Claude Opus 4.5 ist ein Modell von Anthropic für Aufgaben, bei denen mehrdeutige Anforderungen verstanden, ein Aktionsplan gewählt und die Arbeit schrittweise bis zum Ergebnis geführt werden müssen. Die zentralen vorgestellten Einsatzbereiche sind Programmierung, agentische Arbeit, Computerbedienung und vertiefte Forschung. Im beruflichen Alltag kann das Modell bei Tabellen und Präsentationen helfen.
Bei einer Ingenieuraufgabe kann Opus 4.5 die Beziehungen zwischen mehreren Systemteilen betrachten, die Ursache eines komplexen Fehlers suchen, Abwägungen diskutieren und Codeänderungen vorbereiten. Für längere Arbeit hebt Anthropic die Planung von Aktionen, Werkzeugverwendung und Koordination von Teilaufgaben gesondert hervor. Das eignet sich für einen Ablauf, in dem zunächst Materialien untersucht, anschließend Aktionen gewählt und deren Ergebnisse geprüft werden.
Mittel zum Lesen und Bearbeiten von Dateien, zum Ausführen von Befehlen, zur Informationssuche und zur Arbeit mit der Oberfläche müssen von der Anwendung bereitgestellt werden. Das Modell überlegt, was zu tun ist, und formuliert Aufrufe verfügbarer Werkzeuge; die tatsächliche Ausführung hängt von der angebundenen Umgebung ab. Ebenso kann die Vorbereitung einer Tabelle oder Präsentation Inhalte und Code umfassen, während die Erstellung einer fertigen Datei ein entsprechendes Werkzeug erfordert.
Opus 4.5 unterstützt extended thinking mit einem manuellen Budget budget_tokens. Bei aktiviertem Modus analysiert das Modell die Aufgabe vor der abschließenden Antwort. Bei entsprechender Anwendungsunterstützung kann es auch zwischen Werkzeugaufrufen Reasoning durchführen und die erhaltenen Ergebnisse vor der nächsten Aktion berücksichtigen.
Wenn die Methode die Einstellungen unterstützt, beginnt das manuelle Budget budget_tokens bei 1024 Tokens und muss normalerweise kleiner als max_tokens sein. Für Reasoning zwischen Werkzeugen gibt es eine Ausnahme: Das Budget darf max_tokens überschreiten, weil es mehrere Analyseblöcke innerhalb eines Gesprächsschritts umfasst. Diese Ausnahme erfordert die Unterstützung des entsprechenden Modus in der Anwendung.
Der Parameter effort steuert den allgemeinen Ausarbeitungsgrad: Verfügbar sind low, medium und high, die Standardstufe ist high. Er wirkt sowohl mit aktiviertem Reasoning als auch ohne. Reasoning-Budget und Analyseaufwand erfüllen unterschiedliche Funktionen: Ersteres steuert den Umfang der internen Analyse, Letzteres beeinflusst die Arbeit an der Antwort insgesamt. Ein adaptiver Modus ist bei dieser Version nicht vorhanden.
Als Eingabe dienen Text und Bilder, als Ausgabe erstellt das Modell Text. Der Kontext umfasst 200 Tausend Tokens, die maximale Antwortlänge 64 Tausend Tokens. Große Materialsammlungen lassen sich für Forschung, Dokumentanalyse und Entwicklung verwenden; das Ergebnis muss jedoch in die Grenzen dieser konkreten Version passen.
Formate für gewöhnliche visuelle Eingaben beim Hersteller: JPEG/PNG/GIF/WebP, bei Animationen das erste Bild. Bei nativer Analyse beträgt die lange Seite 1568 Pixel, entsprechend 1568 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Die Unterstützung von Dateien und Parametern hängt von der Methode der Anwendung ab.
Die verlässliche Wissensgrenze liegt bei Mai 2025. Für aktuelle Informationen sind bereitgestellte Materialien oder Werkzeuge der Anwendung erforderlich. Anthropic trainierte das Modell darauf, bösartigen Anweisungen in fremden Inhalten zu widerstehen. Das schließt fehlerhafte Schlussfolgerungen jedoch nicht aus: Plan, Änderungen und Schlussfolgerungen müssen in der tatsächlichen Aufgabe geprüft werden.
", "aboutText": "Claude Opus 4.5 ist ein Modell von Anthropic für Aufgaben, bei denen mehrdeutige Anforderungen verstanden, ein Aktionsplan gewählt und die Arbeit schrittweise bis zum Ergebnis geführt werden müssen. Die zentralen vorgestellten Einsatzbereiche sind Programmierung, agentische Arbeit, Computerbedienung und vertiefte Forschung. Im beruflichen Alltag kann das Modell bei Tabellen und Präsentationen helfen.\n\n### Von der Problemanalyse zur Ausführung\n\nBei einer Ingenieuraufgabe kann Opus 4.5 die Beziehungen zwischen mehreren Systemteilen betrachten, die Ursache eines komplexen Fehlers suchen, Abwägungen diskutieren und Codeänderungen vorbereiten. Für längere Arbeit hebt Anthropic die Planung von Aktionen, Werkzeugverwendung und Koordination von Teilaufgaben gesondert hervor. Das eignet sich für einen Ablauf, in dem zunächst Materialien untersucht, anschließend Aktionen gewählt und deren Ergebnisse geprüft werden.\n\nMittel zum Lesen und Bearbeiten von Dateien, zum Ausführen von Befehlen, zur Informationssuche und zur Arbeit mit der Oberfläche müssen von der Anwendung bereitgestellt werden. Das Modell überlegt, was zu tun ist, und formuliert Aufrufe verfügbarer Werkzeuge; die tatsächliche Ausführung hängt von der angebundenen Umgebung ab. Ebenso kann die Vorbereitung einer Tabelle oder Präsentation Inhalte und Code umfassen, während die Erstellung einer fertigen Datei ein entsprechendes Werkzeug erfordert.\n\n### Zwei unterschiedliche Steuerungsparameter\n\nOpus 4.5 unterstützt **extended thinking** mit einem manuellen Budget `budget_tokens`. Bei aktiviertem Modus analysiert das Modell die Aufgabe vor der abschließenden Antwort. Bei entsprechender Anwendungsunterstützung kann es auch zwischen Werkzeugaufrufen Reasoning durchführen und die erhaltenen Ergebnisse vor der nächsten Aktion berücksichtigen.\n\nWenn die Methode die Einstellungen unterstützt, beginnt das manuelle Budget `budget_tokens` bei **1024 Tokens** und muss normalerweise kleiner als `max_tokens` sein. Für Reasoning zwischen Werkzeugen gibt es eine Ausnahme: Das Budget darf `max_tokens` überschreiten, weil es mehrere Analyseblöcke innerhalb eines Gesprächsschritts umfasst. Diese Ausnahme erfordert die Unterstützung des entsprechenden Modus in der Anwendung.\n\nDer Parameter `effort` steuert den allgemeinen Ausarbeitungsgrad: Verfügbar sind `low`, `medium` und `high`, die Standardstufe ist `high`. Er wirkt sowohl mit aktiviertem Reasoning als auch ohne. Reasoning-Budget und Analyseaufwand erfüllen unterschiedliche Funktionen: Ersteres steuert den Umfang der internen Analyse, Letzteres beeinflusst die Arbeit an der Antwort insgesamt. Ein adaptiver Modus ist bei dieser Version nicht vorhanden.\n\n### Text und visuelle Materialien\n\nAls Eingabe dienen **Text und Bilder**, als Ausgabe erstellt das Modell **Text**. Der Kontext umfasst **200 Tausend Tokens**, die maximale Antwortlänge **64 Tausend Tokens**. Große Materialsammlungen lassen sich für Forschung, Dokumentanalyse und Entwicklung verwenden; das Ergebnis muss jedoch in die Grenzen dieser konkreten Version passen.\n\nFormate für gewöhnliche visuelle Eingaben beim Hersteller: JPEG/PNG/GIF/WebP, bei Animationen das erste Bild. Bei nativer Analyse beträgt die lange Seite 1568 Pixel, entsprechend 1568 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Die Unterstützung von Dateien und Parametern hängt von der Methode der Anwendung ab.\n\nDie verlässliche Wissensgrenze liegt bei **Mai 2025**. Für aktuelle Informationen sind bereitgestellte Materialien oder Werkzeuge der Anwendung erforderlich. Anthropic trainierte das Modell darauf, bösartigen Anweisungen in fremden Inhalten zu widerstehen. Das schließt fehlerhafte Schlussfolgerungen jedoch nicht aus: Plan, Änderungen und Schlussfolgerungen müssen in der tatsächlichen Aufgabe geprüft werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Choose a safe invoice migration order\n\nOur invoice service has old readers that require customer_name. New writers will add customer_id, and historical invoices must remain readable during rollout. Propose a migration sequence covering schema expansion, backfill, mixed-version operation and removal of the old field. Identify the rollback point at each stage and the evidence required before advancing.A staged migration table with compatibility conditions, rollback actions and advancement checks.No stage removes customer_name while an old reader can still depend on it.claude-opus-4-5Claude Opus 4.5 ist auf komplexe Entwicklung, Forschung und mehrstufige Arbeit mit Werkzeugen ausgerichtet. Hilft, mehrdeutige Aufgaben zu analysieren und Inhalte für Dokumente, Tabellen und Präsentationen zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Claude Opus 4.5 ist ein Modell von Anthropic für Aufgaben, bei denen mehrdeutige Anforderungen verstanden, ein Aktionsplan gewählt und die Arbeit schrittweise bis zum Ergebnis geführt werden müssen. Die zentralen vorgestellten Einsatzbereiche sind Programmierung, agentische Arbeit, Computerbedienung und vertiefte Forschung. Im beruflichen Alltag kann das Modell bei Tabellen und Präsentationen helfen.
Bei einer Ingenieuraufgabe kann Opus 4.5 die Beziehungen zwischen mehreren Systemteilen betrachten, die Ursache eines komplexen Fehlers suchen, Abwägungen diskutieren und Codeänderungen vorbereiten. Für längere Arbeit hebt Anthropic die Planung von Aktionen, Werkzeugverwendung und Koordination von Teilaufgaben gesondert hervor. Das eignet sich für einen Ablauf, in dem zunächst Materialien untersucht, anschließend Aktionen gewählt und deren Ergebnisse geprüft werden.
Mittel zum Lesen und Bearbeiten von Dateien, zum Ausführen von Befehlen, zur Informationssuche und zur Arbeit mit der Oberfläche müssen von der Anwendung bereitgestellt werden. Das Modell überlegt, was zu tun ist, und formuliert Aufrufe verfügbarer Werkzeuge; die tatsächliche Ausführung hängt von der angebundenen Umgebung ab. Ebenso kann die Vorbereitung einer Tabelle oder Präsentation Inhalte und Code umfassen, während die Erstellung einer fertigen Datei ein entsprechendes Werkzeug erfordert.
Opus 4.5 unterstützt extended thinking mit einem manuellen Budget budget_tokens. Bei aktiviertem Modus analysiert das Modell die Aufgabe vor der abschließenden Antwort. Bei entsprechender Anwendungsunterstützung kann es auch zwischen Werkzeugaufrufen Reasoning durchführen und die erhaltenen Ergebnisse vor der nächsten Aktion berücksichtigen.
Wenn die Methode die Einstellungen unterstützt, beginnt das manuelle Budget budget_tokens bei 1024 Tokens und muss normalerweise kleiner als max_tokens sein. Für Reasoning zwischen Werkzeugen gibt es eine Ausnahme: Das Budget darf max_tokens überschreiten, weil es mehrere Analyseblöcke innerhalb eines Gesprächsschritts umfasst. Diese Ausnahme erfordert die Unterstützung des entsprechenden Modus in der Anwendung.
Der Parameter effort steuert den allgemeinen Ausarbeitungsgrad: Verfügbar sind low, medium und high, die Standardstufe ist high. Er wirkt sowohl mit aktiviertem Reasoning als auch ohne. Reasoning-Budget und Analyseaufwand erfüllen unterschiedliche Funktionen: Ersteres steuert den Umfang der internen Analyse, Letzteres beeinflusst die Arbeit an der Antwort insgesamt. Ein adaptiver Modus ist bei dieser Version nicht vorhanden.
Als Eingabe dienen Text und Bilder, als Ausgabe erstellt das Modell Text. Der Kontext umfasst 200 Tausend Tokens, die maximale Antwortlänge 64 Tausend Tokens. Große Materialsammlungen lassen sich für Forschung, Dokumentanalyse und Entwicklung verwenden; das Ergebnis muss jedoch in die Grenzen dieser konkreten Version passen.
Formate für gewöhnliche visuelle Eingaben beim Hersteller: JPEG/PNG/GIF/WebP, bei Animationen das erste Bild. Bei nativer Analyse beträgt die lange Seite 1568 Pixel, entsprechend 1568 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Die Unterstützung von Dateien und Parametern hängt von der Methode der Anwendung ab.
Die verlässliche Wissensgrenze liegt bei Mai 2025. Für aktuelle Informationen sind bereitgestellte Materialien oder Werkzeuge der Anwendung erforderlich. Anthropic trainierte das Modell darauf, bösartigen Anweisungen in fremden Inhalten zu widerstehen. Das schließt fehlerhafte Schlussfolgerungen jedoch nicht aus: Plan, Änderungen und Schlussfolgerungen müssen in der tatsächlichen Aufgabe geprüft werden.
POST /v1/messagestext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits claude-opus-4-5 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
Text + Bild
{type:image,source:{type:base64,media_type,data}} oder Quelle mit type=url
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext, image |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/messagesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="claude-opus-4-5",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "claude-opus-4-5",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='claude-opus-4-5',max_tokens=1024,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_message()\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 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 claude-opus-4-5
Ailoot Ultra anthropic/claude-opus-4.5
Verwenden Sie die oben angezeigten Methodenpfade.
claude-opus-4-5Claude Opus 4.5 ist auf komplexe Entwicklung, Forschung und mehrstufige Arbeit mit Werkzeugen ausgerichtet. Hilft, mehrdeutige Aufgaben zu analysieren und Inhalte für Dokumente, Tabellen und Präsentationen zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Claude Opus 4.5 ist ein Modell von Anthropic für Aufgaben, bei denen mehrdeutige Anforderungen verstanden, ein Aktionsplan gewählt und die Arbeit schrittweise bis zum Ergebnis geführt werden müssen. Die zentralen vorgestellten Einsatzbereiche sind Programmierung, agentische Arbeit, Computerbedienung und vertiefte Forschung. Im beruflichen Alltag kann das Modell bei Tabellen und Präsentationen helfen.
Bei einer Ingenieuraufgabe kann Opus 4.5 die Beziehungen zwischen mehreren Systemteilen betrachten, die Ursache eines komplexen Fehlers suchen, Abwägungen diskutieren und Codeänderungen vorbereiten. Für längere Arbeit hebt Anthropic die Planung von Aktionen, Werkzeugverwendung und Koordination von Teilaufgaben gesondert hervor. Das eignet sich für einen Ablauf, in dem zunächst Materialien untersucht, anschließend Aktionen gewählt und deren Ergebnisse geprüft werden.
Mittel zum Lesen und Bearbeiten von Dateien, zum Ausführen von Befehlen, zur Informationssuche und zur Arbeit mit der Oberfläche müssen von der Anwendung bereitgestellt werden. Das Modell überlegt, was zu tun ist, und formuliert Aufrufe verfügbarer Werkzeuge; die tatsächliche Ausführung hängt von der angebundenen Umgebung ab. Ebenso kann die Vorbereitung einer Tabelle oder Präsentation Inhalte und Code umfassen, während die Erstellung einer fertigen Datei ein entsprechendes Werkzeug erfordert.
Opus 4.5 unterstützt extended thinking mit einem manuellen Budget budget_tokens. Bei aktiviertem Modus analysiert das Modell die Aufgabe vor der abschließenden Antwort. Bei entsprechender Anwendungsunterstützung kann es auch zwischen Werkzeugaufrufen Reasoning durchführen und die erhaltenen Ergebnisse vor der nächsten Aktion berücksichtigen.
Wenn die Methode die Einstellungen unterstützt, beginnt das manuelle Budget budget_tokens bei 1024 Tokens und muss normalerweise kleiner als max_tokens sein. Für Reasoning zwischen Werkzeugen gibt es eine Ausnahme: Das Budget darf max_tokens überschreiten, weil es mehrere Analyseblöcke innerhalb eines Gesprächsschritts umfasst. Diese Ausnahme erfordert die Unterstützung des entsprechenden Modus in der Anwendung.
Der Parameter effort steuert den allgemeinen Ausarbeitungsgrad: Verfügbar sind low, medium und high, die Standardstufe ist high. Er wirkt sowohl mit aktiviertem Reasoning als auch ohne. Reasoning-Budget und Analyseaufwand erfüllen unterschiedliche Funktionen: Ersteres steuert den Umfang der internen Analyse, Letzteres beeinflusst die Arbeit an der Antwort insgesamt. Ein adaptiver Modus ist bei dieser Version nicht vorhanden.
Als Eingabe dienen Text und Bilder, als Ausgabe erstellt das Modell Text. Der Kontext umfasst 200 Tausend Tokens, die maximale Antwortlänge 64 Tausend Tokens. Große Materialsammlungen lassen sich für Forschung, Dokumentanalyse und Entwicklung verwenden; das Ergebnis muss jedoch in die Grenzen dieser konkreten Version passen.
Formate für gewöhnliche visuelle Eingaben beim Hersteller: JPEG/PNG/GIF/WebP, bei Animationen das erste Bild. Bei nativer Analyse beträgt die lange Seite 1568 Pixel, entsprechend 1568 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Die Unterstützung von Dateien und Parametern hängt von der Methode der Anwendung ab.
Die verlässliche Wissensgrenze liegt bei Mai 2025. Für aktuelle Informationen sind bereitgestellte Materialien oder Werkzeuge der Anwendung erforderlich. Anthropic trainierte das Modell darauf, bösartigen Anweisungen in fremden Inhalten zu widerstehen. Das schließt fehlerhafte Schlussfolgerungen jedoch nicht aus: Plan, Änderungen und Schlussfolgerungen müssen in der tatsächlichen Aufgabe geprüft werden.
POST /v1/responsestext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits claude-opus-4-5 | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungOptional | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
Text + Bild
{type:input_image,image_url}
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext, image |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/responsesAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="claude-opus-4-5", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "claude-opus-4-5", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="claude-opus-4-5", input="Explain the difference between an observation and a hypothesis 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_response()\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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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 claude-opus-4-5
Ailoot Ultra anthropic/claude-opus-4.5
Verwenden Sie die oben angezeigten Methodenpfade.
claude-opus-4-5Claude Opus 4.5 ist auf komplexe Entwicklung, Forschung und mehrstufige Arbeit mit Werkzeugen ausgerichtet. Hilft, mehrdeutige Aufgaben zu analysieren und Inhalte für Dokumente, Tabellen und Präsentationen zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Claude Opus 4.5 ist ein Modell von Anthropic für Aufgaben, bei denen mehrdeutige Anforderungen verstanden, ein Aktionsplan gewählt und die Arbeit schrittweise bis zum Ergebnis geführt werden müssen. Die zentralen vorgestellten Einsatzbereiche sind Programmierung, agentische Arbeit, Computerbedienung und vertiefte Forschung. Im beruflichen Alltag kann das Modell bei Tabellen und Präsentationen helfen.
Bei einer Ingenieuraufgabe kann Opus 4.5 die Beziehungen zwischen mehreren Systemteilen betrachten, die Ursache eines komplexen Fehlers suchen, Abwägungen diskutieren und Codeänderungen vorbereiten. Für längere Arbeit hebt Anthropic die Planung von Aktionen, Werkzeugverwendung und Koordination von Teilaufgaben gesondert hervor. Das eignet sich für einen Ablauf, in dem zunächst Materialien untersucht, anschließend Aktionen gewählt und deren Ergebnisse geprüft werden.
Mittel zum Lesen und Bearbeiten von Dateien, zum Ausführen von Befehlen, zur Informationssuche und zur Arbeit mit der Oberfläche müssen von der Anwendung bereitgestellt werden. Das Modell überlegt, was zu tun ist, und formuliert Aufrufe verfügbarer Werkzeuge; die tatsächliche Ausführung hängt von der angebundenen Umgebung ab. Ebenso kann die Vorbereitung einer Tabelle oder Präsentation Inhalte und Code umfassen, während die Erstellung einer fertigen Datei ein entsprechendes Werkzeug erfordert.
Opus 4.5 unterstützt extended thinking mit einem manuellen Budget budget_tokens. Bei aktiviertem Modus analysiert das Modell die Aufgabe vor der abschließenden Antwort. Bei entsprechender Anwendungsunterstützung kann es auch zwischen Werkzeugaufrufen Reasoning durchführen und die erhaltenen Ergebnisse vor der nächsten Aktion berücksichtigen.
Wenn die Methode die Einstellungen unterstützt, beginnt das manuelle Budget budget_tokens bei 1024 Tokens und muss normalerweise kleiner als max_tokens sein. Für Reasoning zwischen Werkzeugen gibt es eine Ausnahme: Das Budget darf max_tokens überschreiten, weil es mehrere Analyseblöcke innerhalb eines Gesprächsschritts umfasst. Diese Ausnahme erfordert die Unterstützung des entsprechenden Modus in der Anwendung.
Der Parameter effort steuert den allgemeinen Ausarbeitungsgrad: Verfügbar sind low, medium und high, die Standardstufe ist high. Er wirkt sowohl mit aktiviertem Reasoning als auch ohne. Reasoning-Budget und Analyseaufwand erfüllen unterschiedliche Funktionen: Ersteres steuert den Umfang der internen Analyse, Letzteres beeinflusst die Arbeit an der Antwort insgesamt. Ein adaptiver Modus ist bei dieser Version nicht vorhanden.
Als Eingabe dienen Text und Bilder, als Ausgabe erstellt das Modell Text. Der Kontext umfasst 200 Tausend Tokens, die maximale Antwortlänge 64 Tausend Tokens. Große Materialsammlungen lassen sich für Forschung, Dokumentanalyse und Entwicklung verwenden; das Ergebnis muss jedoch in die Grenzen dieser konkreten Version passen.
Formate für gewöhnliche visuelle Eingaben beim Hersteller: JPEG/PNG/GIF/WebP, bei Animationen das erste Bild. Bei nativer Analyse beträgt die lange Seite 1568 Pixel, entsprechend 1568 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Die Unterstützung von Dateien und Parametern hängt von der Methode der Anwendung ab.
Die verlässliche Wissensgrenze liegt bei Mai 2025. Für aktuelle Informationen sind bereitgestellte Materialien oder Werkzeuge der Anwendung erforderlich. Anthropic trainierte das Modell darauf, bösartigen Anweisungen in fremden Inhalten zu widerstehen. Das schließt fehlerhafte Schlussfolgerungen jedoch nicht aus: Plan, Änderungen und Schlussfolgerungen müssen in der tatsächlichen Aufgabe geprüft werden.
POST /v1/chat/completionstext, imagetext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits claude-opus-4-5 | 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 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— |
Text · UTF8-Text
messages[].content
Text + Bild
{type:image_url,image_url:{url,detail}}
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext, image |
Parameterrequired | Vertragmodel, messages |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragTatsächlicher UTF-8-Inhalt wird als Text eingefügt; Datei-IDs/URLs müssen separat und exakt unterstützt werden |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/chat/completionsAiloot 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 →
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationOpenAI Chat · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationAnthropic Messages · Token-Basispreise | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationAnthropic Messages · Stufe 1 nach Anfragelänge | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="claude-opus-4-5",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "claude-opus-4-5",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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='claude-opus-4-5',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 claude-opus-4-5
Ailoot Ultra anthropic/claude-opus-4.5
Verwenden Sie die oben angezeigten Methodenpfade.
anthropic/claude-opus-4.5Claude Opus 4.5 ist auf komplexe Entwicklung, Forschung und mehrstufige Arbeit mit Werkzeugen ausgerichtet. Hilft, mehrdeutige Aufgaben zu analysieren und Inhalte für Dokumente, Tabellen und Präsentationen zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Claude Opus 4.5 ist ein Modell von Anthropic für Aufgaben, bei denen mehrdeutige Anforderungen verstanden, ein Aktionsplan gewählt und die Arbeit schrittweise bis zum Ergebnis geführt werden müssen. Die zentralen vorgestellten Einsatzbereiche sind Programmierung, agentische Arbeit, Computerbedienung und vertiefte Forschung. Im beruflichen Alltag kann das Modell bei Tabellen und Präsentationen helfen.
Bei einer Ingenieuraufgabe kann Opus 4.5 die Beziehungen zwischen mehreren Systemteilen betrachten, die Ursache eines komplexen Fehlers suchen, Abwägungen diskutieren und Codeänderungen vorbereiten. Für längere Arbeit hebt Anthropic die Planung von Aktionen, Werkzeugverwendung und Koordination von Teilaufgaben gesondert hervor. Das eignet sich für einen Ablauf, in dem zunächst Materialien untersucht, anschließend Aktionen gewählt und deren Ergebnisse geprüft werden.
Mittel zum Lesen und Bearbeiten von Dateien, zum Ausführen von Befehlen, zur Informationssuche und zur Arbeit mit der Oberfläche müssen von der Anwendung bereitgestellt werden. Das Modell überlegt, was zu tun ist, und formuliert Aufrufe verfügbarer Werkzeuge; die tatsächliche Ausführung hängt von der angebundenen Umgebung ab. Ebenso kann die Vorbereitung einer Tabelle oder Präsentation Inhalte und Code umfassen, während die Erstellung einer fertigen Datei ein entsprechendes Werkzeug erfordert.
Opus 4.5 unterstützt extended thinking mit einem manuellen Budget budget_tokens. Bei aktiviertem Modus analysiert das Modell die Aufgabe vor der abschließenden Antwort. Bei entsprechender Anwendungsunterstützung kann es auch zwischen Werkzeugaufrufen Reasoning durchführen und die erhaltenen Ergebnisse vor der nächsten Aktion berücksichtigen.
Wenn die Methode die Einstellungen unterstützt, beginnt das manuelle Budget budget_tokens bei 1024 Tokens und muss normalerweise kleiner als max_tokens sein. Für Reasoning zwischen Werkzeugen gibt es eine Ausnahme: Das Budget darf max_tokens überschreiten, weil es mehrere Analyseblöcke innerhalb eines Gesprächsschritts umfasst. Diese Ausnahme erfordert die Unterstützung des entsprechenden Modus in der Anwendung.
Der Parameter effort steuert den allgemeinen Ausarbeitungsgrad: Verfügbar sind low, medium und high, die Standardstufe ist high. Er wirkt sowohl mit aktiviertem Reasoning als auch ohne. Reasoning-Budget und Analyseaufwand erfüllen unterschiedliche Funktionen: Ersteres steuert den Umfang der internen Analyse, Letzteres beeinflusst die Arbeit an der Antwort insgesamt. Ein adaptiver Modus ist bei dieser Version nicht vorhanden.
Als Eingabe dienen Text und Bilder, als Ausgabe erstellt das Modell Text. Der Kontext umfasst 200 Tausend Tokens, die maximale Antwortlänge 64 Tausend Tokens. Große Materialsammlungen lassen sich für Forschung, Dokumentanalyse und Entwicklung verwenden; das Ergebnis muss jedoch in die Grenzen dieser konkreten Version passen.
Formate für gewöhnliche visuelle Eingaben beim Hersteller: JPEG/PNG/GIF/WebP, bei Animationen das erste Bild. Bei nativer Analyse beträgt die lange Seite 1568 Pixel, entsprechend 1568 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Die Unterstützung von Dateien und Parametern hängt von der Methode der Anwendung ab.
Die verlässliche Wissensgrenze liegt bei Mai 2025. Für aktuelle Informationen sind bereitgestellte Materialien oder Werkzeuge der Anwendung erforderlich. Anthropic trainierte das Modell darauf, bösartigen Anweisungen in fremden Inhalten zu widerstehen. Das schließt fehlerhafte Schlussfolgerungen jedoch nicht aus: Plan, Änderungen und Schlussfolgerungen müssen in der tatsächlichen Aufgabe geprüft werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits anthropic/claude-opus-4.5 | 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 $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthropic/claude-opus-4.5", "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='anthropic/claude-opus-4.5',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='anthropic/claude-opus-4.5',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 claude-opus-4-5
Ailoot Ultra anthropic/claude-opus-4.5
Verwenden Sie die oben angezeigten Methodenpfade.
anthropic/claude-opus-4.5Claude Opus 4.5 ist auf komplexe Entwicklung, Forschung und mehrstufige Arbeit mit Werkzeugen ausgerichtet. Hilft, mehrdeutige Aufgaben zu analysieren und Inhalte für Dokumente, Tabellen und Präsentationen zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Claude Opus 4.5 ist ein Modell von Anthropic für Aufgaben, bei denen mehrdeutige Anforderungen verstanden, ein Aktionsplan gewählt und die Arbeit schrittweise bis zum Ergebnis geführt werden müssen. Die zentralen vorgestellten Einsatzbereiche sind Programmierung, agentische Arbeit, Computerbedienung und vertiefte Forschung. Im beruflichen Alltag kann das Modell bei Tabellen und Präsentationen helfen.
Bei einer Ingenieuraufgabe kann Opus 4.5 die Beziehungen zwischen mehreren Systemteilen betrachten, die Ursache eines komplexen Fehlers suchen, Abwägungen diskutieren und Codeänderungen vorbereiten. Für längere Arbeit hebt Anthropic die Planung von Aktionen, Werkzeugverwendung und Koordination von Teilaufgaben gesondert hervor. Das eignet sich für einen Ablauf, in dem zunächst Materialien untersucht, anschließend Aktionen gewählt und deren Ergebnisse geprüft werden.
Mittel zum Lesen und Bearbeiten von Dateien, zum Ausführen von Befehlen, zur Informationssuche und zur Arbeit mit der Oberfläche müssen von der Anwendung bereitgestellt werden. Das Modell überlegt, was zu tun ist, und formuliert Aufrufe verfügbarer Werkzeuge; die tatsächliche Ausführung hängt von der angebundenen Umgebung ab. Ebenso kann die Vorbereitung einer Tabelle oder Präsentation Inhalte und Code umfassen, während die Erstellung einer fertigen Datei ein entsprechendes Werkzeug erfordert.
Opus 4.5 unterstützt extended thinking mit einem manuellen Budget budget_tokens. Bei aktiviertem Modus analysiert das Modell die Aufgabe vor der abschließenden Antwort. Bei entsprechender Anwendungsunterstützung kann es auch zwischen Werkzeugaufrufen Reasoning durchführen und die erhaltenen Ergebnisse vor der nächsten Aktion berücksichtigen.
Wenn die Methode die Einstellungen unterstützt, beginnt das manuelle Budget budget_tokens bei 1024 Tokens und muss normalerweise kleiner als max_tokens sein. Für Reasoning zwischen Werkzeugen gibt es eine Ausnahme: Das Budget darf max_tokens überschreiten, weil es mehrere Analyseblöcke innerhalb eines Gesprächsschritts umfasst. Diese Ausnahme erfordert die Unterstützung des entsprechenden Modus in der Anwendung.
Der Parameter effort steuert den allgemeinen Ausarbeitungsgrad: Verfügbar sind low, medium und high, die Standardstufe ist high. Er wirkt sowohl mit aktiviertem Reasoning als auch ohne. Reasoning-Budget und Analyseaufwand erfüllen unterschiedliche Funktionen: Ersteres steuert den Umfang der internen Analyse, Letzteres beeinflusst die Arbeit an der Antwort insgesamt. Ein adaptiver Modus ist bei dieser Version nicht vorhanden.
Als Eingabe dienen Text und Bilder, als Ausgabe erstellt das Modell Text. Der Kontext umfasst 200 Tausend Tokens, die maximale Antwortlänge 64 Tausend Tokens. Große Materialsammlungen lassen sich für Forschung, Dokumentanalyse und Entwicklung verwenden; das Ergebnis muss jedoch in die Grenzen dieser konkreten Version passen.
Formate für gewöhnliche visuelle Eingaben beim Hersteller: JPEG/PNG/GIF/WebP, bei Animationen das erste Bild. Bei nativer Analyse beträgt die lange Seite 1568 Pixel, entsprechend 1568 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Die Unterstützung von Dateien und Parametern hängt von der Methode der Anwendung ab.
Die verlässliche Wissensgrenze liegt bei Mai 2025. Für aktuelle Informationen sind bereitgestellte Materialien oder Werkzeuge der Anwendung erforderlich. Anthropic trainierte das Modell darauf, bösartigen Anweisungen in fremden Inhalten zu widerstehen. Das schließt fehlerhafte Schlussfolgerungen jedoch nicht aus: Plan, Änderungen und Schlussfolgerungen müssen in der tatsächlichen Aufgabe geprüft werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits anthropic/claude-opus-4.5 | 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 $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Token Ausgabe · Ausgabetoken $0.05 / 1K Token Eingabe · Cache-Lesen $0.001 / 1K Token Eingabe · Cache-Schreiben $0.0125 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde $0.02 / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "anthropic/claude-opus-4.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'anthropic/claude-opus-4.5', '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': 'anthropic/claude-opus-4.5', '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 claude-opus-4-5
Ailoot Ultra anthropic/claude-opus-4.5
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Choose a safe invoice migration order\n\nOur invoice service has old readers that require customer_name. New writers will add customer_id, and historical invoices must remain readable during rollout. Propose a migration sequence covering schema expansion, backfill, mixed-version operation and removal of the old field. Identify the rollback point at each stage and the evidence required before advancing.A staged migration table with compatibility conditions, rollback actions and advancement checks.No stage removes customer_name while an old reader can still depend on it.