleiner als 50 MB sein, zusammen dürfen die Dateien einer Anfrage 50 MB umfassen. Chat Completions akzeptiert PDF-Dateiteile; der dokumentierte Responses-Ablauf akzeptiert mehr Dateiformate. Erhalten Sie Seiten-, Zeilen- oder Abschnittskennungen im Material für die Extraktion.\n\nStreaming gibt Text schrittweise zurück. Structured Outputs beschränkt eine fertige Antwort auf die unterstützte Teilmenge von JSON Schema, während eine Anfrage im JSON-Modus lediglich gültiges JSON sicherstellt. Benennen Sie die erforderlichen Felder und zulässigen Werte einschliesslich einer ausdrücklichen Darstellung fehlender Belege. Anwendungen müssen Ablehnungen und unvollständige Antworten separat behandeln. Ein Schema kann das Ergebnis für den nächsten Schritt nutzbar machen. Die Werte müssen dennoch die tatsächliche Quelle wiedergeben, statt ein leeres Feld durch erfundene Inhalte zu ergänzen.\n\nGPT-4o Mini unterstützt Funktionsaufrufe und die werkzeugorientierten Abläufe des Herstellers mit Websuche, Dateisuche, Codeausführung und MCP-Verbindungen. Beschreiben Sie eine verfügbare Funktion, lassen Sie die Anwendung die angeforderte Operation ausführen und deren Beobachtung zurückgeben, bevor das Modell eine Folgeantwort entwickelt. OpenAI unterstützt im konfigurierten Responses-Ablauf ausserdem ein separates Werkzeug zur Bilderzeugung. Damit erzeugte Bilder sind eigene Artefakte; die dokumentierte native Ausgabe des Modells bleibt Text. Suche und Werkzeugnutzung sind konfigurierte Aktivitäten, kein Beleg dafür, dass jede Antwort aktuelle Informationen nachgeschlagen hat.\n\nPredicted Outputs unterstützt die Neuerzeugung eines weitgehend bekannten Dokuments oder einer Codedatei mit einer kleinen Änderung. Stellen Sie den bisherigen Inhalt und die präzise Bearbeitung bereit und vergleichen Sie das Ergebnis mit dieser Anfrage. Der Vorhersagepfad unterstützt nur Text und lässt sich nicht mit Funktionsaufrufen kombinieren. logprobs, max_completion_tokens und mehrere weitere Steuerungen sind ebenfalls ausgeschlossen. Eine gewöhnliche Anfrage mit Werkzeugnutzung ist ein anderer Pfad, wenn die Antwort von einer neuen Abfrage oder Berechnung abhängt.\n\nOpenAI dokumentiert Fine-Tuning für dieses Modell und beschreibt, wie Ausgaben eines grösseren Modells einem kleineren GPT-4o Mini-Modell eine spezielle Aufgabe vermitteln können. Dieser Destillationsablauf erzeugt ein angepasstes Modell; er ändert nicht die Identität einer gewöhnlichen Mini-Antwort. Definieren Sie für eine gewöhnliche Anfrage Aufgabe und Ausgabeformat anhand klarer Beispiele und überarbeiten Sie dasselbe Ergebnis anschliessend mit einer gezielten Folgeanfrage. Ein brauchbares fertiges Ergebnis bleibt mit den Quellenfakten, der vorgesehenen Leserschaft und dem Anwendungsschritt verbunden, der es verarbeitet.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a30337ec038aa2ec56b98509a6bdd30e3c393179b9882bc3e9eed9cba88ee8dd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "openai/gpt-4o-mini:batchGPT-4o Mini bearbeitet klar umrissene Text- und Bildaufgaben, darunter Dokumentextraktion, knappe Antworten und Werkzeugaufrufe in Anwendungen. Sein Kontext von 128’000 Token und Structured Outputs unterstützen wiederholbare Abläufe mit einem klar definierten Ergebnis.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-4o Mini ist OpenAIs kleines Modell der GPT-4o-Familie für klar umrissene Aufgaben. Es nimmt Text und Bilder entgegen und erzeugt Text, einschliesslich Structured Outputs. Es eignet sich, wenn eine Anwendung eine knappe Antwort auf eine genau beschriebene Anfrage benötigt: Felder extrahieren, eine Antwort anhand bereitgestellten Referenzmaterials entwickeln oder einen begrenzten Schritt in einem grösseren Prozess ausführen.
Stellen Sie für eine Supportantwort die eingegangene Nachricht, relevante Richtlinienauszüge und die im Gespräch bereits festgestellten Fakten bereit. Verlangen Sie einen kurzen Antwortvorschlag und benennen Sie Informationen, die noch vom Absender benötigt werden. Definieren Sie für die Dokumentextraktion die Felder und den Umgang mit fehlenden Werten. Erhalten Sie eine Kennzeichnung, die jedes Ergebnis mit seiner Quelle verbindet. Auf dieselbe Weise können eine Klassifikation, eine überarbeitete Passage oder die Erklärung einer kleinen Codeänderung entstehen, ohne das Modell als Ersatz für die umgebende Anwendungslogik zu behandeln.
Der Hersteller nennt ein Kontextfenster von 128’000 Token, eine maximale Ausgabe von 16’384 Token und einen Wissensstand bis zum 1. Oktober 2023. Ausgangsmaterial, Gespräch und erzeugte Ausgabe belegen diesen Kontext gemeinsam. Halten Sie wichtige frühere Fakten sichtbar und nennen Sie das erforderliche fertige Ergebnis. GPT-4o Mini ist ein eigenständiges kleines Modell, kein Modus zur Ausgabelängensteuerung des vollständigen GPT-4o. Seine eigene Identität und seine Fähigkeiten sollten die Aufgabe bestimmen, auch wenn beide Modelle bestimmte Spezifikationen teilen.
Bilder können einen Screenshot, eine Dokumentseite, ein Foto oder ein Diagramm liefern. OpenAIs Ablauf zur Bildverarbeitung akzeptiert PNG, JPEG, WebP und nicht animierte GIF mit den Detailstufen low, high oder auto für diese Familie. Höhere Detailstufen verwenden die kachelbasierte Bildverarbeitung des Herstellers. Halten Sie wichtige Beschriftungen lesbar und aufrecht und erklären Sie, welcher Bildbereich in die Antwort einfliessen soll. Feine räumliche Beziehungen, exakte Objektzahlen, ungewöhnliche Bildprojektionen und einige nicht lateinische Texte sind dokumentierte Schwierigkeiten. Eine gezielte Frage erleichtert den Vergleich einer visuellen Antwort mit den ursprünglichen Belegen. In OpenAIs dokumentiertem Ablauf zur Bildverarbeitung ist die gesamte Anfragegrösse auf 512 MB begrenzt; eine Anfrage kann bis zu 1’500 Bilder enthalten. Bilder und Text müssen ausserdem in den Kontext des Modells passen.
Der Dateiablauf des Herstellers übergibt extrahierten Text und Seitenbilder aus PDFs an bildfähige Modelle. Andere Office- und Textdateien liefern extrahierten Text. Ihre eingebetteten Bilder und Diagramme benötigen daher eine PDF-Darstellung, wenn diese visuellen Inhalte wichtig sind. Bei Tabellen werden bis zu den ersten 1’000 Zeilen pro Blatt ergänzend aufbereitet. Jede Datei muss kleiner als 50 MB sein, zusammen dürfen die Dateien einer Anfrage 50 MB umfassen. Chat Completions akzeptiert PDF-Dateiteile; der dokumentierte Responses-Ablauf akzeptiert mehr Dateiformate. Erhalten Sie Seiten-, Zeilen- oder Abschnittskennungen im Material für die Extraktion.
Streaming gibt Text schrittweise zurück. Structured Outputs beschränkt eine fertige Antwort auf die unterstützte Teilmenge von JSON Schema, während eine Anfrage im JSON-Modus lediglich gültiges JSON sicherstellt. Benennen Sie die erforderlichen Felder und zulässigen Werte einschliesslich einer ausdrücklichen Darstellung fehlender Belege. Anwendungen müssen Ablehnungen und unvollständige Antworten separat behandeln. Ein Schema kann das Ergebnis für den nächsten Schritt nutzbar machen. Die Werte müssen dennoch die tatsächliche Quelle wiedergeben, statt ein leeres Feld durch erfundene Inhalte zu ergänzen.
GPT-4o Mini unterstützt Funktionsaufrufe und die werkzeugorientierten Abläufe des Herstellers mit Websuche, Dateisuche, Codeausführung und MCP-Verbindungen. Beschreiben Sie eine verfügbare Funktion, lassen Sie die Anwendung die angeforderte Operation ausführen und deren Beobachtung zurückgeben, bevor das Modell eine Folgeantwort entwickelt. OpenAI unterstützt im konfigurierten Responses-Ablauf ausserdem ein separates Werkzeug zur Bilderzeugung. Damit erzeugte Bilder sind eigene Artefakte; die dokumentierte native Ausgabe des Modells bleibt Text. Suche und Werkzeugnutzung sind konfigurierte Aktivitäten, kein Beleg dafür, dass jede Antwort aktuelle Informationen nachgeschlagen hat.
Predicted Outputs unterstützt die Neuerzeugung eines weitgehend bekannten Dokuments oder einer Codedatei mit einer kleinen Änderung. Stellen Sie den bisherigen Inhalt und die präzise Bearbeitung bereit und vergleichen Sie das Ergebnis mit dieser Anfrage. Der Vorhersagepfad unterstützt nur Text und lässt sich nicht mit Funktionsaufrufen kombinieren. logprobs, max_completion_tokens und mehrere weitere Steuerungen sind ebenfalls ausgeschlossen. Eine gewöhnliche Anfrage mit Werkzeugnutzung ist ein anderer Pfad, wenn die Antwort von einer neuen Abfrage oder Berechnung abhängt.
OpenAI dokumentiert Fine-Tuning für dieses Modell und beschreibt, wie Ausgaben eines grösseren Modells einem kleineren GPT-4o Mini-Modell eine spezielle Aufgabe vermitteln können. Dieser Destillationsablauf erzeugt ein angepasstes Modell; er ändert nicht die Identität einer gewöhnlichen Mini-Antwort. Definieren Sie für eine gewöhnliche Anfrage Aufgabe und Ausgabeformat anhand klarer Beispiele und überarbeiten Sie dasselbe Ergebnis anschliessend mit einer gezielten Folgeanfrage. Ein brauchbares fertiges Ergebnis bleibt mit den Quellenfakten, der vorgesehenen Leserschaft und dem Anwendungsschritt verbunden, der es verarbeitet.
POST /v1/batchestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldendpoint | Typstring | AnforderungErforderlich | Werte und Limits /v1/chat/completions | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-4o-mini:batch | Standard— |
Feldrequests | Typbatch_item[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldrequests[].custom_id | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldrequests[].body.messages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldcompletion_window | Typstring | AnforderungOptional | Werte und Limits 24h | Standard— |
Feldprovider | Typobject|null | AnforderungOptional | Werte und Limits | Standard— |
Feldrequests[].body.model | Typstring | AnforderungOptional | Werte und Limits openai/gpt-4o-mini:batch, openai/gpt-4o-mini | Standard— |
Feldprovider.only | Typstring[] | AnforderungOptional | Werte und Limits openai | Standard— |
Feldprovider.allow_fallbacks | Typboolean|null | AnforderungOptional | Werte und Limits false, null | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragendpoint, model, requests |
Parametermaterial_types | Vertragtext |
Parameterrepresentation | Vertrageingebettete requests[]; jedes Element enthält custom_id und body |
Parameterrequest_endpoint_profile | Vertrag/v1/chat/completions |
Parameterfile_material | VertragDer Aufrufer kann tatsächliches UTF-8-JSONL lokal in requests[] einlesen. Es werden weder ein Upload-Zweck noch input_file_id oder eine Dateireferenz verwendet. Fehlendes oder leeres Kundenmaterial stoppt die Vorbereitung vor POST. |
Parameterserialization_order | Vertragendpoint, model, provider (falls angegeben), completion_window (falls angegeben), requests als letztes Feld |
Parameteroptional_controls | Vertragprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | VertragAnfragekörper für Text Chat Completions in der dokumentierten Inline-Batch-Struktur. |
Lebenszyklus: asynchronous
GET /v1/batches/{operation_id} · die tatsächliche response.id der ursprünglichen Erstellungsantwort; derselbe Nutzer/Schlüssel/dieselbe Gruppe
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00015 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.000075 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00015 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.000075 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-4o-mini:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-4o-mini:batch', 'openai/gpt-4o-mini']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4o-mini:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\neingebettetes JSON unter results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige ursprüngliche Status-JSON, jedes Ergebnis/jede custom_id und den vollständigen Antwort- oder Fehlerkörper aufbewahren. Abgeschlossene results[] ohne Filterung als JSONL speichern.
Die ursprüngliche Vorgangs-ID beibehalten. Bei 503 result_pending_check gilt X-Should-Retry:false; einen ursprünglichen Batch mit unbekanntem Ausgang niemals erneut einreichen.
| Feld | Typ |
|---|---|
Feldresults[].custom_id | Typstring |
Feldresults[].response.body.choices[].message.content | Typstring|null |
Feldresults[].error | Typobject|null |
Feldusage | Typobject|null |
Feldid | Typstring |
Feldmodel | Typstring |
Feldendpoint | Typstring |
Feldstatus | Typstring |
Feldrequest_counts | Typobject |
Feldresults[].id | Typstring |
Feldresults[].response.status_code | Typinteger |
Feldresults[].response.request_id | Typstring |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültige Struktur der dokumentierten Inline-Einbettung, doppelte Schlüssel, ungültige Identitätsangaben zu einem Element oder ein Konflikt mit den konfigurierten Modellfähigkeiten. | Nächster SchrittDie angegebenen Felder vor jeder neuen Einreichung korrigieren. |
Antwort401 · authentication_error | BedingungUngültiger API-Schlüssel. | Nächster SchrittDen autorisierten Ailoot-Schlüssel verwenden. |
Antwort403 · permission_error | BedingungGruppe für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Berechtigung des Schlüssels bzw. der Gruppe prüfen. |
Antwort422 · invalid_request_error | BedingungStapelverarbeitung wird über das Guthaben abgerechnet; die Erstellung über ein Abonnement wird abgelehnt. | Nächster SchrittDie autorisierte Gruppe mit Guthabenabrechnung verwenden. |
Antwort422 · price_unavailable | BedingungFür die Batch-Eingabe kann kein Preisangebot erstellt werden. | Nächster SchrittAntwort aufbewahren; die dokumentierte Eingabe der API-Familie verwenden. |
Antwort402 · billing_error | BedingungReservierung für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Zulassung klären, bevor eine neue Anfrage gestellt wird. |
Antwort503 · price_unavailable | BedingungMethodenpreis bzw. native Tarife für Stapelverarbeitung nicht verfügbar. | Nächster SchrittAntwort aufbewahren; keine anderen Preise einsetzen. |
Antwort503 · api_error | BedingungDie genaue Anbieterroute ist nicht verfügbar. | Nächster SchrittAntwort zur Reparatur der Route aufbewahren. |
Antwort503 · result_pending_check | BedingungDas ursprüngliche Ergebnis muss geprüft werden; X-Should-Retry:false. | Nächster SchrittDie ursprüngliche operation_id/id beibehalten und ihren Status lesen; den ursprünglichen POST niemals wiederholen. |
Antwort404 · not_found | BedingungDer Batch-Vorgang, dessen Status abgefragt wird, ist nicht vorhanden oder gehört einer anderen Identität. | Nächster SchrittDie genaue ursprüngliche id und denselben Nutzer/Schlüssel/dieselbe Gruppe verwenden. |
Ailoot Ultra openai/gpt-4o-mini:batch
Verwenden Sie die oben angezeigten Methodenpfade.