GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.
Eine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.
Stellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.
OpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1’050’000 Token, eine maximale Eingabe von 922’000 Token und eine maximale Ausgabe von 128’000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.
Benennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.
", "aboutText": "GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.\n\nEine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.\n\nStellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.\n\nOpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1’050’000 Token, eine maximale Eingabe von 922’000 Token und eine maximale Ausgabe von 128’000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.\n\nDer Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.\n\nBenennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3b753a611949a248c8c0e3e97865caa10d3681d58883f8ae5893ceba965b2c6c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "openai/gpt-5.6-luna-pro:batchGPT-5.6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die zusätzliche Analyse benötigen. Stellen Sie Text oder Bilder und ausdrückliche Regeln bereit, um ein Extraktionsergebnis, eine knappe Antwort oder die Erklärung einer Ausnahme zu entwickeln.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.6 Luna Pro bezeichnet OpenAIs GPT-5.6 Luna mit Pro-Reasoning. Die Basisedition Luna ist für klar umrissene Aufgaben mit hohem Arbeitsvolumen ausgelegt und entspricht ungefähr der nano-Stufe früherer GPT-5-Familien. Sie nimmt Text und Bilder entgegen und erzeugt Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; Pro ist ein Ausführungsmodus und kein Ersatz für die Basisedition.
Eine praktische Anwendung ist das Extrahieren einer definierten Zusammenstellung von Informationen aus einem Dokument, dessen Regeln Ausnahmen enthalten. Stellen Sie das Dokument und die benötigten Felder bereit, benennen Sie vorrangige Textstellen und erklären Sie den Umgang mit einem fehlenden Wert. Eine beispielhafte Anfrage besteht darin, das Thema des Dokuments, die für eine Anfrage relevanten Bedingungen und die nächste Frage zu extrahieren, die zum Abschluss dieser Anfrage nötig ist. Fordern Sie neben den extrahierten Feldern die Erklärung einer Ausnahme an, damit sich das Ergebnis mit der Quelle vergleichen lässt.
Stellen Sie bei Bildmaterial eine klare Seite oder einen Screenshot bereit und benennen Sie das konkrete Detail oder die Beschriftung, die für die Aufgabe relevant ist. Stellen Sie beim Verfassen einer Antwort die Anfrage, die für die Antwort geltenden Regeln und die zu bewahrenden Fakten bereit. Definieren Sie den gewünschten Ton und die Länge und fordern Sie dann eine knappe Antwort statt einer uneingeschränkten Diskussion an. Diese Vorbereitung verbindet Lunas Rolle bei klar umrissenen Aufgaben mit einem konkreten Textergebnis.
OpenAI nennt für GPT-5.6 Luna ein Kontextfenster von 1’050’000 Token, eine maximale Eingabe von 922’000 Token und eine maximale Ausgabe von 128’000 Token; der Wissensstand ist der 16. Februar 2026. Die Einstellungen für den Reasoning-Aufwand des Basismodells sind none, low, medium, high, xhigh und max; medium ist der Standardwert. Modus und Aufwand sind unabhängig: Pro bestimmt die zusätzliche Modellarbeit, während der Aufwand den Umfang des Reasonings innerhalb des Modus steuert. Auch das Reasoning nutzt Kontextplatz; lassen Sie daher Raum für die Analyse und die sichtbare Antwort.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Für das Basismodell werden Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Bildeingaben und Prompt-Caching genannt. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Werkzeugvorgänge benötigen die entsprechende Umgebung; eine Anwendung führt ihre Aktionen aus und liefert die tatsächlichen Ergebnisse für die weitere Arbeit.
Benennen Sie ein nützliches Endergebnis: erforderliche Felder, die eine Entscheidung stützende Regel und alle noch offenen Fragen. Fordern Sie zum Beispiel einen Antwortentwurf zusammen mit den Dokumentfakten an, auf denen er beruht, und verfeinern Sie die Antwort nach dem Bereitstellen fehlender Informationen. Halten Sie die Unterscheidung zwischen einer vorgeschlagenen Handlung und einer von einem Werkzeug abgeschlossenen Handlung erkennbar. Dieser Arbeitsablauf gibt der zusätzlichen Analyse von Pro einen konkreten Zweck innerhalb einer klar begrenzten Luna-Aufgabe.
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-5.6-luna-pro: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-5.6-luna-pro:batch, openai/gpt-5.6-luna-pro | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich272'000 | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0018 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-5.6-luna-pro: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-5.6-luna-pro:batch', 'openai/gpt-5.6-luna-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-luna-pro: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-5.6-luna-pro:batch
Verwenden Sie die oben angezeigten Methodenpfade.