GPT-4 Turbo Preview 1106 ist OpenAIs erste benannte Textedition von GPT-4 Turbo Preview. Sie führt ein Kontextfenster von 128K, verbessertes Befolgen von Anweisungen, einen JSON-Modus und Neuerungen bei Funktionsaufrufen ein, darunter Anfragen für mehrere Funktionen in einer Nachricht. Die nutzbare Ausgabe ist eine Textantwort, ein Codevorschlag oder ein strukturierter Anwendungsdatensatz auf Grundlage des bereitgestellten Materials. Dieses Profil 1106 ist von Vision Preview und der späteren Aktualisierung 0125 getrennt.
Die Einführung nennt ein Kontextfenster von 128K und Wissen über das Weltgeschehen bis April 2023. Geben Sie neuere Belege vor, wenn die Aufgabe von aktuellen Informationen abhängt. Ein größerer Kontext kann zusammengehörige Quelldokumente oder Code aufnehmen; der Prompt muss dennoch festlegen, was das Modell damit tun soll. Benennen Sie die Frage, das maßgebliche Material und die erwartete Form der Antwort.
Kennzeichnen Sie für einen Dokumentvergleich die Versionen und verlangen Sie die geänderten Bedingungen samt den sie belegenden Passagen. Fügen Sie für eine Programmieraufgabe vorhandenes Verhalten, gewünschte Änderung und relevante Schnittstellenbedingungen bei. Ein hilfreiches Ergebnis kann ein gezielter Patch oder die Erklärung eines Fehlers mit dem konkreten Fall sein, der ihn sichtbar macht. Lassen Sie sachfremdes Material weg, damit sich das Modell auf die Belege konzentriert, die das Ergebnis verändern.
Der Hersteller hebt die bessere Befolgung von Anweisungen hervor, die ein bestimmtes Antwortformat verlangen. Eine Anfrage kann eine geordnete Erklärung, eine Tabelle oder einen maschinenlesbaren Datensatz definieren. Benennen Sie die Felder und erklären Sie, was zurückzugeben ist, wenn die Quelle einen Wert nicht belegt. Eine beispielhafte Aufgabe zur Datensatzverarbeitung kann eine Quellenkennung, eine extrahierte Bedingung und die Passage verlangen, aus der sie entnommen wurde.
Der JSON-Modus beschränkt die Antwort im Chat-Completions-Ablauf des Herstellers auf ein syntaktisch gültiges JSON-Objekt. Gültiges JSON belegt nicht, dass der Datensatz die richtigen Felder oder korrekten Werte enthält. Halten Sie Anwendungsvalidierung und Quellenprüfung von der Formatsteuerung getrennt, besonders wenn der nächste Schritt von einer bestimmten Kennung oder einem Status abhängt. Weisen Sie das Modell bei Verwendung des JSON-Modus des Herstellers ausdrücklich an, JSON zu erzeugen, und nehmen Sie das Wort „JSON“ in das Gespräch auf. Ohne diese Anweisung kann es bis zum Tokenlimit Leerraum ausgeben; prüfen Sie, ob ein vollständiges Objekt zurückgegeben wurde. Spätere Ausgabefunktionen anderer Modelle mit erzwungenem Schema sind ein anderer Mechanismus.
Das Modell kann Argumente für anwendungsdefinierte Funktionen erzeugen. Die Veröffentlichung ergänzt die Möglichkeit, mehrere Funktionen in einer Nachricht anzufordern; dies kann eine Aufgabe mit mehr als einer Abfrage unterstützen. Beschreiben Sie Zweck und benötigte Eingaben jeder Funktion und beziehen Sie anschließend die tatsächlich zurückgegebenen Informationen in die nächste Antwort ein. Das Modell wählt die Anfrage aus und beschreibt sie; die Anwendung führt sie aus.
Für den Vergleich zweier Datensätze kann eine Funktion die tatsächlichen Details jedes Datensatzes abrufen, bevor der Assistent den Vergleich vorbereitet. Bewahren Sie die Zuordnung zwischen angefordertem Eintrag und zurückgegebenem Ergebnis. Fehlt eine Quelle oder schlägt ein Vorgang fehl, übernehmen Sie diese Bedingung in die Antwort, statt allein aus den vorgeschlagenen Argumenten einen erfolgreichen Ausgang zu verkünden.
Die Beta-Seed-Steuerung der Einführung soll meist konsistente Antworten erzeugen. Verwenden Sie sie beim Vergleich einer kleinen Prompt-Änderung mit demselben Quellmaterial und denselben übrigen Einstellungen. Sie garantiert keine Deterministik; prüfen Sie deshalb beide Antworten und bewahren Sie die Bedingungen auf, unter denen sie jeweils entstanden sind.
Die ursprüngliche Veröffentlichung trennt diese Text-Preview von GPT-4 Turbo with Vision, Bilderzeugungs- und Sprachgenerierungsmodellen. Geben Sie für dieses Profil die relevanten Informationen eines Diagramms schriftlich vor, statt die Eingabefähigkeit des Vision-Modells zu übertragen. Die spätere Preview-Aktualisierung 0125 zielt auf eine gründlichere Aufgabenerledigung und behebt einen Kodierungsfehler; die Edition 1106 liegt vor diesen Änderungen. Bewahren Sie benanntes Modell, Quellmaterial, gewünschtes Format und zurückgegebenes Ergebnis gemeinsam auf, wenn Sie ein Resultat bewerten.
", "aboutText": "GPT-4 Turbo Preview 1106 ist OpenAIs erste benannte Textedition von GPT-4 Turbo Preview. Sie führt ein Kontextfenster von 128K, verbessertes Befolgen von Anweisungen, einen JSON-Modus und Neuerungen bei Funktionsaufrufen ein, darunter Anfragen für mehrere Funktionen in einer Nachricht. Die nutzbare Ausgabe ist eine Textantwort, ein Codevorschlag oder ein strukturierter Anwendungsdatensatz auf Grundlage des bereitgestellten Materials. Dieses Profil 1106 ist von Vision Preview und der späteren Aktualisierung 0125 getrennt.\n\n### Fassen Sie zusammengehörigen Text zu einer begrenzten Aufgabe zusammen\n\nDie Einführung nennt ein Kontextfenster von 128K und Wissen über das Weltgeschehen bis April 2023. Geben Sie neuere Belege vor, wenn die Aufgabe von aktuellen Informationen abhängt. Ein größerer Kontext kann zusammengehörige Quelldokumente oder Code aufnehmen; der Prompt muss dennoch festlegen, was das Modell damit tun soll. Benennen Sie die Frage, das maßgebliche Material und die erwartete Form der Antwort.\n\nKennzeichnen Sie für einen Dokumentvergleich die Versionen und verlangen Sie die geänderten Bedingungen samt den sie belegenden Passagen. Fügen Sie für eine Programmieraufgabe vorhandenes Verhalten, gewünschte Änderung und relevante Schnittstellenbedingungen bei. Ein hilfreiches Ergebnis kann ein gezielter Patch oder die Erklärung eines Fehlers mit dem konkreten Fall sein, der ihn sichtbar macht. Lassen Sie sachfremdes Material weg, damit sich das Modell auf die Belege konzentriert, die das Ergebnis verändern.\n\n### Halten Sie ein gewünschtes Format ein\n\nDer Hersteller hebt die bessere Befolgung von Anweisungen hervor, die ein bestimmtes Antwortformat verlangen. Eine Anfrage kann eine geordnete Erklärung, eine Tabelle oder einen maschinenlesbaren Datensatz definieren. Benennen Sie die Felder und erklären Sie, was zurückzugeben ist, wenn die Quelle einen Wert nicht belegt. Eine beispielhafte Aufgabe zur Datensatzverarbeitung kann eine Quellenkennung, eine extrahierte Bedingung und die Passage verlangen, aus der sie entnommen wurde.\n\nDer JSON-Modus beschränkt die Antwort im Chat-Completions-Ablauf des Herstellers auf ein syntaktisch gültiges JSON-Objekt. Gültiges JSON belegt nicht, dass der Datensatz die richtigen Felder oder korrekten Werte enthält. Halten Sie Anwendungsvalidierung und Quellenprüfung von der Formatsteuerung getrennt, besonders wenn der nächste Schritt von einer bestimmten Kennung oder einem Status abhängt. Weisen Sie das Modell bei Verwendung des JSON-Modus des Herstellers ausdrücklich an, JSON zu erzeugen, und nehmen Sie das Wort „JSON“ in das Gespräch auf. Ohne diese Anweisung kann es bis zum Tokenlimit Leerraum ausgeben; prüfen Sie, ob ein vollständiges Objekt zurückgegeben wurde. Spätere Ausgabefunktionen anderer Modelle mit erzwungenem Schema sind ein anderer Mechanismus.\n\n### Verlangen Sie Funktionen mit hilfreichen Argumenten\n\nDas Modell kann Argumente für anwendungsdefinierte Funktionen erzeugen. Die Veröffentlichung ergänzt die Möglichkeit, mehrere Funktionen in einer Nachricht anzufordern; dies kann eine Aufgabe mit mehr als einer Abfrage unterstützen. Beschreiben Sie Zweck und benötigte Eingaben jeder Funktion und beziehen Sie anschließend die tatsächlich zurückgegebenen Informationen in die nächste Antwort ein. Das Modell wählt die Anfrage aus und beschreibt sie; die Anwendung führt sie aus.\n\nFür den Vergleich zweier Datensätze kann eine Funktion die tatsächlichen Details jedes Datensatzes abrufen, bevor der Assistent den Vergleich vorbereitet. Bewahren Sie die Zuordnung zwischen angefordertem Eintrag und zurückgegebenem Ergebnis. Fehlt eine Quelle oder schlägt ein Vorgang fehl, übernehmen Sie diese Bedingung in die Antwort, statt allein aus den vorgeschlagenen Argumenten einen erfolgreichen Ausgang zu verkünden.\n\n### Wiederholbare Experimente und die gewählte Edition\n\nDie Beta-Seed-Steuerung der Einführung soll meist konsistente Antworten erzeugen. Verwenden Sie sie beim Vergleich einer kleinen Prompt-Änderung mit demselben Quellmaterial und denselben übrigen Einstellungen. Sie garantiert keine Deterministik; prüfen Sie deshalb beide Antworten und bewahren Sie die Bedingungen auf, unter denen sie jeweils entstanden sind.\n\nDie ursprüngliche Veröffentlichung trennt diese Text-Preview von GPT-4 Turbo with Vision, Bilderzeugungs- und Sprachgenerierungsmodellen. Geben Sie für dieses Profil die relevanten Informationen eines Diagramms schriftlich vor, statt die Eingabefähigkeit des Vision-Modells zu übertragen. Die spätere Preview-Aktualisierung 0125 zielt auf eine gründlichere Aufgabenerledigung und behebt einen Kodierungsfehler; die Edition 1106 liegt vor diesen Änderungen. Bewahren Sie benanntes Modell, Quellmaterial, gewünschtes Format und zurückgegebenes Ergebnis gemeinsam auf, wenn Sie ein Resultat bewerten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.gpt-4-1106-previewGPT-4 Turbo Preview 1106 bearbeitet Text- und Codeaufgaben mit langem Kontext bei einem dokumentierten Kontextfenster von 128K. JSON-Modus und Funktionsaufrufe helfen, bereitgestelltes Material in Textantworten oder Anwendungsdatensätze umzuwandeln. Die genaue Preview-Edition bleibt von Modellen mit Bildverarbeitung und späteren Modellen getrennt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-4 Turbo Preview 1106 ist OpenAIs erste benannte Textedition von GPT-4 Turbo Preview. Sie führt ein Kontextfenster von 128K, verbessertes Befolgen von Anweisungen, einen JSON-Modus und Neuerungen bei Funktionsaufrufen ein, darunter Anfragen für mehrere Funktionen in einer Nachricht. Die nutzbare Ausgabe ist eine Textantwort, ein Codevorschlag oder ein strukturierter Anwendungsdatensatz auf Grundlage des bereitgestellten Materials. Dieses Profil 1106 ist von Vision Preview und der späteren Aktualisierung 0125 getrennt.
Die Einführung nennt ein Kontextfenster von 128K und Wissen über das Weltgeschehen bis April 2023. Geben Sie neuere Belege vor, wenn die Aufgabe von aktuellen Informationen abhängt. Ein größerer Kontext kann zusammengehörige Quelldokumente oder Code aufnehmen; der Prompt muss dennoch festlegen, was das Modell damit tun soll. Benennen Sie die Frage, das maßgebliche Material und die erwartete Form der Antwort.
Kennzeichnen Sie für einen Dokumentvergleich die Versionen und verlangen Sie die geänderten Bedingungen samt den sie belegenden Passagen. Fügen Sie für eine Programmieraufgabe vorhandenes Verhalten, gewünschte Änderung und relevante Schnittstellenbedingungen bei. Ein hilfreiches Ergebnis kann ein gezielter Patch oder die Erklärung eines Fehlers mit dem konkreten Fall sein, der ihn sichtbar macht. Lassen Sie sachfremdes Material weg, damit sich das Modell auf die Belege konzentriert, die das Ergebnis verändern.
Der Hersteller hebt die bessere Befolgung von Anweisungen hervor, die ein bestimmtes Antwortformat verlangen. Eine Anfrage kann eine geordnete Erklärung, eine Tabelle oder einen maschinenlesbaren Datensatz definieren. Benennen Sie die Felder und erklären Sie, was zurückzugeben ist, wenn die Quelle einen Wert nicht belegt. Eine beispielhafte Aufgabe zur Datensatzverarbeitung kann eine Quellenkennung, eine extrahierte Bedingung und die Passage verlangen, aus der sie entnommen wurde.
Der JSON-Modus beschränkt die Antwort im Chat-Completions-Ablauf des Herstellers auf ein syntaktisch gültiges JSON-Objekt. Gültiges JSON belegt nicht, dass der Datensatz die richtigen Felder oder korrekten Werte enthält. Halten Sie Anwendungsvalidierung und Quellenprüfung von der Formatsteuerung getrennt, besonders wenn der nächste Schritt von einer bestimmten Kennung oder einem Status abhängt. Weisen Sie das Modell bei Verwendung des JSON-Modus des Herstellers ausdrücklich an, JSON zu erzeugen, und nehmen Sie das Wort „JSON“ in das Gespräch auf. Ohne diese Anweisung kann es bis zum Tokenlimit Leerraum ausgeben; prüfen Sie, ob ein vollständiges Objekt zurückgegeben wurde. Spätere Ausgabefunktionen anderer Modelle mit erzwungenem Schema sind ein anderer Mechanismus.
Das Modell kann Argumente für anwendungsdefinierte Funktionen erzeugen. Die Veröffentlichung ergänzt die Möglichkeit, mehrere Funktionen in einer Nachricht anzufordern; dies kann eine Aufgabe mit mehr als einer Abfrage unterstützen. Beschreiben Sie Zweck und benötigte Eingaben jeder Funktion und beziehen Sie anschließend die tatsächlich zurückgegebenen Informationen in die nächste Antwort ein. Das Modell wählt die Anfrage aus und beschreibt sie; die Anwendung führt sie aus.
Für den Vergleich zweier Datensätze kann eine Funktion die tatsächlichen Details jedes Datensatzes abrufen, bevor der Assistent den Vergleich vorbereitet. Bewahren Sie die Zuordnung zwischen angefordertem Eintrag und zurückgegebenem Ergebnis. Fehlt eine Quelle oder schlägt ein Vorgang fehl, übernehmen Sie diese Bedingung in die Antwort, statt allein aus den vorgeschlagenen Argumenten einen erfolgreichen Ausgang zu verkünden.
Die Beta-Seed-Steuerung der Einführung soll meist konsistente Antworten erzeugen. Verwenden Sie sie beim Vergleich einer kleinen Prompt-Änderung mit demselben Quellmaterial und denselben übrigen Einstellungen. Sie garantiert keine Deterministik; prüfen Sie deshalb beide Antworten und bewahren Sie die Bedingungen auf, unter denen sie jeweils entstanden sind.
Die ursprüngliche Veröffentlichung trennt diese Text-Preview von GPT-4 Turbo with Vision, Bilderzeugungs- und Sprachgenerierungsmodellen. Geben Sie für dieses Profil die relevanten Informationen eines Diagramms schriftlich vor, statt die Eingabefähigkeit des Vision-Modells zu übertragen. Die spätere Preview-Aktualisierung 0125 zielt auf eine gründlichere Aufgabenerledigung und behebt einen Kodierungsfehler; die Edition 1106 liegt vor diesen Änderungen. Bewahren Sie benanntes Modell, Quellmaterial, gewünschtes Format und zurückgegebenes Ergebnis gemeinsam auf, wenn Sie ein Resultat bewerten.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-4-1106-preview | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.02 / 1K Token Ausgabe · Ausgabetoken $0.06 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-4-1106-preview", "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='gpt-4-1106-preview',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='gpt-4-1106-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gpt-4-1106-preview
Verwenden Sie die oben angezeigten Methodenpfade.
gpt-4-1106-previewGPT-4 Turbo Preview 1106 bearbeitet Text- und Codeaufgaben mit langem Kontext bei einem dokumentierten Kontextfenster von 128K. JSON-Modus und Funktionsaufrufe helfen, bereitgestelltes Material in Textantworten oder Anwendungsdatensätze umzuwandeln. Die genaue Preview-Edition bleibt von Modellen mit Bildverarbeitung und späteren Modellen getrennt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-4 Turbo Preview 1106 ist OpenAIs erste benannte Textedition von GPT-4 Turbo Preview. Sie führt ein Kontextfenster von 128K, verbessertes Befolgen von Anweisungen, einen JSON-Modus und Neuerungen bei Funktionsaufrufen ein, darunter Anfragen für mehrere Funktionen in einer Nachricht. Die nutzbare Ausgabe ist eine Textantwort, ein Codevorschlag oder ein strukturierter Anwendungsdatensatz auf Grundlage des bereitgestellten Materials. Dieses Profil 1106 ist von Vision Preview und der späteren Aktualisierung 0125 getrennt.
Die Einführung nennt ein Kontextfenster von 128K und Wissen über das Weltgeschehen bis April 2023. Geben Sie neuere Belege vor, wenn die Aufgabe von aktuellen Informationen abhängt. Ein größerer Kontext kann zusammengehörige Quelldokumente oder Code aufnehmen; der Prompt muss dennoch festlegen, was das Modell damit tun soll. Benennen Sie die Frage, das maßgebliche Material und die erwartete Form der Antwort.
Kennzeichnen Sie für einen Dokumentvergleich die Versionen und verlangen Sie die geänderten Bedingungen samt den sie belegenden Passagen. Fügen Sie für eine Programmieraufgabe vorhandenes Verhalten, gewünschte Änderung und relevante Schnittstellenbedingungen bei. Ein hilfreiches Ergebnis kann ein gezielter Patch oder die Erklärung eines Fehlers mit dem konkreten Fall sein, der ihn sichtbar macht. Lassen Sie sachfremdes Material weg, damit sich das Modell auf die Belege konzentriert, die das Ergebnis verändern.
Der Hersteller hebt die bessere Befolgung von Anweisungen hervor, die ein bestimmtes Antwortformat verlangen. Eine Anfrage kann eine geordnete Erklärung, eine Tabelle oder einen maschinenlesbaren Datensatz definieren. Benennen Sie die Felder und erklären Sie, was zurückzugeben ist, wenn die Quelle einen Wert nicht belegt. Eine beispielhafte Aufgabe zur Datensatzverarbeitung kann eine Quellenkennung, eine extrahierte Bedingung und die Passage verlangen, aus der sie entnommen wurde.
Der JSON-Modus beschränkt die Antwort im Chat-Completions-Ablauf des Herstellers auf ein syntaktisch gültiges JSON-Objekt. Gültiges JSON belegt nicht, dass der Datensatz die richtigen Felder oder korrekten Werte enthält. Halten Sie Anwendungsvalidierung und Quellenprüfung von der Formatsteuerung getrennt, besonders wenn der nächste Schritt von einer bestimmten Kennung oder einem Status abhängt. Weisen Sie das Modell bei Verwendung des JSON-Modus des Herstellers ausdrücklich an, JSON zu erzeugen, und nehmen Sie das Wort „JSON“ in das Gespräch auf. Ohne diese Anweisung kann es bis zum Tokenlimit Leerraum ausgeben; prüfen Sie, ob ein vollständiges Objekt zurückgegeben wurde. Spätere Ausgabefunktionen anderer Modelle mit erzwungenem Schema sind ein anderer Mechanismus.
Das Modell kann Argumente für anwendungsdefinierte Funktionen erzeugen. Die Veröffentlichung ergänzt die Möglichkeit, mehrere Funktionen in einer Nachricht anzufordern; dies kann eine Aufgabe mit mehr als einer Abfrage unterstützen. Beschreiben Sie Zweck und benötigte Eingaben jeder Funktion und beziehen Sie anschließend die tatsächlich zurückgegebenen Informationen in die nächste Antwort ein. Das Modell wählt die Anfrage aus und beschreibt sie; die Anwendung führt sie aus.
Für den Vergleich zweier Datensätze kann eine Funktion die tatsächlichen Details jedes Datensatzes abrufen, bevor der Assistent den Vergleich vorbereitet. Bewahren Sie die Zuordnung zwischen angefordertem Eintrag und zurückgegebenem Ergebnis. Fehlt eine Quelle oder schlägt ein Vorgang fehl, übernehmen Sie diese Bedingung in die Antwort, statt allein aus den vorgeschlagenen Argumenten einen erfolgreichen Ausgang zu verkünden.
Die Beta-Seed-Steuerung der Einführung soll meist konsistente Antworten erzeugen. Verwenden Sie sie beim Vergleich einer kleinen Prompt-Änderung mit demselben Quellmaterial und denselben übrigen Einstellungen. Sie garantiert keine Deterministik; prüfen Sie deshalb beide Antworten und bewahren Sie die Bedingungen auf, unter denen sie jeweils entstanden sind.
Die ursprüngliche Veröffentlichung trennt diese Text-Preview von GPT-4 Turbo with Vision, Bilderzeugungs- und Sprachgenerierungsmodellen. Geben Sie für dieses Profil die relevanten Informationen eines Diagramms schriftlich vor, statt die Eingabefähigkeit des Vision-Modells zu übertragen. Die spätere Preview-Aktualisierung 0125 zielt auf eine gründlichere Aufgabenerledigung und behebt einen Kodierungsfehler; die Edition 1106 liegt vor diesen Änderungen. Bewahren Sie benanntes Modell, Quellmaterial, gewünschtes Format und zurückgegebenes Ergebnis gemeinsam auf, wenn Sie ein Resultat bewerten.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-4-1106-preview | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.02 / 1K Token Ausgabe · Ausgabetoken $0.06 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-4-1106-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-4-1106-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-4-1106-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gpt-4-1106-preview
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.