gpt-oss-120b ist OpenAIs grösseres Sprachmodell mit offenen Gewichten für vielseitiges Reasoning, Programmierung und Agentenaufgaben. Es nimmt Text entgegen und erzeugt Text. Der Hersteller nennt insgesamt 117 Milliarden Parameter und 5,1 Milliarden aktive Parameter pro Token in einer Mixture-of-Experts-Architektur. Dies ist die 120b-Edition der Familie, getrennt von gpt-oss-20b und den spezialisierten Safeguard-Modellen.
Die Veröffentlichung beschreibt einen überwiegend englischsprachigen, ausschliesslich textbasierten Trainingsdatensatz mit Schwerpunkt auf MINT, Programmierung und Allgemeinwissen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand seines Codes und der genannten Bedingungen zu analysieren: wichtige Zusammenhänge erklären, mögliche Ansätze vergleichen und einen konkreten Implementierungsvorschlag erstellen. Stellen Sie für eine Entscheidung zu einem Dokument das Material und die Kriterien bereit und fordern Sie anschliessend eine Schlussfolgerung an, die sich auf die bereitgestellten Belege stützt.
OpenAIs veröffentlichte Architektur besitzt 36 Schichten, 128 Experten und vier aktive Experten pro Token. Die ursprüngliche Veröffentlichung verwendet MXFP4 für die Mixture-of-Experts-Gewichte und beschreibt den Betrieb des Modells auf einer einzelnen GPU mit 80 GB Speicher. OpenAI veröffentlicht die Gewichte unter Apache 2.0 und unterstützt die Feinabstimmung für spezialisierte Anwendungsfälle. Dies sind Eigenschaften des veröffentlichten Modells und Formats des Herstellers, keine Beschreibung der konkreten Bereitstellung einer Anwendung.
Die Modelldokumentation nennt ein Kontextfenster von 131’072 Token und eine maximale erzeugte Ausgabe von 131’072 Token bei einem Wissensstand bis zum 1. Juni 2024. Eingabe, Reasoning und Ausgabe müssen in den verfügbaren Kontext passen. Die unterstützten Reasoning-Stufen sind low, medium und high. Damit kann eine Aufgabe eine kurze Dialogantwort oder eine gründlichere Analyse anfordern. OpenAI verlangt das Harmony-Format, das interne Analyse und abschliessende Antwort trennt. Laut Hersteller ist die ungefilterte Analyse für die Verwendung durch Entwickler vorgesehen, nicht zur direkten Anzeige für Endnutzer.
Der Hersteller dokumentiert Funktionsaufrufe, Webnavigation, Python-Codeausführung über Werkzeuge und Structured Outputs. Die Modellkarte nennt ausserdem Streaming sowie Funktionen, Codeinterpretation, MCP- und Suchmöglichkeiten in der dokumentierten Werkzeugumgebung. Anwendungen stellen Operationen bereit, führen ihre Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine Berechnung oder Recherche kann so zum Beleg für einen weiteren Reasoning-Schritt werden, während eine vorgeschlagene Werkzeuganforderung von einer bereits ausgeführten Operation getrennt bleibt.
Bereiten Sie ein klares Ziel, Definitionen und das nützliche fertige Ergebnis vor: eine Erklärung, einen Codevorschlag, eine Formel oder eine strukturierte Sammlung von Feststellungen. Benennen Sie, welche Fakten bei einer Umwandlung erhalten bleiben müssen und wie fehlende Informationen dargestellt werden sollen. Eine nützliche abschliessende Antwort verknüpft ihre Schlussfolgerung mit den bereitgestellten Bedingungen und tatsächlichen Werkzeugergebnissen. Übernehmen Sie für eine Folgeanfrage die wichtigen Belege und die noch zu treffende Entscheidung in die nächste Anfrage.
", "aboutText": "gpt-oss-120b ist OpenAIs grösseres Sprachmodell mit offenen Gewichten für vielseitiges Reasoning, Programmierung und Agentenaufgaben. Es nimmt Text entgegen und erzeugt Text. Der Hersteller nennt insgesamt 117 Milliarden Parameter und 5,1 Milliarden aktive Parameter pro Token in einer Mixture-of-Experts-Architektur. Dies ist die 120b-Edition der Familie, getrennt von gpt-oss-20b und den spezialisierten Safeguard-Modellen.\n\nDie Veröffentlichung beschreibt einen überwiegend englischsprachigen, ausschliesslich textbasierten Trainingsdatensatz mit Schwerpunkt auf MINT, Programmierung und Allgemeinwissen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand seines Codes und der genannten Bedingungen zu analysieren: wichtige Zusammenhänge erklären, mögliche Ansätze vergleichen und einen konkreten Implementierungsvorschlag erstellen. Stellen Sie für eine Entscheidung zu einem Dokument das Material und die Kriterien bereit und fordern Sie anschliessend eine Schlussfolgerung an, die sich auf die bereitgestellten Belege stützt.\n\nOpenAIs veröffentlichte Architektur besitzt 36 Schichten, 128 Experten und vier aktive Experten pro Token. Die ursprüngliche Veröffentlichung verwendet MXFP4 für die Mixture-of-Experts-Gewichte und beschreibt den Betrieb des Modells auf einer einzelnen GPU mit 80 GB Speicher. OpenAI veröffentlicht die Gewichte unter Apache 2.0 und unterstützt die Feinabstimmung für spezialisierte Anwendungsfälle. Dies sind Eigenschaften des veröffentlichten Modells und Formats des Herstellers, keine Beschreibung der konkreten Bereitstellung einer Anwendung.\n\nDie Modelldokumentation nennt ein Kontextfenster von 131’072 Token und eine maximale erzeugte Ausgabe von 131’072 Token bei einem Wissensstand bis zum 1. Juni 2024. Eingabe, Reasoning und Ausgabe müssen in den verfügbaren Kontext passen. Die unterstützten Reasoning-Stufen sind low, medium und high. Damit kann eine Aufgabe eine kurze Dialogantwort oder eine gründlichere Analyse anfordern. OpenAI verlangt das Harmony-Format, das interne Analyse und abschliessende Antwort trennt. Laut Hersteller ist die ungefilterte Analyse für die Verwendung durch Entwickler vorgesehen, nicht zur direkten Anzeige für Endnutzer.\n\nDer Hersteller dokumentiert Funktionsaufrufe, Webnavigation, Python-Codeausführung über Werkzeuge und Structured Outputs. Die Modellkarte nennt ausserdem Streaming sowie Funktionen, Codeinterpretation, MCP- und Suchmöglichkeiten in der dokumentierten Werkzeugumgebung. Anwendungen stellen Operationen bereit, führen ihre Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine Berechnung oder Recherche kann so zum Beleg für einen weiteren Reasoning-Schritt werden, während eine vorgeschlagene Werkzeuganforderung von einer bereits ausgeführten Operation getrennt bleibt.\n\nBereiten Sie ein klares Ziel, Definitionen und das nützliche fertige Ergebnis vor: eine Erklärung, einen Codevorschlag, eine Formel oder eine strukturierte Sammlung von Feststellungen. Benennen Sie, welche Fakten bei einer Umwandlung erhalten bleiben müssen und wie fehlende Informationen dargestellt werden sollen. Eine nützliche abschliessende Antwort verknüpft ihre Schlussfolgerung mit den bereitgestellten Bedingungen und tatsächlichen Werkzeugergebnissen. Übernehmen Sie für eine Folgeanfrage die wichtigen Belege und die noch zu treffende Entscheidung in die nächste Anfrage.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.gpt-oss-120bOpenAIs grösseres gpt-oss-Modell mit offenen Gewichten nutzt eine Mixture-of-Experts-Architektur für Reasoning bei Text-, Programmier- und Agentenaufgaben. Es unterstützt die Reasoning-Stufen low, medium und high, Funktionsaufrufe und Structured Outputs in einer Umgebung mit angebundenen Werkzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
gpt-oss-120b ist OpenAIs grösseres Sprachmodell mit offenen Gewichten für vielseitiges Reasoning, Programmierung und Agentenaufgaben. Es nimmt Text entgegen und erzeugt Text. Der Hersteller nennt insgesamt 117 Milliarden Parameter und 5,1 Milliarden aktive Parameter pro Token in einer Mixture-of-Experts-Architektur. Dies ist die 120b-Edition der Familie, getrennt von gpt-oss-20b und den spezialisierten Safeguard-Modellen.
Die Veröffentlichung beschreibt einen überwiegend englischsprachigen, ausschliesslich textbasierten Trainingsdatensatz mit Schwerpunkt auf MINT, Programmierung und Allgemeinwissen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand seines Codes und der genannten Bedingungen zu analysieren: wichtige Zusammenhänge erklären, mögliche Ansätze vergleichen und einen konkreten Implementierungsvorschlag erstellen. Stellen Sie für eine Entscheidung zu einem Dokument das Material und die Kriterien bereit und fordern Sie anschliessend eine Schlussfolgerung an, die sich auf die bereitgestellten Belege stützt.
OpenAIs veröffentlichte Architektur besitzt 36 Schichten, 128 Experten und vier aktive Experten pro Token. Die ursprüngliche Veröffentlichung verwendet MXFP4 für die Mixture-of-Experts-Gewichte und beschreibt den Betrieb des Modells auf einer einzelnen GPU mit 80 GB Speicher. OpenAI veröffentlicht die Gewichte unter Apache 2.0 und unterstützt die Feinabstimmung für spezialisierte Anwendungsfälle. Dies sind Eigenschaften des veröffentlichten Modells und Formats des Herstellers, keine Beschreibung der konkreten Bereitstellung einer Anwendung.
Die Modelldokumentation nennt ein Kontextfenster von 131’072 Token und eine maximale erzeugte Ausgabe von 131’072 Token bei einem Wissensstand bis zum 1. Juni 2024. Eingabe, Reasoning und Ausgabe müssen in den verfügbaren Kontext passen. Die unterstützten Reasoning-Stufen sind low, medium und high. Damit kann eine Aufgabe eine kurze Dialogantwort oder eine gründlichere Analyse anfordern. OpenAI verlangt das Harmony-Format, das interne Analyse und abschliessende Antwort trennt. Laut Hersteller ist die ungefilterte Analyse für die Verwendung durch Entwickler vorgesehen, nicht zur direkten Anzeige für Endnutzer.
Der Hersteller dokumentiert Funktionsaufrufe, Webnavigation, Python-Codeausführung über Werkzeuge und Structured Outputs. Die Modellkarte nennt ausserdem Streaming sowie Funktionen, Codeinterpretation, MCP- und Suchmöglichkeiten in der dokumentierten Werkzeugumgebung. Anwendungen stellen Operationen bereit, führen ihre Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine Berechnung oder Recherche kann so zum Beleg für einen weiteren Reasoning-Schritt werden, während eine vorgeschlagene Werkzeuganforderung von einer bereits ausgeführten Operation getrennt bleibt.
Bereiten Sie ein klares Ziel, Definitionen und das nützliche fertige Ergebnis vor: eine Erklärung, einen Codevorschlag, eine Formel oder eine strukturierte Sammlung von Feststellungen. Benennen Sie, welche Fakten bei einer Umwandlung erhalten bleiben müssen und wie fehlende Informationen dargestellt werden sollen. Eine nützliche abschliessende Antwort verknüpft ihre Schlussfolgerung mit den bereitgestellten Bedingungen und tatsächlichen Werkzeugergebnissen. Übernehmen Sie für eine Folgeanfrage die wichtigen Belege und die noch zu treffende Entscheidung in die nächste Anfrage.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-oss-120b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmässig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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.
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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00015 / 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00015 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-oss-120b","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-oss-120b", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-oss-120b, openai/gpt-oss-120b
/chat/completions
gpt-oss-120bOpenAIs grösseres gpt-oss-Modell mit offenen Gewichten nutzt eine Mixture-of-Experts-Architektur für Reasoning bei Text-, Programmier- und Agentenaufgaben. Es unterstützt die Reasoning-Stufen low, medium und high, Funktionsaufrufe und Structured Outputs in einer Umgebung mit angebundenen Werkzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
gpt-oss-120b ist OpenAIs grösseres Sprachmodell mit offenen Gewichten für vielseitiges Reasoning, Programmierung und Agentenaufgaben. Es nimmt Text entgegen und erzeugt Text. Der Hersteller nennt insgesamt 117 Milliarden Parameter und 5,1 Milliarden aktive Parameter pro Token in einer Mixture-of-Experts-Architektur. Dies ist die 120b-Edition der Familie, getrennt von gpt-oss-20b und den spezialisierten Safeguard-Modellen.
Die Veröffentlichung beschreibt einen überwiegend englischsprachigen, ausschliesslich textbasierten Trainingsdatensatz mit Schwerpunkt auf MINT, Programmierung und Allgemeinwissen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand seines Codes und der genannten Bedingungen zu analysieren: wichtige Zusammenhänge erklären, mögliche Ansätze vergleichen und einen konkreten Implementierungsvorschlag erstellen. Stellen Sie für eine Entscheidung zu einem Dokument das Material und die Kriterien bereit und fordern Sie anschliessend eine Schlussfolgerung an, die sich auf die bereitgestellten Belege stützt.
OpenAIs veröffentlichte Architektur besitzt 36 Schichten, 128 Experten und vier aktive Experten pro Token. Die ursprüngliche Veröffentlichung verwendet MXFP4 für die Mixture-of-Experts-Gewichte und beschreibt den Betrieb des Modells auf einer einzelnen GPU mit 80 GB Speicher. OpenAI veröffentlicht die Gewichte unter Apache 2.0 und unterstützt die Feinabstimmung für spezialisierte Anwendungsfälle. Dies sind Eigenschaften des veröffentlichten Modells und Formats des Herstellers, keine Beschreibung der konkreten Bereitstellung einer Anwendung.
Die Modelldokumentation nennt ein Kontextfenster von 131’072 Token und eine maximale erzeugte Ausgabe von 131’072 Token bei einem Wissensstand bis zum 1. Juni 2024. Eingabe, Reasoning und Ausgabe müssen in den verfügbaren Kontext passen. Die unterstützten Reasoning-Stufen sind low, medium und high. Damit kann eine Aufgabe eine kurze Dialogantwort oder eine gründlichere Analyse anfordern. OpenAI verlangt das Harmony-Format, das interne Analyse und abschliessende Antwort trennt. Laut Hersteller ist die ungefilterte Analyse für die Verwendung durch Entwickler vorgesehen, nicht zur direkten Anzeige für Endnutzer.
Der Hersteller dokumentiert Funktionsaufrufe, Webnavigation, Python-Codeausführung über Werkzeuge und Structured Outputs. Die Modellkarte nennt ausserdem Streaming sowie Funktionen, Codeinterpretation, MCP- und Suchmöglichkeiten in der dokumentierten Werkzeugumgebung. Anwendungen stellen Operationen bereit, führen ihre Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine Berechnung oder Recherche kann so zum Beleg für einen weiteren Reasoning-Schritt werden, während eine vorgeschlagene Werkzeuganforderung von einer bereits ausgeführten Operation getrennt bleibt.
Bereiten Sie ein klares Ziel, Definitionen und das nützliche fertige Ergebnis vor: eine Erklärung, einen Codevorschlag, eine Formel oder eine strukturierte Sammlung von Feststellungen. Benennen Sie, welche Fakten bei einer Umwandlung erhalten bleiben müssen und wie fehlende Informationen dargestellt werden sollen. Eine nützliche abschliessende Antwort verknüpft ihre Schlussfolgerung mit den bereitgestellten Bedingungen und tatsächlichen Werkzeugergebnissen. Übernehmen Sie für eine Folgeanfrage die wichtigen Belege und die noch zu treffende Entscheidung in die nächste Anfrage.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-oss-120b | 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.
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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00015 / 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00015 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-oss-120b', '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-oss-120b', '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-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bOpenAIs grösseres gpt-oss-Modell mit offenen Gewichten nutzt eine Mixture-of-Experts-Architektur für Reasoning bei Text-, Programmier- und Agentenaufgaben. Es unterstützt die Reasoning-Stufen low, medium und high, Funktionsaufrufe und Structured Outputs in einer Umgebung mit angebundenen Werkzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
gpt-oss-120b ist OpenAIs grösseres Sprachmodell mit offenen Gewichten für vielseitiges Reasoning, Programmierung und Agentenaufgaben. Es nimmt Text entgegen und erzeugt Text. Der Hersteller nennt insgesamt 117 Milliarden Parameter und 5,1 Milliarden aktive Parameter pro Token in einer Mixture-of-Experts-Architektur. Dies ist die 120b-Edition der Familie, getrennt von gpt-oss-20b und den spezialisierten Safeguard-Modellen.
Die Veröffentlichung beschreibt einen überwiegend englischsprachigen, ausschliesslich textbasierten Trainingsdatensatz mit Schwerpunkt auf MINT, Programmierung und Allgemeinwissen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand seines Codes und der genannten Bedingungen zu analysieren: wichtige Zusammenhänge erklären, mögliche Ansätze vergleichen und einen konkreten Implementierungsvorschlag erstellen. Stellen Sie für eine Entscheidung zu einem Dokument das Material und die Kriterien bereit und fordern Sie anschliessend eine Schlussfolgerung an, die sich auf die bereitgestellten Belege stützt.
OpenAIs veröffentlichte Architektur besitzt 36 Schichten, 128 Experten und vier aktive Experten pro Token. Die ursprüngliche Veröffentlichung verwendet MXFP4 für die Mixture-of-Experts-Gewichte und beschreibt den Betrieb des Modells auf einer einzelnen GPU mit 80 GB Speicher. OpenAI veröffentlicht die Gewichte unter Apache 2.0 und unterstützt die Feinabstimmung für spezialisierte Anwendungsfälle. Dies sind Eigenschaften des veröffentlichten Modells und Formats des Herstellers, keine Beschreibung der konkreten Bereitstellung einer Anwendung.
Die Modelldokumentation nennt ein Kontextfenster von 131’072 Token und eine maximale erzeugte Ausgabe von 131’072 Token bei einem Wissensstand bis zum 1. Juni 2024. Eingabe, Reasoning und Ausgabe müssen in den verfügbaren Kontext passen. Die unterstützten Reasoning-Stufen sind low, medium und high. Damit kann eine Aufgabe eine kurze Dialogantwort oder eine gründlichere Analyse anfordern. OpenAI verlangt das Harmony-Format, das interne Analyse und abschliessende Antwort trennt. Laut Hersteller ist die ungefilterte Analyse für die Verwendung durch Entwickler vorgesehen, nicht zur direkten Anzeige für Endnutzer.
Der Hersteller dokumentiert Funktionsaufrufe, Webnavigation, Python-Codeausführung über Werkzeuge und Structured Outputs. Die Modellkarte nennt ausserdem Streaming sowie Funktionen, Codeinterpretation, MCP- und Suchmöglichkeiten in der dokumentierten Werkzeugumgebung. Anwendungen stellen Operationen bereit, führen ihre Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine Berechnung oder Recherche kann so zum Beleg für einen weiteren Reasoning-Schritt werden, während eine vorgeschlagene Werkzeuganforderung von einer bereits ausgeführten Operation getrennt bleibt.
Bereiten Sie ein klares Ziel, Definitionen und das nützliche fertige Ergebnis vor: eine Erklärung, einen Codevorschlag, eine Formel oder eine strukturierte Sammlung von Feststellungen. Benennen Sie, welche Fakten bei einer Umwandlung erhalten bleiben müssen und wie fehlende Informationen dargestellt werden sollen. Eine nützliche abschliessende Antwort verknüpft ihre Schlussfolgerung mit den bereitgestellten Bedingungen und tatsächlichen Werkzeugergebnissen. Übernehmen Sie für eine Folgeanfrage die wichtigen Belege und die noch zu treffende Entscheidung in die nächste Anfrage.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-oss-120b | 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.
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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00015 / 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00015 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-oss-120b", "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='openai/gpt-oss-120b',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='openai/gpt-oss-120b',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-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bOpenAIs grösseres gpt-oss-Modell mit offenen Gewichten nutzt eine Mixture-of-Experts-Architektur für Reasoning bei Text-, Programmier- und Agentenaufgaben. Es unterstützt die Reasoning-Stufen low, medium und high, Funktionsaufrufe und Structured Outputs in einer Umgebung mit angebundenen Werkzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
gpt-oss-120b ist OpenAIs grösseres Sprachmodell mit offenen Gewichten für vielseitiges Reasoning, Programmierung und Agentenaufgaben. Es nimmt Text entgegen und erzeugt Text. Der Hersteller nennt insgesamt 117 Milliarden Parameter und 5,1 Milliarden aktive Parameter pro Token in einer Mixture-of-Experts-Architektur. Dies ist die 120b-Edition der Familie, getrennt von gpt-oss-20b und den spezialisierten Safeguard-Modellen.
Die Veröffentlichung beschreibt einen überwiegend englischsprachigen, ausschliesslich textbasierten Trainingsdatensatz mit Schwerpunkt auf MINT, Programmierung und Allgemeinwissen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand seines Codes und der genannten Bedingungen zu analysieren: wichtige Zusammenhänge erklären, mögliche Ansätze vergleichen und einen konkreten Implementierungsvorschlag erstellen. Stellen Sie für eine Entscheidung zu einem Dokument das Material und die Kriterien bereit und fordern Sie anschliessend eine Schlussfolgerung an, die sich auf die bereitgestellten Belege stützt.
OpenAIs veröffentlichte Architektur besitzt 36 Schichten, 128 Experten und vier aktive Experten pro Token. Die ursprüngliche Veröffentlichung verwendet MXFP4 für die Mixture-of-Experts-Gewichte und beschreibt den Betrieb des Modells auf einer einzelnen GPU mit 80 GB Speicher. OpenAI veröffentlicht die Gewichte unter Apache 2.0 und unterstützt die Feinabstimmung für spezialisierte Anwendungsfälle. Dies sind Eigenschaften des veröffentlichten Modells und Formats des Herstellers, keine Beschreibung der konkreten Bereitstellung einer Anwendung.
Die Modelldokumentation nennt ein Kontextfenster von 131’072 Token und eine maximale erzeugte Ausgabe von 131’072 Token bei einem Wissensstand bis zum 1. Juni 2024. Eingabe, Reasoning und Ausgabe müssen in den verfügbaren Kontext passen. Die unterstützten Reasoning-Stufen sind low, medium und high. Damit kann eine Aufgabe eine kurze Dialogantwort oder eine gründlichere Analyse anfordern. OpenAI verlangt das Harmony-Format, das interne Analyse und abschliessende Antwort trennt. Laut Hersteller ist die ungefilterte Analyse für die Verwendung durch Entwickler vorgesehen, nicht zur direkten Anzeige für Endnutzer.
Der Hersteller dokumentiert Funktionsaufrufe, Webnavigation, Python-Codeausführung über Werkzeuge und Structured Outputs. Die Modellkarte nennt ausserdem Streaming sowie Funktionen, Codeinterpretation, MCP- und Suchmöglichkeiten in der dokumentierten Werkzeugumgebung. Anwendungen stellen Operationen bereit, führen ihre Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine Berechnung oder Recherche kann so zum Beleg für einen weiteren Reasoning-Schritt werden, während eine vorgeschlagene Werkzeuganforderung von einer bereits ausgeführten Operation getrennt bleibt.
Bereiten Sie ein klares Ziel, Definitionen und das nützliche fertige Ergebnis vor: eine Erklärung, einen Codevorschlag, eine Formel oder eine strukturierte Sammlung von Feststellungen. Benennen Sie, welche Fakten bei einer Umwandlung erhalten bleiben müssen und wie fehlende Informationen dargestellt werden sollen. Eine nützliche abschliessende Antwort verknüpft ihre Schlussfolgerung mit den bereitgestellten Bedingungen und tatsächlichen Werkzeugergebnissen. Übernehmen Sie für eine Folgeanfrage die wichtigen Belege und die noch zu treffende Entscheidung in die nächste Anfrage.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-oss-120b | 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.
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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00015 / 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00015 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'openai/gpt-oss-120b', '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': 'openai/gpt-oss-120b', '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-oss-120b, openai/gpt-oss-120b
/chat/completions
Technisches Beispiel auf Englisch
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.