o3-mini ist ein kleines Reasoning-Modell von OpenAI. Es nimmt Text entgegen und erzeugt Text, mit dem Schwerpunkt, ein Problem vor der Antwort zu durchdenken. Ein technischer Assistent kann damit eine fehlerhafte Funktion untersuchen, mögliche Erklärungen für eine Beobachtung vergleichen oder eine mathematische Argumentation entwickeln. Geben Sie ihm die relevanten Belege und definieren Sie, was die Antwort zeigen muss.
Stellen Sie für eine Codefehlerdiagnose die Funktion, ihre Eingaben, den beobachteten Fehler und das erwartete Verhalten bereit. Fragen Sie nach der kleinsten Änderung, die diesen Unterschied behebt, und anschliessend nach Testfällen, die den Vorschlag vom aktuellen Verhalten unterscheiden würden. Lassen Sie nicht zugehörige Dateien aus dem Auftrag heraus, sofern sie den Fehler nicht beeinflussen. Der zurückgegebene Code ist ein Vorschlag, der in der Entwicklungsumgebung geprüft und ausgeführt werden muss.
Geben Sie für eine Berechnung Einheiten, Annahmen und die erforderliche Genauigkeit an. Fragen Sie nach dem Ergebnis und den zu seiner Ermittlung verwendeten Beziehungen. Stellen Sie bei einer naturwissenschaftlichen oder technischen Frage die Beobachtungen bereit und fragen Sie, welche Schlussfolgerungen daraus folgen und welche zusätzliche Messung konkurrierende Erklärungen unterscheiden würde. Dadurch bleibt auch eine lange Antwort an eine überprüfbare Aufgabe gebunden.
OpenAI dokumentiert Structured Outputs und Funktionsaufrufe für o3-mini. Eine strukturierte Aufgabe kann die vom nächsten Schritt benötigten Felder vorgeben, etwa eine Diagnose, stützende Beobachtungen und einen vorgeschlagenen Test. Definieren Sie die Darstellung eines fehlenden Werts und prüfen Sie anschliessend die zurückgegebenen Felder vor ihrer Verwendung anhand des bereitgestellten Materials.
Funktionsaufrufe ermöglichen dem Modell, eine von einer Anwendung bereitgestellte Funktion anzufordern. Die Anwendung liefert die Funktionsdefinitionen, führt einen ausgewählten Aufruf aus und gibt dessen Ergebnis zurück. Beschreiben Sie jede Funktion so eng, dass ihre Eingaben und Folgen klar sind. Ein angeforderter Aufruf und eine ausgeführte Operation sind getrennte Schritte; bewahren Sie das tatsächliche Operationsergebnis beim Aufbau des nächsten Prompts.
Der Hersteller nennt für den dokumentierten Modellstand ein Kontextfenster von 200’000 Token und eine maximale Ausgabe von 100’000 Token. Das sind unterschiedliche Budgets: Auch eine umfangreiche Sammlung von Ausgangsmaterial benötigt Platz für die Antwort. Richten Sie die gewünschte Ergebnislänge an der Aufgabe aus, ob es sich um einen kompakten Patch oder eine ausführlichere Erklärung handelt.
Die Ein- und Ausgaben dieser Edition sind Text. Bereiten Sie für Belege aus einem Dokument oder Bild den relevanten lesbaren Text vor und bewahren Sie dessen Quellenkennzeichnungen. Nummerieren Sie die zu vergleichenden Auszüge oder Codebereiche und bitten Sie darum, diese Kennungen in der Antwort beizubehalten. Das Ergebnis lässt sich dann anhand des exakten Materials prüfen, auf dem es beruht.
", "aboutText": "o3-mini ist ein kleines Reasoning-Modell von OpenAI. Es nimmt Text entgegen und erzeugt Text, mit dem Schwerpunkt, ein Problem vor der Antwort zu durchdenken. Ein technischer Assistent kann damit eine fehlerhafte Funktion untersuchen, mögliche Erklärungen für eine Beobachtung vergleichen oder eine mathematische Argumentation entwickeln. Geben Sie ihm die relevanten Belege und definieren Sie, was die Antwort zeigen muss.\n\n### Schlussfolgern zu einem konkreten Problem\n\nStellen Sie für eine Codefehlerdiagnose die Funktion, ihre Eingaben, den beobachteten Fehler und das erwartete Verhalten bereit. Fragen Sie nach der kleinsten Änderung, die diesen Unterschied behebt, und anschliessend nach Testfällen, die den Vorschlag vom aktuellen Verhalten unterscheiden würden. Lassen Sie nicht zugehörige Dateien aus dem Auftrag heraus, sofern sie den Fehler nicht beeinflussen. Der zurückgegebene Code ist ein Vorschlag, der in der Entwicklungsumgebung geprüft und ausgeführt werden muss.\n\nGeben Sie für eine Berechnung Einheiten, Annahmen und die erforderliche Genauigkeit an. Fragen Sie nach dem Ergebnis und den zu seiner Ermittlung verwendeten Beziehungen. Stellen Sie bei einer naturwissenschaftlichen oder technischen Frage die Beobachtungen bereit und fragen Sie, welche Schlussfolgerungen daraus folgen und welche zusätzliche Messung konkurrierende Erklärungen unterscheiden würde. Dadurch bleibt auch eine lange Antwort an eine überprüfbare Aufgabe gebunden.\n\n### Strukturierte Antworten und Funktionen\n\nOpenAI dokumentiert Structured Outputs und Funktionsaufrufe für o3-mini. Eine strukturierte Aufgabe kann die vom nächsten Schritt benötigten Felder vorgeben, etwa eine Diagnose, stützende Beobachtungen und einen vorgeschlagenen Test. Definieren Sie die Darstellung eines fehlenden Werts und prüfen Sie anschliessend die zurückgegebenen Felder vor ihrer Verwendung anhand des bereitgestellten Materials.\n\nFunktionsaufrufe ermöglichen dem Modell, eine von einer Anwendung bereitgestellte Funktion anzufordern. Die Anwendung liefert die Funktionsdefinitionen, führt einen ausgewählten Aufruf aus und gibt dessen Ergebnis zurück. Beschreiben Sie jede Funktion so eng, dass ihre Eingaben und Folgen klar sind. Ein angeforderter Aufruf und eine ausgeführte Operation sind getrennte Schritte; bewahren Sie das tatsächliche Operationsergebnis beim Aufbau des nächsten Prompts.\n\n### Arbeitskontext planen\n\nDer Hersteller nennt für den dokumentierten Modellstand ein Kontextfenster von 200’000 Token und eine maximale Ausgabe von 100’000 Token. Das sind unterschiedliche Budgets: Auch eine umfangreiche Sammlung von Ausgangsmaterial benötigt Platz für die Antwort. Richten Sie die gewünschte Ergebnislänge an der Aufgabe aus, ob es sich um einen kompakten Patch oder eine ausführlichere Erklärung handelt.\n\nDie Ein- und Ausgaben dieser Edition sind Text. Bereiten Sie für Belege aus einem Dokument oder Bild den relevanten lesbaren Text vor und bewahren Sie dessen Quellenkennzeichnungen. Nummerieren Sie die zu vergleichenden Auszüge oder Codebereiche und bitten Sie darum, diese Kennungen in der Antwort beizubehalten. Das Ergebnis lässt sich dann anhand des exakten Materials prüfen, auf dem es beruht.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Locate an off-by-one defect\n\nDiagnose this Python function: 'def first_three(xs): return xs[:2]'. Requirement: return up to the first three elements without changing xs. Show the smallest correction and tests for a four-element list, a two-element list and an empty list. Explain the slice boundary in one sentence. Treat the tests as proposals until run.A one-line correction, three assert tests and a sentence explaining the exclusive slice endpoint.The four-element case returns three elements while shorter lists remain safe and the original list stays unchanged.o3-minio3-mini ist OpenAIs kleines Reasoning-Modell für textbasierte Problemlösung. Nutzen Sie es für eine Fehlerdiagnose im Code, eine mathematische Argumentation oder eine technische Erklärung, mit einer klaren Frage und den zur Prüfung der Antwort benötigten Belegen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o3-mini ist ein kleines Reasoning-Modell von OpenAI. Es nimmt Text entgegen und erzeugt Text, mit dem Schwerpunkt, ein Problem vor der Antwort zu durchdenken. Ein technischer Assistent kann damit eine fehlerhafte Funktion untersuchen, mögliche Erklärungen für eine Beobachtung vergleichen oder eine mathematische Argumentation entwickeln. Geben Sie ihm die relevanten Belege und definieren Sie, was die Antwort zeigen muss.
Stellen Sie für eine Codefehlerdiagnose die Funktion, ihre Eingaben, den beobachteten Fehler und das erwartete Verhalten bereit. Fragen Sie nach der kleinsten Änderung, die diesen Unterschied behebt, und anschliessend nach Testfällen, die den Vorschlag vom aktuellen Verhalten unterscheiden würden. Lassen Sie nicht zugehörige Dateien aus dem Auftrag heraus, sofern sie den Fehler nicht beeinflussen. Der zurückgegebene Code ist ein Vorschlag, der in der Entwicklungsumgebung geprüft und ausgeführt werden muss.
Geben Sie für eine Berechnung Einheiten, Annahmen und die erforderliche Genauigkeit an. Fragen Sie nach dem Ergebnis und den zu seiner Ermittlung verwendeten Beziehungen. Stellen Sie bei einer naturwissenschaftlichen oder technischen Frage die Beobachtungen bereit und fragen Sie, welche Schlussfolgerungen daraus folgen und welche zusätzliche Messung konkurrierende Erklärungen unterscheiden würde. Dadurch bleibt auch eine lange Antwort an eine überprüfbare Aufgabe gebunden.
OpenAI dokumentiert Structured Outputs und Funktionsaufrufe für o3-mini. Eine strukturierte Aufgabe kann die vom nächsten Schritt benötigten Felder vorgeben, etwa eine Diagnose, stützende Beobachtungen und einen vorgeschlagenen Test. Definieren Sie die Darstellung eines fehlenden Werts und prüfen Sie anschliessend die zurückgegebenen Felder vor ihrer Verwendung anhand des bereitgestellten Materials.
Funktionsaufrufe ermöglichen dem Modell, eine von einer Anwendung bereitgestellte Funktion anzufordern. Die Anwendung liefert die Funktionsdefinitionen, führt einen ausgewählten Aufruf aus und gibt dessen Ergebnis zurück. Beschreiben Sie jede Funktion so eng, dass ihre Eingaben und Folgen klar sind. Ein angeforderter Aufruf und eine ausgeführte Operation sind getrennte Schritte; bewahren Sie das tatsächliche Operationsergebnis beim Aufbau des nächsten Prompts.
Der Hersteller nennt für den dokumentierten Modellstand ein Kontextfenster von 200’000 Token und eine maximale Ausgabe von 100’000 Token. Das sind unterschiedliche Budgets: Auch eine umfangreiche Sammlung von Ausgangsmaterial benötigt Platz für die Antwort. Richten Sie die gewünschte Ergebnislänge an der Aufgabe aus, ob es sich um einen kompakten Patch oder eine ausführlichere Erklärung handelt.
Die Ein- und Ausgaben dieser Edition sind Text. Bereiten Sie für Belege aus einem Dokument oder Bild den relevanten lesbaren Text vor und bewahren Sie dessen Quellenkennzeichnungen. Nummerieren Sie die zu vergleichenden Auszüge oder Codebereiche und bitten Sie darum, diese Kennungen in der Antwort beizubehalten. Das Ergebnis lässt sich dann anhand des exakten Materials prüfen, auf dem es beruht.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits o3-mini | 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0088 / 1K Tokens Eingabe · Cache lesen $0.0011 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0088 / 1K Tokens Eingabe · Cache lesen $0.0011 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"o3-mini","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="o3-mini", 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 o3-mini, openai/o3-mini
/chat/completions
o3-minio3-mini ist OpenAIs kleines Reasoning-Modell für textbasierte Problemlösung. Nutzen Sie es für eine Fehlerdiagnose im Code, eine mathematische Argumentation oder eine technische Erklärung, mit einer klaren Frage und den zur Prüfung der Antwort benötigten Belegen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o3-mini ist ein kleines Reasoning-Modell von OpenAI. Es nimmt Text entgegen und erzeugt Text, mit dem Schwerpunkt, ein Problem vor der Antwort zu durchdenken. Ein technischer Assistent kann damit eine fehlerhafte Funktion untersuchen, mögliche Erklärungen für eine Beobachtung vergleichen oder eine mathematische Argumentation entwickeln. Geben Sie ihm die relevanten Belege und definieren Sie, was die Antwort zeigen muss.
Stellen Sie für eine Codefehlerdiagnose die Funktion, ihre Eingaben, den beobachteten Fehler und das erwartete Verhalten bereit. Fragen Sie nach der kleinsten Änderung, die diesen Unterschied behebt, und anschliessend nach Testfällen, die den Vorschlag vom aktuellen Verhalten unterscheiden würden. Lassen Sie nicht zugehörige Dateien aus dem Auftrag heraus, sofern sie den Fehler nicht beeinflussen. Der zurückgegebene Code ist ein Vorschlag, der in der Entwicklungsumgebung geprüft und ausgeführt werden muss.
Geben Sie für eine Berechnung Einheiten, Annahmen und die erforderliche Genauigkeit an. Fragen Sie nach dem Ergebnis und den zu seiner Ermittlung verwendeten Beziehungen. Stellen Sie bei einer naturwissenschaftlichen oder technischen Frage die Beobachtungen bereit und fragen Sie, welche Schlussfolgerungen daraus folgen und welche zusätzliche Messung konkurrierende Erklärungen unterscheiden würde. Dadurch bleibt auch eine lange Antwort an eine überprüfbare Aufgabe gebunden.
OpenAI dokumentiert Structured Outputs und Funktionsaufrufe für o3-mini. Eine strukturierte Aufgabe kann die vom nächsten Schritt benötigten Felder vorgeben, etwa eine Diagnose, stützende Beobachtungen und einen vorgeschlagenen Test. Definieren Sie die Darstellung eines fehlenden Werts und prüfen Sie anschliessend die zurückgegebenen Felder vor ihrer Verwendung anhand des bereitgestellten Materials.
Funktionsaufrufe ermöglichen dem Modell, eine von einer Anwendung bereitgestellte Funktion anzufordern. Die Anwendung liefert die Funktionsdefinitionen, führt einen ausgewählten Aufruf aus und gibt dessen Ergebnis zurück. Beschreiben Sie jede Funktion so eng, dass ihre Eingaben und Folgen klar sind. Ein angeforderter Aufruf und eine ausgeführte Operation sind getrennte Schritte; bewahren Sie das tatsächliche Operationsergebnis beim Aufbau des nächsten Prompts.
Der Hersteller nennt für den dokumentierten Modellstand ein Kontextfenster von 200’000 Token und eine maximale Ausgabe von 100’000 Token. Das sind unterschiedliche Budgets: Auch eine umfangreiche Sammlung von Ausgangsmaterial benötigt Platz für die Antwort. Richten Sie die gewünschte Ergebnislänge an der Aufgabe aus, ob es sich um einen kompakten Patch oder eine ausführlichere Erklärung handelt.
Die Ein- und Ausgaben dieser Edition sind Text. Bereiten Sie für Belege aus einem Dokument oder Bild den relevanten lesbaren Text vor und bewahren Sie dessen Quellenkennzeichnungen. Nummerieren Sie die zu vergleichenden Auszüge oder Codebereiche und bitten Sie darum, diese Kennungen in der Antwort beizubehalten. Das Ergebnis lässt sich dann anhand des exakten Materials prüfen, auf dem es beruht.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits o3-mini | 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0088 / 1K Tokens Eingabe · Cache lesen $0.0011 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0088 / 1K Tokens Eingabe · Cache lesen $0.0011 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "o3-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'o3-mini', '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': 'o3-mini', '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 o3-mini, openai/o3-mini
/chat/completions
openai/o3-minio3-mini ist OpenAIs kleines Reasoning-Modell für textbasierte Problemlösung. Nutzen Sie es für eine Fehlerdiagnose im Code, eine mathematische Argumentation oder eine technische Erklärung, mit einer klaren Frage und den zur Prüfung der Antwort benötigten Belegen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o3-mini ist ein kleines Reasoning-Modell von OpenAI. Es nimmt Text entgegen und erzeugt Text, mit dem Schwerpunkt, ein Problem vor der Antwort zu durchdenken. Ein technischer Assistent kann damit eine fehlerhafte Funktion untersuchen, mögliche Erklärungen für eine Beobachtung vergleichen oder eine mathematische Argumentation entwickeln. Geben Sie ihm die relevanten Belege und definieren Sie, was die Antwort zeigen muss.
Stellen Sie für eine Codefehlerdiagnose die Funktion, ihre Eingaben, den beobachteten Fehler und das erwartete Verhalten bereit. Fragen Sie nach der kleinsten Änderung, die diesen Unterschied behebt, und anschliessend nach Testfällen, die den Vorschlag vom aktuellen Verhalten unterscheiden würden. Lassen Sie nicht zugehörige Dateien aus dem Auftrag heraus, sofern sie den Fehler nicht beeinflussen. Der zurückgegebene Code ist ein Vorschlag, der in der Entwicklungsumgebung geprüft und ausgeführt werden muss.
Geben Sie für eine Berechnung Einheiten, Annahmen und die erforderliche Genauigkeit an. Fragen Sie nach dem Ergebnis und den zu seiner Ermittlung verwendeten Beziehungen. Stellen Sie bei einer naturwissenschaftlichen oder technischen Frage die Beobachtungen bereit und fragen Sie, welche Schlussfolgerungen daraus folgen und welche zusätzliche Messung konkurrierende Erklärungen unterscheiden würde. Dadurch bleibt auch eine lange Antwort an eine überprüfbare Aufgabe gebunden.
OpenAI dokumentiert Structured Outputs und Funktionsaufrufe für o3-mini. Eine strukturierte Aufgabe kann die vom nächsten Schritt benötigten Felder vorgeben, etwa eine Diagnose, stützende Beobachtungen und einen vorgeschlagenen Test. Definieren Sie die Darstellung eines fehlenden Werts und prüfen Sie anschliessend die zurückgegebenen Felder vor ihrer Verwendung anhand des bereitgestellten Materials.
Funktionsaufrufe ermöglichen dem Modell, eine von einer Anwendung bereitgestellte Funktion anzufordern. Die Anwendung liefert die Funktionsdefinitionen, führt einen ausgewählten Aufruf aus und gibt dessen Ergebnis zurück. Beschreiben Sie jede Funktion so eng, dass ihre Eingaben und Folgen klar sind. Ein angeforderter Aufruf und eine ausgeführte Operation sind getrennte Schritte; bewahren Sie das tatsächliche Operationsergebnis beim Aufbau des nächsten Prompts.
Der Hersteller nennt für den dokumentierten Modellstand ein Kontextfenster von 200’000 Token und eine maximale Ausgabe von 100’000 Token. Das sind unterschiedliche Budgets: Auch eine umfangreiche Sammlung von Ausgangsmaterial benötigt Platz für die Antwort. Richten Sie die gewünschte Ergebnislänge an der Aufgabe aus, ob es sich um einen kompakten Patch oder eine ausführlichere Erklärung handelt.
Die Ein- und Ausgaben dieser Edition sind Text. Bereiten Sie für Belege aus einem Dokument oder Bild den relevanten lesbaren Text vor und bewahren Sie dessen Quellenkennzeichnungen. Nummerieren Sie die zu vergleichenden Auszüge oder Codebereiche und bitten Sie darum, diese Kennungen in der Antwort beizubehalten. Das Ergebnis lässt sich dann anhand des exakten Materials prüfen, auf dem es beruht.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o3-mini | 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0088 / 1K Tokens Eingabe · Cache lesen $0.0011 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0088 / 1K Tokens Eingabe · Cache lesen $0.0011 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-mini", "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/o3-mini',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/o3-mini',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 o3-mini, openai/o3-mini
/chat/completions
openai/o3-minio3-mini ist OpenAIs kleines Reasoning-Modell für textbasierte Problemlösung. Nutzen Sie es für eine Fehlerdiagnose im Code, eine mathematische Argumentation oder eine technische Erklärung, mit einer klaren Frage und den zur Prüfung der Antwort benötigten Belegen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o3-mini ist ein kleines Reasoning-Modell von OpenAI. Es nimmt Text entgegen und erzeugt Text, mit dem Schwerpunkt, ein Problem vor der Antwort zu durchdenken. Ein technischer Assistent kann damit eine fehlerhafte Funktion untersuchen, mögliche Erklärungen für eine Beobachtung vergleichen oder eine mathematische Argumentation entwickeln. Geben Sie ihm die relevanten Belege und definieren Sie, was die Antwort zeigen muss.
Stellen Sie für eine Codefehlerdiagnose die Funktion, ihre Eingaben, den beobachteten Fehler und das erwartete Verhalten bereit. Fragen Sie nach der kleinsten Änderung, die diesen Unterschied behebt, und anschliessend nach Testfällen, die den Vorschlag vom aktuellen Verhalten unterscheiden würden. Lassen Sie nicht zugehörige Dateien aus dem Auftrag heraus, sofern sie den Fehler nicht beeinflussen. Der zurückgegebene Code ist ein Vorschlag, der in der Entwicklungsumgebung geprüft und ausgeführt werden muss.
Geben Sie für eine Berechnung Einheiten, Annahmen und die erforderliche Genauigkeit an. Fragen Sie nach dem Ergebnis und den zu seiner Ermittlung verwendeten Beziehungen. Stellen Sie bei einer naturwissenschaftlichen oder technischen Frage die Beobachtungen bereit und fragen Sie, welche Schlussfolgerungen daraus folgen und welche zusätzliche Messung konkurrierende Erklärungen unterscheiden würde. Dadurch bleibt auch eine lange Antwort an eine überprüfbare Aufgabe gebunden.
OpenAI dokumentiert Structured Outputs und Funktionsaufrufe für o3-mini. Eine strukturierte Aufgabe kann die vom nächsten Schritt benötigten Felder vorgeben, etwa eine Diagnose, stützende Beobachtungen und einen vorgeschlagenen Test. Definieren Sie die Darstellung eines fehlenden Werts und prüfen Sie anschliessend die zurückgegebenen Felder vor ihrer Verwendung anhand des bereitgestellten Materials.
Funktionsaufrufe ermöglichen dem Modell, eine von einer Anwendung bereitgestellte Funktion anzufordern. Die Anwendung liefert die Funktionsdefinitionen, führt einen ausgewählten Aufruf aus und gibt dessen Ergebnis zurück. Beschreiben Sie jede Funktion so eng, dass ihre Eingaben und Folgen klar sind. Ein angeforderter Aufruf und eine ausgeführte Operation sind getrennte Schritte; bewahren Sie das tatsächliche Operationsergebnis beim Aufbau des nächsten Prompts.
Der Hersteller nennt für den dokumentierten Modellstand ein Kontextfenster von 200’000 Token und eine maximale Ausgabe von 100’000 Token. Das sind unterschiedliche Budgets: Auch eine umfangreiche Sammlung von Ausgangsmaterial benötigt Platz für die Antwort. Richten Sie die gewünschte Ergebnislänge an der Aufgabe aus, ob es sich um einen kompakten Patch oder eine ausführlichere Erklärung handelt.
Die Ein- und Ausgaben dieser Edition sind Text. Bereiten Sie für Belege aus einem Dokument oder Bild den relevanten lesbaren Text vor und bewahren Sie dessen Quellenkennzeichnungen. Nummerieren Sie die zu vergleichenden Auszüge oder Codebereiche und bitten Sie darum, diese Kennungen in der Antwort beizubehalten. Das Ergebnis lässt sich dann anhand des exakten Materials prüfen, auf dem es beruht.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o3-mini | 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0088 / 1K Tokens Eingabe · Cache lesen $0.0011 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0088 / 1K Tokens Eingabe · Cache lesen $0.0011 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/o3-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/o3-mini', '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/o3-mini', '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 o3-mini, openai/o3-mini
/chat/completions
Technisches Beispiel auf Englisch
Locate an off-by-one defect\n\nDiagnose this Python function: 'def first_three(xs): return xs[:2]'. Requirement: return up to the first three elements without changing xs. Show the smallest correction and tests for a four-element list, a two-element list and an empty list. Explain the slice boundary in one sentence. Treat the tests as proposals until run.A one-line correction, three assert tests and a sentence explaining the exclusive slice endpoint.The four-element case returns three elements while shorter lists remain safe and the original list stays unchanged.