GPT-6 Luna Pro bezeichnet OpenAIs GPT-6 Luna mit Pro-Reasoning. Luna ist für klar umrissene Aufgaben und ein hohes Arbeitsvolumen ausgelegt; die Eingaben sind Text und Bilder, die Ausgabe ist Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Pro ist ein Ausführungsmodus für das gewählte Basismodell und von der Einstellung für den Reasoning-Aufwand getrennt, die den Umfang der Analyse innerhalb dieses Modus steuert.
Eine praktische Anwendung ist das Bearbeiten einer eng definierten Anfrage mit mehreren Regeln oder Ausnahmen. Stellen Sie die Anfrage, die möglichen Kategorien und die Informationen bereit, die die nächste Handlung bestimmen. Fordern Sie die Kategorie, die relevanten Fakten und eine kurze vorgeschlagene Antwort an. Eine beispielhafte Aufgabe besteht darin, eine Dokumentanfrage zu klassifizieren, ein fehlendes Feld zu ermitteln und eine Nachricht zu entwerfen, die nach diesem Feld fragt. Die Aufgabe bleibt klar umrissen, auch wenn ihre Bedingungen sorgfältige Überlegung erfordern.
Stellen Sie für eine bildgestützte Frage einen klaren Screenshot oder anderes visuelles Material bereit und benennen Sie das zu prüfende Detail. Sie können eine Erklärung eines sichtbaren Oberflächenzustands zusammen mit einer kurzen Anweisung für den Leser anfordern. Definieren Sie für schriftliches Material die Felder oder Aussagen, die bei der Umformung erhalten bleiben müssen, die zulässigen Kategorien und das erwartete Antwortformat. Einige repräsentative Beispiele können die Grenze zwischen ähnlichen Kategorien verdeutlichen, ohne dass das Modell Ihre Regeln erschliessen muss.
OpenAI nennt für GPT-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 dokumentierte Wissensstand ist der 18. Mai 2026. Das Basismodell unterstützt den Reasoning-Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Neben der endgültigen Antwort beansprucht auch das Reasoning Tokenplatz. Der Aufgabenauftrag und das bereitgestellte Material sollten daher Raum für die Analyse und das angeforderte Ergebnis lassen.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Anfragen, bei denen zusätzliche Latenz und Modellaktivität möglich sind. Die integrierten Werkzeuge von GPT-6 Luna und Reasoning mit Funktionsaufrufen nutzen Responses; in der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand auf none eingestellt ist. Das Basismodell nennt Streaming, Structured Outputs, Web- und Dateisuche, Funktionsaufrufe und Prompt-Caching. Seine Werkzeuge umfassen ausserdem Bilderzeugung, Codeinterpretation, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Ihre Anwendung bestimmt die angebotenen Vorgänge und führt sie aus.
Verwenden Sie präzise Ausgabevorgaben für die abschliessende Aufgabe: die Entscheidung, die sie stützenden Felder und alle noch fehlenden Informationen. Fordern Sie zum Beispiel eine Kategorie, eine kurze Begründung anhand der bereitgestellten Regel und die nächste Frage an den Leser an. Prüfen Sie das Ergebnis anhand dieser Regeln, statt eine uneingeschränkte Diskussion hinzuzufügen. Dieser Arbeitsablauf nutzt Lunas Rolle bei klar umrissenen Aufgaben und hält die zusätzliche Arbeit von Pro für eine Anfrage vor, deren Abhängigkeiten oder Ausnahmen eine eingehendere Prüfung benötigen.
", "aboutText": "GPT-6 Luna Pro bezeichnet OpenAIs GPT-6 Luna mit Pro-Reasoning. Luna ist für klar umrissene Aufgaben und ein hohes Arbeitsvolumen ausgelegt; die Eingaben sind Text und Bilder, die Ausgabe ist Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Pro ist ein Ausführungsmodus für das gewählte Basismodell und von der Einstellung für den Reasoning-Aufwand getrennt, die den Umfang der Analyse innerhalb dieses Modus steuert.\n\nEine praktische Anwendung ist das Bearbeiten einer eng definierten Anfrage mit mehreren Regeln oder Ausnahmen. Stellen Sie die Anfrage, die möglichen Kategorien und die Informationen bereit, die die nächste Handlung bestimmen. Fordern Sie die Kategorie, die relevanten Fakten und eine kurze vorgeschlagene Antwort an. Eine beispielhafte Aufgabe besteht darin, eine Dokumentanfrage zu klassifizieren, ein fehlendes Feld zu ermitteln und eine Nachricht zu entwerfen, die nach diesem Feld fragt. Die Aufgabe bleibt klar umrissen, auch wenn ihre Bedingungen sorgfältige Überlegung erfordern.\n\nStellen Sie für eine bildgestützte Frage einen klaren Screenshot oder anderes visuelles Material bereit und benennen Sie das zu prüfende Detail. Sie können eine Erklärung eines sichtbaren Oberflächenzustands zusammen mit einer kurzen Anweisung für den Leser anfordern. Definieren Sie für schriftliches Material die Felder oder Aussagen, die bei der Umformung erhalten bleiben müssen, die zulässigen Kategorien und das erwartete Antwortformat. Einige repräsentative Beispiele können die Grenze zwischen ähnlichen Kategorien verdeutlichen, ohne dass das Modell Ihre Regeln erschliessen muss.\n\nOpenAI nennt für GPT-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 dokumentierte Wissensstand ist der 18. Mai 2026. Das Basismodell unterstützt den Reasoning-Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Neben der endgültigen Antwort beansprucht auch das Reasoning Tokenplatz. Der Aufgabenauftrag und das bereitgestellte Material sollten daher Raum für die Analyse und das angeforderte Ergebnis lassen.\n\nDer Hersteller dokumentiert Pro in der Responses API für schwierige Anfragen, bei denen zusätzliche Latenz und Modellaktivität möglich sind. Die integrierten Werkzeuge von GPT-6 Luna und Reasoning mit Funktionsaufrufen nutzen Responses; in der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand auf none eingestellt ist. Das Basismodell nennt Streaming, Structured Outputs, Web- und Dateisuche, Funktionsaufrufe und Prompt-Caching. Seine Werkzeuge umfassen ausserdem Bilderzeugung, Codeinterpretation, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Ihre Anwendung bestimmt die angebotenen Vorgänge und führt sie aus.\n\nVerwenden Sie präzise Ausgabevorgaben für die abschliessende Aufgabe: die Entscheidung, die sie stützenden Felder und alle noch fehlenden Informationen. Fordern Sie zum Beispiel eine Kategorie, eine kurze Begründung anhand der bereitgestellten Regel und die nächste Frage an den Leser an. Prüfen Sie das Ergebnis anhand dieser Regeln, statt eine uneingeschränkte Diskussion hinzuzufügen. Dieser Arbeitsablauf nutzt Lunas Rolle bei klar umrissenen Aufgaben und hält die zusätzliche Arbeit von Pro für eine Anfrage vor, deren Abhängigkeiten oder Ausnahmen eine eingehendere Prüfung benötigen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7b331402021f19b6953ef50e9e5894f6fefd9147bcd74f94bdeb0fe5ef6b0127", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "openai/gpt-6-luna-pro:batchGPT-6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die vor einer endgültigen Antwort zusätzliche Analyse benötigen. Das Basismodell nimmt Text und Bilder entgegen und eignet sich damit für regelbasierte Dokumentverarbeitung, visuelle Fragen und knappe schriftliche Ergebnisse.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6 Luna Pro bezeichnet OpenAIs GPT-6 Luna mit Pro-Reasoning. Luna ist für klar umrissene Aufgaben und ein hohes Arbeitsvolumen ausgelegt; die Eingaben sind Text und Bilder, die Ausgabe ist Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Pro ist ein Ausführungsmodus für das gewählte Basismodell und von der Einstellung für den Reasoning-Aufwand getrennt, die den Umfang der Analyse innerhalb dieses Modus steuert.
Eine praktische Anwendung ist das Bearbeiten einer eng definierten Anfrage mit mehreren Regeln oder Ausnahmen. Stellen Sie die Anfrage, die möglichen Kategorien und die Informationen bereit, die die nächste Handlung bestimmen. Fordern Sie die Kategorie, die relevanten Fakten und eine kurze vorgeschlagene Antwort an. Eine beispielhafte Aufgabe besteht darin, eine Dokumentanfrage zu klassifizieren, ein fehlendes Feld zu ermitteln und eine Nachricht zu entwerfen, die nach diesem Feld fragt. Die Aufgabe bleibt klar umrissen, auch wenn ihre Bedingungen sorgfältige Überlegung erfordern.
Stellen Sie für eine bildgestützte Frage einen klaren Screenshot oder anderes visuelles Material bereit und benennen Sie das zu prüfende Detail. Sie können eine Erklärung eines sichtbaren Oberflächenzustands zusammen mit einer kurzen Anweisung für den Leser anfordern. Definieren Sie für schriftliches Material die Felder oder Aussagen, die bei der Umformung erhalten bleiben müssen, die zulässigen Kategorien und das erwartete Antwortformat. Einige repräsentative Beispiele können die Grenze zwischen ähnlichen Kategorien verdeutlichen, ohne dass das Modell Ihre Regeln erschliessen muss.
OpenAI nennt für GPT-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 dokumentierte Wissensstand ist der 18. Mai 2026. Das Basismodell unterstützt den Reasoning-Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Neben der endgültigen Antwort beansprucht auch das Reasoning Tokenplatz. Der Aufgabenauftrag und das bereitgestellte Material sollten daher Raum für die Analyse und das angeforderte Ergebnis lassen.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Anfragen, bei denen zusätzliche Latenz und Modellaktivität möglich sind. Die integrierten Werkzeuge von GPT-6 Luna und Reasoning mit Funktionsaufrufen nutzen Responses; in der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand auf none eingestellt ist. Das Basismodell nennt Streaming, Structured Outputs, Web- und Dateisuche, Funktionsaufrufe und Prompt-Caching. Seine Werkzeuge umfassen ausserdem Bilderzeugung, Codeinterpretation, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Ihre Anwendung bestimmt die angebotenen Vorgänge und führt sie aus.
Verwenden Sie präzise Ausgabevorgaben für die abschliessende Aufgabe: die Entscheidung, die sie stützenden Felder und alle noch fehlenden Informationen. Fordern Sie zum Beispiel eine Kategorie, eine kurze Begründung anhand der bereitgestellten Regel und die nächste Frage an den Leser an. Prüfen Sie das Ergebnis anhand dieser Regeln, statt eine uneingeschränkte Diskussion hinzuzufügen. Dieser Arbeitsablauf nutzt Lunas Rolle bei klar umrissenen Aufgaben und hält die zusätzliche Arbeit von Pro für eine Anfrage vor, deren Abhängigkeiten oder Ausnahmen eine eingehendere Prüfung benötigen.
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-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-6-luna-pro:batch, openai/gpt-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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0005 / 1K Tokens Eingabe · Cache lesen $0.00001 / 1K Tokens Eingabe · Cache schreiben $0.000125 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich272'000 | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0005 / 1K Tokens Eingabe · Cache lesen $0.00001 / 1K Tokens Eingabe · Cache schreiben $0.000125 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00075 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0.00025 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-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-6-luna-pro:batch', 'openai/gpt-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-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-6-luna-pro:batch
Verwenden Sie die oben angezeigten Methodenpfade.