GPT-4o ist ein vielseitiges OpenAI-Modell, das Text und Bilder entgegennimmt und Text erzeugt. Eine Anfrage kann schriftliche Anweisungen mit visuellen Belegen verbinden. So kann ein Assistent Fragen zu einem Screenshot beantworten, beschriftete Bilder vergleichen oder Informationen aus einem Dokumentauszug erklären. Das Modell unterstützt außerdem strukturierte Antworten und Funktionsaufrufe in den dokumentierten Herstellerschnittstellen.
Kennzeichnen Sie jedes Bild und erklären Sie, welche Entscheidung die Antwort unterstützen soll. Eine Screenshotprüfung kann nach dem sichtbaren Zustand, der Fehlermeldung und der nächsten diagnostischen Frage verlangen. Ein Vergleich kann die zu prüfenden Merkmale benennen und eine separate Beobachtung pro Bild fordern. Ergänzen Sie schriftlichen Kontext, wenn das Bild allein die Aufgabe nicht erklärt.
Wählen Sie bei Material mit Prosa und Bildern die relevanten Passagen und Bilder aus und benennen Sie die verbindende Frage. Verlangen Sie, dass das Modell zwischen direkt Sichtbarem in der Quelle und daraus abgeleiteten Interpretationen unterscheidet. Erhalten Sie Seiten- oder Bildkennzeichnungen in der Antwort, damit eine prüfende Person zum stützenden Material zurückkehren kann.
Eine Inhaltsaufgabe kann die Zielgruppe, die zu vermittelnden Informationen und das gewünschte Ergebnis vorgeben: eine Erklärung, eine Kundenantwort, eine überarbeitete Passage oder eine kurze Unterrichtung. Nennen Sie die zu erhaltenden Fakten und die zur Leserschaft passende Länge. Benennen Sie bei einer Überarbeitung bestehender Inhalte, ob die Änderung Wortlaut, Aufbau oder fehlenden Kontext betrifft.
Stellen Sie für Codearbeit den relevanten Auszug bereit und nennen Sie seine Rolle im Projekt sowie das erwartete Verhalten. Verlangen Sie eine gezielte Erklärung oder einen Vorschlag mit Beispielen, die das Ergebnis prüfbar machen. Der zurückgegebene Code kann anschließend in der Zielumgebung geprüft und ausgeführt werden.
OpenAI dokumentiert Structured Outputs für GPT-4o. Definieren Sie die Felder, ihre Typen und die Darstellung fehlender Informationen. Eine visuelle Extraktion kann eine Bezeichnung, einen lesbaren Wert und die stützende Bildkennung verlangen. Validieren Sie die Struktur und vergleichen Sie den extrahierten Inhalt mit der Quelle, bevor Sie ihn im nächsten Schritt verwenden.
Funktionsaufrufe geben einer Anwendung eine vom Modell ausgewählte Anfrage an eine von ihr bereitgestellte Funktion. Die Anwendung führt die Operation aus und liefert ihr Ergebnis. Das Modell kann diese zurückgegebenen Belege anschließend in seiner Antwort verwenden. Erhalten Sie die Unterscheidung zwischen einer vorgeschlagenen Aktion und dem aufgezeichneten Ergebnis.
Der Hersteller nennt für den dokumentierten Snapshot ein Kontextfenster von 128.000 Token und eine maximale Ausgabe von 16.384 Token. Planen Sie eine lange Aufgabe anhand des relevanten Ausgangsmaterials und der benötigten Antwort. GPT-4o hat separat benannte Snapshots. Ein Ablauf mit exakter Versionsbindung sollte die angeforderte Modellidentität zusammen mit Prompt und Ergebnis aufbewahren.
", "aboutText": "GPT-4o ist ein vielseitiges OpenAI-Modell, das Text und Bilder entgegennimmt und Text erzeugt. Eine Anfrage kann schriftliche Anweisungen mit visuellen Belegen verbinden. So kann ein Assistent Fragen zu einem Screenshot beantworten, beschriftete Bilder vergleichen oder Informationen aus einem Dokumentauszug erklären. Das Modell unterstützt außerdem strukturierte Antworten und Funktionsaufrufe in den dokumentierten Herstellerschnittstellen.\n\n### Text mit visuellen Belegen verbinden\n\nKennzeichnen Sie jedes Bild und erklären Sie, welche Entscheidung die Antwort unterstützen soll. Eine Screenshotprüfung kann nach dem sichtbaren Zustand, der Fehlermeldung und der nächsten diagnostischen Frage verlangen. Ein Vergleich kann die zu prüfenden Merkmale benennen und eine separate Beobachtung pro Bild fordern. Ergänzen Sie schriftlichen Kontext, wenn das Bild allein die Aufgabe nicht erklärt.\n\nWählen Sie bei Material mit Prosa und Bildern die relevanten Passagen und Bilder aus und benennen Sie die verbindende Frage. Verlangen Sie, dass das Modell zwischen direkt Sichtbarem in der Quelle und daraus abgeleiteten Interpretationen unterscheidet. Erhalten Sie Seiten- oder Bildkennzeichnungen in der Antwort, damit eine prüfende Person zum stützenden Material zurückkehren kann.\n\n### Entwerfen, erklären und überarbeiten\n\nEine Inhaltsaufgabe kann die Zielgruppe, die zu vermittelnden Informationen und das gewünschte Ergebnis vorgeben: eine Erklärung, eine Kundenantwort, eine überarbeitete Passage oder eine kurze Unterrichtung. Nennen Sie die zu erhaltenden Fakten und die zur Leserschaft passende Länge. Benennen Sie bei einer Überarbeitung bestehender Inhalte, ob die Änderung Wortlaut, Aufbau oder fehlenden Kontext betrifft.\n\nStellen Sie für Codearbeit den relevanten Auszug bereit und nennen Sie seine Rolle im Projekt sowie das erwartete Verhalten. Verlangen Sie eine gezielte Erklärung oder einen Vorschlag mit Beispielen, die das Ergebnis prüfbar machen. Der zurückgegebene Code kann anschließend in der Zielumgebung geprüft und ausgeführt werden.\n\n### Ein Ergebnis für den nächsten Schritt zurückgeben\n\nOpenAI dokumentiert Structured Outputs für GPT-4o. Definieren Sie die Felder, ihre Typen und die Darstellung fehlender Informationen. Eine visuelle Extraktion kann eine Bezeichnung, einen lesbaren Wert und die stützende Bildkennung verlangen. Validieren Sie die Struktur und vergleichen Sie den extrahierten Inhalt mit der Quelle, bevor Sie ihn im nächsten Schritt verwenden.\n\nFunktionsaufrufe geben einer Anwendung eine vom Modell ausgewählte Anfrage an eine von ihr bereitgestellte Funktion. Die Anwendung führt die Operation aus und liefert ihr Ergebnis. Das Modell kann diese zurückgegebenen Belege anschließend in seiner Antwort verwenden. Erhalten Sie die Unterscheidung zwischen einer vorgeschlagenen Aktion und dem aufgezeichneten Ergebnis.\n\nDer Hersteller nennt für den dokumentierten Snapshot ein Kontextfenster von 128.000 Token und eine maximale Ausgabe von 16.384 Token. Planen Sie eine lange Aufgabe anhand des relevanten Ausgangsmaterials und der benötigten Antwort. GPT-4o hat separat benannte Snapshots. Ein Ablauf mit exakter Versionsbindung sollte die angeforderte Modellidentität zusammen mit Prompt und Ergebnis aufbewahren.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Rewrite a returns instruction\n\nRewrite this internal note as customer instructions: "Get RA first. Send back only unopened units. Include packing slip. Photos needed if seal arrived broken." Explain RA as "return authorization" on first use. Use a short numbered list, preserve the broken-seal condition and avoid adding deadlines, fees or eligibility exceptions.A customer-facing numbered instruction list with the acronym explained and the photo condition preserved.Check that photos are conditional on a seal arriving broken rather than required for every return.gpt-4oGPT-4o ist OpenAIs Modell für Text- und Bildverständnis mit Textausgabe. Es kann Passagen und visuelle Belege in derselben Aufgabe verarbeiten, um Material zu erklären, Inhalte zu entwerfen oder strukturierte Felder zurückzugeben. Für Anwendungsabläufe sind Funktionsaufrufe dokumentiert.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-4o ist ein vielseitiges OpenAI-Modell, das Text und Bilder entgegennimmt und Text erzeugt. Eine Anfrage kann schriftliche Anweisungen mit visuellen Belegen verbinden. So kann ein Assistent Fragen zu einem Screenshot beantworten, beschriftete Bilder vergleichen oder Informationen aus einem Dokumentauszug erklären. Das Modell unterstützt außerdem strukturierte Antworten und Funktionsaufrufe in den dokumentierten Herstellerschnittstellen.
Kennzeichnen Sie jedes Bild und erklären Sie, welche Entscheidung die Antwort unterstützen soll. Eine Screenshotprüfung kann nach dem sichtbaren Zustand, der Fehlermeldung und der nächsten diagnostischen Frage verlangen. Ein Vergleich kann die zu prüfenden Merkmale benennen und eine separate Beobachtung pro Bild fordern. Ergänzen Sie schriftlichen Kontext, wenn das Bild allein die Aufgabe nicht erklärt.
Wählen Sie bei Material mit Prosa und Bildern die relevanten Passagen und Bilder aus und benennen Sie die verbindende Frage. Verlangen Sie, dass das Modell zwischen direkt Sichtbarem in der Quelle und daraus abgeleiteten Interpretationen unterscheidet. Erhalten Sie Seiten- oder Bildkennzeichnungen in der Antwort, damit eine prüfende Person zum stützenden Material zurückkehren kann.
Eine Inhaltsaufgabe kann die Zielgruppe, die zu vermittelnden Informationen und das gewünschte Ergebnis vorgeben: eine Erklärung, eine Kundenantwort, eine überarbeitete Passage oder eine kurze Unterrichtung. Nennen Sie die zu erhaltenden Fakten und die zur Leserschaft passende Länge. Benennen Sie bei einer Überarbeitung bestehender Inhalte, ob die Änderung Wortlaut, Aufbau oder fehlenden Kontext betrifft.
Stellen Sie für Codearbeit den relevanten Auszug bereit und nennen Sie seine Rolle im Projekt sowie das erwartete Verhalten. Verlangen Sie eine gezielte Erklärung oder einen Vorschlag mit Beispielen, die das Ergebnis prüfbar machen. Der zurückgegebene Code kann anschließend in der Zielumgebung geprüft und ausgeführt werden.
OpenAI dokumentiert Structured Outputs für GPT-4o. Definieren Sie die Felder, ihre Typen und die Darstellung fehlender Informationen. Eine visuelle Extraktion kann eine Bezeichnung, einen lesbaren Wert und die stützende Bildkennung verlangen. Validieren Sie die Struktur und vergleichen Sie den extrahierten Inhalt mit der Quelle, bevor Sie ihn im nächsten Schritt verwenden.
Funktionsaufrufe geben einer Anwendung eine vom Modell ausgewählte Anfrage an eine von ihr bereitgestellte Funktion. Die Anwendung führt die Operation aus und liefert ihr Ergebnis. Das Modell kann diese zurückgegebenen Belege anschließend in seiner Antwort verwenden. Erhalten Sie die Unterscheidung zwischen einer vorgeschlagenen Aktion und dem aufgezeichneten Ergebnis.
Der Hersteller nennt für den dokumentierten Snapshot ein Kontextfenster von 128.000 Token und eine maximale Ausgabe von 16.384 Token. Planen Sie eine lange Aufgabe anhand des relevanten Ausgangsmaterials und der benötigten Antwort. GPT-4o hat separat benannte Snapshots. Ein Ablauf mit exakter Versionsbindung sollte die angeforderte Modellidentität zusammen mit Prompt und Ergebnis aufbewahren.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-4o | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-4o","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gpt-4o", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra gpt-4o, openai/gpt-4o
/chat/completions
gpt-4oGPT-4o ist OpenAIs Modell für Text- und Bildverständnis mit Textausgabe. Es kann Passagen und visuelle Belege in derselben Aufgabe verarbeiten, um Material zu erklären, Inhalte zu entwerfen oder strukturierte Felder zurückzugeben. Für Anwendungsabläufe sind Funktionsaufrufe dokumentiert.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-4o ist ein vielseitiges OpenAI-Modell, das Text und Bilder entgegennimmt und Text erzeugt. Eine Anfrage kann schriftliche Anweisungen mit visuellen Belegen verbinden. So kann ein Assistent Fragen zu einem Screenshot beantworten, beschriftete Bilder vergleichen oder Informationen aus einem Dokumentauszug erklären. Das Modell unterstützt außerdem strukturierte Antworten und Funktionsaufrufe in den dokumentierten Herstellerschnittstellen.
Kennzeichnen Sie jedes Bild und erklären Sie, welche Entscheidung die Antwort unterstützen soll. Eine Screenshotprüfung kann nach dem sichtbaren Zustand, der Fehlermeldung und der nächsten diagnostischen Frage verlangen. Ein Vergleich kann die zu prüfenden Merkmale benennen und eine separate Beobachtung pro Bild fordern. Ergänzen Sie schriftlichen Kontext, wenn das Bild allein die Aufgabe nicht erklärt.
Wählen Sie bei Material mit Prosa und Bildern die relevanten Passagen und Bilder aus und benennen Sie die verbindende Frage. Verlangen Sie, dass das Modell zwischen direkt Sichtbarem in der Quelle und daraus abgeleiteten Interpretationen unterscheidet. Erhalten Sie Seiten- oder Bildkennzeichnungen in der Antwort, damit eine prüfende Person zum stützenden Material zurückkehren kann.
Eine Inhaltsaufgabe kann die Zielgruppe, die zu vermittelnden Informationen und das gewünschte Ergebnis vorgeben: eine Erklärung, eine Kundenantwort, eine überarbeitete Passage oder eine kurze Unterrichtung. Nennen Sie die zu erhaltenden Fakten und die zur Leserschaft passende Länge. Benennen Sie bei einer Überarbeitung bestehender Inhalte, ob die Änderung Wortlaut, Aufbau oder fehlenden Kontext betrifft.
Stellen Sie für Codearbeit den relevanten Auszug bereit und nennen Sie seine Rolle im Projekt sowie das erwartete Verhalten. Verlangen Sie eine gezielte Erklärung oder einen Vorschlag mit Beispielen, die das Ergebnis prüfbar machen. Der zurückgegebene Code kann anschließend in der Zielumgebung geprüft und ausgeführt werden.
OpenAI dokumentiert Structured Outputs für GPT-4o. Definieren Sie die Felder, ihre Typen und die Darstellung fehlender Informationen. Eine visuelle Extraktion kann eine Bezeichnung, einen lesbaren Wert und die stützende Bildkennung verlangen. Validieren Sie die Struktur und vergleichen Sie den extrahierten Inhalt mit der Quelle, bevor Sie ihn im nächsten Schritt verwenden.
Funktionsaufrufe geben einer Anwendung eine vom Modell ausgewählte Anfrage an eine von ihr bereitgestellte Funktion. Die Anwendung führt die Operation aus und liefert ihr Ergebnis. Das Modell kann diese zurückgegebenen Belege anschließend in seiner Antwort verwenden. Erhalten Sie die Unterscheidung zwischen einer vorgeschlagenen Aktion und dem aufgezeichneten Ergebnis.
Der Hersteller nennt für den dokumentierten Snapshot ein Kontextfenster von 128.000 Token und eine maximale Ausgabe von 16.384 Token. Planen Sie eine lange Aufgabe anhand des relevanten Ausgangsmaterials und der benötigten Antwort. GPT-4o hat separat benannte Snapshots. Ein Ablauf mit exakter Versionsbindung sollte die angeforderte Modellidentität zusammen mit Prompt und Ergebnis aufbewahren.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-4o | 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-4o",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4o', '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-4o', '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-4o, openai/gpt-4o
/chat/completions
openai/gpt-4oGPT-4o ist OpenAIs Modell für Text- und Bildverständnis mit Textausgabe. Es kann Passagen und visuelle Belege in derselben Aufgabe verarbeiten, um Material zu erklären, Inhalte zu entwerfen oder strukturierte Felder zurückzugeben. Für Anwendungsabläufe sind Funktionsaufrufe dokumentiert.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-4o ist ein vielseitiges OpenAI-Modell, das Text und Bilder entgegennimmt und Text erzeugt. Eine Anfrage kann schriftliche Anweisungen mit visuellen Belegen verbinden. So kann ein Assistent Fragen zu einem Screenshot beantworten, beschriftete Bilder vergleichen oder Informationen aus einem Dokumentauszug erklären. Das Modell unterstützt außerdem strukturierte Antworten und Funktionsaufrufe in den dokumentierten Herstellerschnittstellen.
Kennzeichnen Sie jedes Bild und erklären Sie, welche Entscheidung die Antwort unterstützen soll. Eine Screenshotprüfung kann nach dem sichtbaren Zustand, der Fehlermeldung und der nächsten diagnostischen Frage verlangen. Ein Vergleich kann die zu prüfenden Merkmale benennen und eine separate Beobachtung pro Bild fordern. Ergänzen Sie schriftlichen Kontext, wenn das Bild allein die Aufgabe nicht erklärt.
Wählen Sie bei Material mit Prosa und Bildern die relevanten Passagen und Bilder aus und benennen Sie die verbindende Frage. Verlangen Sie, dass das Modell zwischen direkt Sichtbarem in der Quelle und daraus abgeleiteten Interpretationen unterscheidet. Erhalten Sie Seiten- oder Bildkennzeichnungen in der Antwort, damit eine prüfende Person zum stützenden Material zurückkehren kann.
Eine Inhaltsaufgabe kann die Zielgruppe, die zu vermittelnden Informationen und das gewünschte Ergebnis vorgeben: eine Erklärung, eine Kundenantwort, eine überarbeitete Passage oder eine kurze Unterrichtung. Nennen Sie die zu erhaltenden Fakten und die zur Leserschaft passende Länge. Benennen Sie bei einer Überarbeitung bestehender Inhalte, ob die Änderung Wortlaut, Aufbau oder fehlenden Kontext betrifft.
Stellen Sie für Codearbeit den relevanten Auszug bereit und nennen Sie seine Rolle im Projekt sowie das erwartete Verhalten. Verlangen Sie eine gezielte Erklärung oder einen Vorschlag mit Beispielen, die das Ergebnis prüfbar machen. Der zurückgegebene Code kann anschließend in der Zielumgebung geprüft und ausgeführt werden.
OpenAI dokumentiert Structured Outputs für GPT-4o. Definieren Sie die Felder, ihre Typen und die Darstellung fehlender Informationen. Eine visuelle Extraktion kann eine Bezeichnung, einen lesbaren Wert und die stützende Bildkennung verlangen. Validieren Sie die Struktur und vergleichen Sie den extrahierten Inhalt mit der Quelle, bevor Sie ihn im nächsten Schritt verwenden.
Funktionsaufrufe geben einer Anwendung eine vom Modell ausgewählte Anfrage an eine von ihr bereitgestellte Funktion. Die Anwendung führt die Operation aus und liefert ihr Ergebnis. Das Modell kann diese zurückgegebenen Belege anschließend in seiner Antwort verwenden. Erhalten Sie die Unterscheidung zwischen einer vorgeschlagenen Aktion und dem aufgezeichneten Ergebnis.
Der Hersteller nennt für den dokumentierten Snapshot ein Kontextfenster von 128.000 Token und eine maximale Ausgabe von 16.384 Token. Planen Sie eine lange Aufgabe anhand des relevanten Ausgangsmaterials und der benötigten Antwort. GPT-4o hat separat benannte Snapshots. Ein Ablauf mit exakter Versionsbindung sollte die angeforderte Modellidentität zusammen mit Prompt und Ergebnis aufbewahren.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-4o | 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-4o", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-4o',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-4o',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-4o, openai/gpt-4o
/chat/completions
openai/gpt-4oGPT-4o ist OpenAIs Modell für Text- und Bildverständnis mit Textausgabe. Es kann Passagen und visuelle Belege in derselben Aufgabe verarbeiten, um Material zu erklären, Inhalte zu entwerfen oder strukturierte Felder zurückzugeben. Für Anwendungsabläufe sind Funktionsaufrufe dokumentiert.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-4o ist ein vielseitiges OpenAI-Modell, das Text und Bilder entgegennimmt und Text erzeugt. Eine Anfrage kann schriftliche Anweisungen mit visuellen Belegen verbinden. So kann ein Assistent Fragen zu einem Screenshot beantworten, beschriftete Bilder vergleichen oder Informationen aus einem Dokumentauszug erklären. Das Modell unterstützt außerdem strukturierte Antworten und Funktionsaufrufe in den dokumentierten Herstellerschnittstellen.
Kennzeichnen Sie jedes Bild und erklären Sie, welche Entscheidung die Antwort unterstützen soll. Eine Screenshotprüfung kann nach dem sichtbaren Zustand, der Fehlermeldung und der nächsten diagnostischen Frage verlangen. Ein Vergleich kann die zu prüfenden Merkmale benennen und eine separate Beobachtung pro Bild fordern. Ergänzen Sie schriftlichen Kontext, wenn das Bild allein die Aufgabe nicht erklärt.
Wählen Sie bei Material mit Prosa und Bildern die relevanten Passagen und Bilder aus und benennen Sie die verbindende Frage. Verlangen Sie, dass das Modell zwischen direkt Sichtbarem in der Quelle und daraus abgeleiteten Interpretationen unterscheidet. Erhalten Sie Seiten- oder Bildkennzeichnungen in der Antwort, damit eine prüfende Person zum stützenden Material zurückkehren kann.
Eine Inhaltsaufgabe kann die Zielgruppe, die zu vermittelnden Informationen und das gewünschte Ergebnis vorgeben: eine Erklärung, eine Kundenantwort, eine überarbeitete Passage oder eine kurze Unterrichtung. Nennen Sie die zu erhaltenden Fakten und die zur Leserschaft passende Länge. Benennen Sie bei einer Überarbeitung bestehender Inhalte, ob die Änderung Wortlaut, Aufbau oder fehlenden Kontext betrifft.
Stellen Sie für Codearbeit den relevanten Auszug bereit und nennen Sie seine Rolle im Projekt sowie das erwartete Verhalten. Verlangen Sie eine gezielte Erklärung oder einen Vorschlag mit Beispielen, die das Ergebnis prüfbar machen. Der zurückgegebene Code kann anschließend in der Zielumgebung geprüft und ausgeführt werden.
OpenAI dokumentiert Structured Outputs für GPT-4o. Definieren Sie die Felder, ihre Typen und die Darstellung fehlender Informationen. Eine visuelle Extraktion kann eine Bezeichnung, einen lesbaren Wert und die stützende Bildkennung verlangen. Validieren Sie die Struktur und vergleichen Sie den extrahierten Inhalt mit der Quelle, bevor Sie ihn im nächsten Schritt verwenden.
Funktionsaufrufe geben einer Anwendung eine vom Modell ausgewählte Anfrage an eine von ihr bereitgestellte Funktion. Die Anwendung führt die Operation aus und liefert ihr Ergebnis. Das Modell kann diese zurückgegebenen Belege anschließend in seiner Antwort verwenden. Erhalten Sie die Unterscheidung zwischen einer vorgeschlagenen Aktion und dem aufgezeichneten Ergebnis.
Der Hersteller nennt für den dokumentierten Snapshot ein Kontextfenster von 128.000 Token und eine maximale Ausgabe von 16.384 Token. Planen Sie eine lange Aufgabe anhand des relevanten Ausgangsmaterials und der benötigten Antwort. GPT-4o hat separat benannte Snapshots. Ein Ablauf mit exakter Versionsbindung sollte die angeforderte Modellidentität zusammen mit Prompt und Ergebnis aufbewahren.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-4o | 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.005 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0025 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-4o",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-4o', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-4o', '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-4o, openai/gpt-4o
/chat/completions
Technisches Beispiel auf Englisch
Rewrite a returns instruction\n\nRewrite this internal note as customer instructions: "Get RA first. Send back only unopened units. Include packing slip. Photos needed if seal arrived broken." Explain RA as "return authorization" on first use. Use a short numbered list, preserve the broken-seal condition and avoid adding deadlines, fees or eligibility exceptions.A customer-facing numbered instruction list with the acronym explained and the photo condition preserved.Check that photos are conditional on a seal arriving broken rather than required for every return.