GPT-5.4 nano ist OpenAIs kompaktes Modell der GPT-5.4-Klasse für einfache Aufgaben mit hohem Aufkommen. Der Hersteller hebt Klassifikation, Datenextraktion, Rangfolgen und unterstützende Subagentenaufgaben hervor. Es nimmt Text und Bilder entgegen und erzeugt Text. Damit hat nano eine klar umrissene Rolle in einem größeren Prozess: einen definierten Vorgang abschließen und die Informationen zurückgeben, die der nächste Schritt benötigt.
Geben Sie für eine Klassifikation die zulässigen Kategorien, die sie trennende Regel und das erwartete Ergebnisformat an. Eine beispielhafte Aufgabe besteht darin, das Thema einer Anfrage zu bestimmen und die Fakten zu benennen, die die Kategorie rechtfertigen. Geben Sie Beispiele an, wenn sie eine schwierige Grenze verdeutlichen, und legen Sie fest, wie eine Anfrage dargestellt werden soll, die in keine der verfügbaren Kategorien passt. Ein nützliches Ergebnis ist die Kategorie mit einer kurzen Begründung anhand des bereitgestellten Materials.
Legen Sie für eine Extraktion die Felder und ihre Definitionen fest, statt nach jedem möglicherweise interessanten Detail zu fragen. Sie können schriftliches Material oder das Bild einer Seite bereitstellen und die benötigten Werte benennen. Bewahren Sie Namen und Einheiten, die die Bedeutung beeinflussen, und unterscheiden Sie ein fehlendes Feld von einem aus dem umgebenden Text abgeleiteten Wert. Stellen Sie für eine Rangfolge die Kandidaten und das Kriterium bereit und fordern Sie die geordnete Liste mit den relevanten Belegen für jede Position an.
OpenAIs GPT-5.4 nano-Spezifikation nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Es unterstützt den Reasoning-Aufwand none, low, medium, high und xhigh; none ist der Standardwert. Der ausgewählte Aufwand und die angeforderte Antwortlänge sollten zur Aufgabe passen. Wenn Reasoning verwendet wird, lassen Sie Raum für die Analyse und das sichtbare Ergebnis.
Der Hersteller dokumentiert die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Dateieingaben, Bildeingaben und Prompt-Caching. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills und MCP-Verbindungen. Eine Anwendung stellt ihre Vorgänge bereit und liefert deren tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die Form der Ausgabe; eine Funktionsanforderung beschreibt eine von einem Werkzeug auszuführende Handlung.
Geben Sie nano in einem mehrstufigen Arbeitsablauf eine begrenzte unterstützende Aufgabe und ein klares Abschlusskriterium. Extrahieren Sie zum Beispiel die erforderlichen Fakten aus mehreren Nachrichten und geben Sie diese Fakten anschließend für eine umfassendere Entscheidung an die nächste Stufe weiter. Prüfen Sie die zurückgegebenen Felder anhand der ursprünglichen Eingabe und präzisieren Sie die Regel, wenn eine Kategoriegrenze unklar ist. Eine knappe Kategorie, eine Zusammenstellung von Werten, eine Rangliste oder vorgeschlagene Werkzeugargumente sind ein nützliches Endergebnis, wenn ihr Zweck und ihre Quellenbelege ausdrücklich erkennbar bleiben.
", "aboutText": "GPT-5.4 nano ist OpenAIs kompaktes Modell der GPT-5.4-Klasse für einfache Aufgaben mit hohem Aufkommen. Der Hersteller hebt Klassifikation, Datenextraktion, Rangfolgen und unterstützende Subagentenaufgaben hervor. Es nimmt Text und Bilder entgegen und erzeugt Text. Damit hat nano eine klar umrissene Rolle in einem größeren Prozess: einen definierten Vorgang abschließen und die Informationen zurückgeben, die der nächste Schritt benötigt.\n\nGeben Sie für eine Klassifikation die zulässigen Kategorien, die sie trennende Regel und das erwartete Ergebnisformat an. Eine beispielhafte Aufgabe besteht darin, das Thema einer Anfrage zu bestimmen und die Fakten zu benennen, die die Kategorie rechtfertigen. Geben Sie Beispiele an, wenn sie eine schwierige Grenze verdeutlichen, und legen Sie fest, wie eine Anfrage dargestellt werden soll, die in keine der verfügbaren Kategorien passt. Ein nützliches Ergebnis ist die Kategorie mit einer kurzen Begründung anhand des bereitgestellten Materials.\n\nLegen Sie für eine Extraktion die Felder und ihre Definitionen fest, statt nach jedem möglicherweise interessanten Detail zu fragen. Sie können schriftliches Material oder das Bild einer Seite bereitstellen und die benötigten Werte benennen. Bewahren Sie Namen und Einheiten, die die Bedeutung beeinflussen, und unterscheiden Sie ein fehlendes Feld von einem aus dem umgebenden Text abgeleiteten Wert. Stellen Sie für eine Rangfolge die Kandidaten und das Kriterium bereit und fordern Sie die geordnete Liste mit den relevanten Belegen für jede Position an.\n\nOpenAIs GPT-5.4 nano-Spezifikation nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Es unterstützt den Reasoning-Aufwand none, low, medium, high und xhigh; none ist der Standardwert. Der ausgewählte Aufwand und die angeforderte Antwortlänge sollten zur Aufgabe passen. Wenn Reasoning verwendet wird, lassen Sie Raum für die Analyse und das sichtbare Ergebnis.\n\nDer Hersteller dokumentiert die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Dateieingaben, Bildeingaben und Prompt-Caching. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills und MCP-Verbindungen. Eine Anwendung stellt ihre Vorgänge bereit und liefert deren tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die Form der Ausgabe; eine Funktionsanforderung beschreibt eine von einem Werkzeug auszuführende Handlung.\n\nGeben Sie nano in einem mehrstufigen Arbeitsablauf eine begrenzte unterstützende Aufgabe und ein klares Abschlusskriterium. Extrahieren Sie zum Beispiel die erforderlichen Fakten aus mehreren Nachrichten und geben Sie diese Fakten anschließend für eine umfassendere Entscheidung an die nächste Stufe weiter. Prüfen Sie die zurückgegebenen Felder anhand der ursprünglichen Eingabe und präzisieren Sie die Regel, wenn eine Kategoriegrenze unklar ist. Eine knappe Kategorie, eine Zusammenstellung von Werten, eine Rangliste oder vorgeschlagene Werkzeugargumente sind ein nützliches Endergebnis, wenn ihr Zweck und ihre Quellenbelege ausdrücklich erkennbar bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract facts from a delivery request\n\nExtract only the required facts from this message: 'Order K92 arrived with one cracked cup out of six. Please replace that cup; weekday delivery is best. I have not sent a photograph yet.' Return order_reference, affected_quantity, total_quantity, requested_action and missing_evidence. Keep quantities numeric and do not infer a delivery address or replacement approval.A compact extraction record containing the five requested fields, with no unrelated summary.The record separates one affected cup from six total cups and marks the photograph as not yet supplied.gpt-5.4-nanoEin kompaktes GPT-5.4-Modell für Klassifikation, Datenextraktion, Rangfolgen und einfachere unterstützende Agentenaufgaben. Es nimmt Text und Bilder entgegen und liefert Text; Structured Outputs und Funktionsaufrufe gehören zum dokumentierten Funktionsumfang des Herstellers.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.4 nano ist OpenAIs kompaktes Modell der GPT-5.4-Klasse für einfache Aufgaben mit hohem Aufkommen. Der Hersteller hebt Klassifikation, Datenextraktion, Rangfolgen und unterstützende Subagentenaufgaben hervor. Es nimmt Text und Bilder entgegen und erzeugt Text. Damit hat nano eine klar umrissene Rolle in einem größeren Prozess: einen definierten Vorgang abschließen und die Informationen zurückgeben, die der nächste Schritt benötigt.
Geben Sie für eine Klassifikation die zulässigen Kategorien, die sie trennende Regel und das erwartete Ergebnisformat an. Eine beispielhafte Aufgabe besteht darin, das Thema einer Anfrage zu bestimmen und die Fakten zu benennen, die die Kategorie rechtfertigen. Geben Sie Beispiele an, wenn sie eine schwierige Grenze verdeutlichen, und legen Sie fest, wie eine Anfrage dargestellt werden soll, die in keine der verfügbaren Kategorien passt. Ein nützliches Ergebnis ist die Kategorie mit einer kurzen Begründung anhand des bereitgestellten Materials.
Legen Sie für eine Extraktion die Felder und ihre Definitionen fest, statt nach jedem möglicherweise interessanten Detail zu fragen. Sie können schriftliches Material oder das Bild einer Seite bereitstellen und die benötigten Werte benennen. Bewahren Sie Namen und Einheiten, die die Bedeutung beeinflussen, und unterscheiden Sie ein fehlendes Feld von einem aus dem umgebenden Text abgeleiteten Wert. Stellen Sie für eine Rangfolge die Kandidaten und das Kriterium bereit und fordern Sie die geordnete Liste mit den relevanten Belegen für jede Position an.
OpenAIs GPT-5.4 nano-Spezifikation nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Es unterstützt den Reasoning-Aufwand none, low, medium, high und xhigh; none ist der Standardwert. Der ausgewählte Aufwand und die angeforderte Antwortlänge sollten zur Aufgabe passen. Wenn Reasoning verwendet wird, lassen Sie Raum für die Analyse und das sichtbare Ergebnis.
Der Hersteller dokumentiert die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Dateieingaben, Bildeingaben und Prompt-Caching. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills und MCP-Verbindungen. Eine Anwendung stellt ihre Vorgänge bereit und liefert deren tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die Form der Ausgabe; eine Funktionsanforderung beschreibt eine von einem Werkzeug auszuführende Handlung.
Geben Sie nano in einem mehrstufigen Arbeitsablauf eine begrenzte unterstützende Aufgabe und ein klares Abschlusskriterium. Extrahieren Sie zum Beispiel die erforderlichen Fakten aus mehreren Nachrichten und geben Sie diese Fakten anschließend für eine umfassendere Entscheidung an die nächste Stufe weiter. Prüfen Sie die zurückgegebenen Felder anhand der ursprünglichen Eingabe und präzisieren Sie die Regel, wenn eine Kategoriegrenze unklar ist. Eine knappe Kategorie, eine Zusammenstellung von Werten, eine Rangliste oder vorgeschlagene Werkzeugargumente sind ein nützliches Endergebnis, wenn ihr Zweck und ihre Quellenbelege ausdrücklich erkennbar bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5.4-nano | 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 $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0025 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0025 / 1K Token Eingabe · Cache-Lesen $0.00004 / 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-5.4-nano","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-5.4-nano", 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-5.4-nano, openai/gpt-5.4-nano
/chat/completions
gpt-5.4-nanoEin kompaktes GPT-5.4-Modell für Klassifikation, Datenextraktion, Rangfolgen und einfachere unterstützende Agentenaufgaben. Es nimmt Text und Bilder entgegen und liefert Text; Structured Outputs und Funktionsaufrufe gehören zum dokumentierten Funktionsumfang des Herstellers.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.4 nano ist OpenAIs kompaktes Modell der GPT-5.4-Klasse für einfache Aufgaben mit hohem Aufkommen. Der Hersteller hebt Klassifikation, Datenextraktion, Rangfolgen und unterstützende Subagentenaufgaben hervor. Es nimmt Text und Bilder entgegen und erzeugt Text. Damit hat nano eine klar umrissene Rolle in einem größeren Prozess: einen definierten Vorgang abschließen und die Informationen zurückgeben, die der nächste Schritt benötigt.
Geben Sie für eine Klassifikation die zulässigen Kategorien, die sie trennende Regel und das erwartete Ergebnisformat an. Eine beispielhafte Aufgabe besteht darin, das Thema einer Anfrage zu bestimmen und die Fakten zu benennen, die die Kategorie rechtfertigen. Geben Sie Beispiele an, wenn sie eine schwierige Grenze verdeutlichen, und legen Sie fest, wie eine Anfrage dargestellt werden soll, die in keine der verfügbaren Kategorien passt. Ein nützliches Ergebnis ist die Kategorie mit einer kurzen Begründung anhand des bereitgestellten Materials.
Legen Sie für eine Extraktion die Felder und ihre Definitionen fest, statt nach jedem möglicherweise interessanten Detail zu fragen. Sie können schriftliches Material oder das Bild einer Seite bereitstellen und die benötigten Werte benennen. Bewahren Sie Namen und Einheiten, die die Bedeutung beeinflussen, und unterscheiden Sie ein fehlendes Feld von einem aus dem umgebenden Text abgeleiteten Wert. Stellen Sie für eine Rangfolge die Kandidaten und das Kriterium bereit und fordern Sie die geordnete Liste mit den relevanten Belegen für jede Position an.
OpenAIs GPT-5.4 nano-Spezifikation nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Es unterstützt den Reasoning-Aufwand none, low, medium, high und xhigh; none ist der Standardwert. Der ausgewählte Aufwand und die angeforderte Antwortlänge sollten zur Aufgabe passen. Wenn Reasoning verwendet wird, lassen Sie Raum für die Analyse und das sichtbare Ergebnis.
Der Hersteller dokumentiert die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Dateieingaben, Bildeingaben und Prompt-Caching. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills und MCP-Verbindungen. Eine Anwendung stellt ihre Vorgänge bereit und liefert deren tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die Form der Ausgabe; eine Funktionsanforderung beschreibt eine von einem Werkzeug auszuführende Handlung.
Geben Sie nano in einem mehrstufigen Arbeitsablauf eine begrenzte unterstützende Aufgabe und ein klares Abschlusskriterium. Extrahieren Sie zum Beispiel die erforderlichen Fakten aus mehreren Nachrichten und geben Sie diese Fakten anschließend für eine umfassendere Entscheidung an die nächste Stufe weiter. Prüfen Sie die zurückgegebenen Felder anhand der ursprünglichen Eingabe und präzisieren Sie die Regel, wenn eine Kategoriegrenze unklar ist. Eine knappe Kategorie, eine Zusammenstellung von Werten, eine Rangliste oder vorgeschlagene Werkzeugargumente sind ein nützliches Endergebnis, wenn ihr Zweck und ihre Quellenbelege ausdrücklich erkennbar bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5.4-nano | 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 $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0025 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0025 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-5.4-nano",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.4-nano', '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-5.4-nano', '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-5.4-nano, openai/gpt-5.4-nano
/chat/completions
openai/gpt-5.4-nanoEin kompaktes GPT-5.4-Modell für Klassifikation, Datenextraktion, Rangfolgen und einfachere unterstützende Agentenaufgaben. Es nimmt Text und Bilder entgegen und liefert Text; Structured Outputs und Funktionsaufrufe gehören zum dokumentierten Funktionsumfang des Herstellers.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.4 nano ist OpenAIs kompaktes Modell der GPT-5.4-Klasse für einfache Aufgaben mit hohem Aufkommen. Der Hersteller hebt Klassifikation, Datenextraktion, Rangfolgen und unterstützende Subagentenaufgaben hervor. Es nimmt Text und Bilder entgegen und erzeugt Text. Damit hat nano eine klar umrissene Rolle in einem größeren Prozess: einen definierten Vorgang abschließen und die Informationen zurückgeben, die der nächste Schritt benötigt.
Geben Sie für eine Klassifikation die zulässigen Kategorien, die sie trennende Regel und das erwartete Ergebnisformat an. Eine beispielhafte Aufgabe besteht darin, das Thema einer Anfrage zu bestimmen und die Fakten zu benennen, die die Kategorie rechtfertigen. Geben Sie Beispiele an, wenn sie eine schwierige Grenze verdeutlichen, und legen Sie fest, wie eine Anfrage dargestellt werden soll, die in keine der verfügbaren Kategorien passt. Ein nützliches Ergebnis ist die Kategorie mit einer kurzen Begründung anhand des bereitgestellten Materials.
Legen Sie für eine Extraktion die Felder und ihre Definitionen fest, statt nach jedem möglicherweise interessanten Detail zu fragen. Sie können schriftliches Material oder das Bild einer Seite bereitstellen und die benötigten Werte benennen. Bewahren Sie Namen und Einheiten, die die Bedeutung beeinflussen, und unterscheiden Sie ein fehlendes Feld von einem aus dem umgebenden Text abgeleiteten Wert. Stellen Sie für eine Rangfolge die Kandidaten und das Kriterium bereit und fordern Sie die geordnete Liste mit den relevanten Belegen für jede Position an.
OpenAIs GPT-5.4 nano-Spezifikation nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Es unterstützt den Reasoning-Aufwand none, low, medium, high und xhigh; none ist der Standardwert. Der ausgewählte Aufwand und die angeforderte Antwortlänge sollten zur Aufgabe passen. Wenn Reasoning verwendet wird, lassen Sie Raum für die Analyse und das sichtbare Ergebnis.
Der Hersteller dokumentiert die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Dateieingaben, Bildeingaben und Prompt-Caching. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills und MCP-Verbindungen. Eine Anwendung stellt ihre Vorgänge bereit und liefert deren tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die Form der Ausgabe; eine Funktionsanforderung beschreibt eine von einem Werkzeug auszuführende Handlung.
Geben Sie nano in einem mehrstufigen Arbeitsablauf eine begrenzte unterstützende Aufgabe und ein klares Abschlusskriterium. Extrahieren Sie zum Beispiel die erforderlichen Fakten aus mehreren Nachrichten und geben Sie diese Fakten anschließend für eine umfassendere Entscheidung an die nächste Stufe weiter. Prüfen Sie die zurückgegebenen Felder anhand der ursprünglichen Eingabe und präzisieren Sie die Regel, wenn eine Kategoriegrenze unklar ist. Eine knappe Kategorie, eine Zusammenstellung von Werten, eine Rangliste oder vorgeschlagene Werkzeugargumente sind ein nützliches Endergebnis, wenn ihr Zweck und ihre Quellenbelege ausdrücklich erkennbar bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.4-nano | 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 $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0025 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0025 / 1K Token Eingabe · Cache-Lesen $0.00004 / 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": "openai/gpt-5.4-nano", "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-5.4-nano',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-5.4-nano',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-5.4-nano, openai/gpt-5.4-nano
/chat/completions
openai/gpt-5.4-nanoEin kompaktes GPT-5.4-Modell für Klassifikation, Datenextraktion, Rangfolgen und einfachere unterstützende Agentenaufgaben. Es nimmt Text und Bilder entgegen und liefert Text; Structured Outputs und Funktionsaufrufe gehören zum dokumentierten Funktionsumfang des Herstellers.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.4 nano ist OpenAIs kompaktes Modell der GPT-5.4-Klasse für einfache Aufgaben mit hohem Aufkommen. Der Hersteller hebt Klassifikation, Datenextraktion, Rangfolgen und unterstützende Subagentenaufgaben hervor. Es nimmt Text und Bilder entgegen und erzeugt Text. Damit hat nano eine klar umrissene Rolle in einem größeren Prozess: einen definierten Vorgang abschließen und die Informationen zurückgeben, die der nächste Schritt benötigt.
Geben Sie für eine Klassifikation die zulässigen Kategorien, die sie trennende Regel und das erwartete Ergebnisformat an. Eine beispielhafte Aufgabe besteht darin, das Thema einer Anfrage zu bestimmen und die Fakten zu benennen, die die Kategorie rechtfertigen. Geben Sie Beispiele an, wenn sie eine schwierige Grenze verdeutlichen, und legen Sie fest, wie eine Anfrage dargestellt werden soll, die in keine der verfügbaren Kategorien passt. Ein nützliches Ergebnis ist die Kategorie mit einer kurzen Begründung anhand des bereitgestellten Materials.
Legen Sie für eine Extraktion die Felder und ihre Definitionen fest, statt nach jedem möglicherweise interessanten Detail zu fragen. Sie können schriftliches Material oder das Bild einer Seite bereitstellen und die benötigten Werte benennen. Bewahren Sie Namen und Einheiten, die die Bedeutung beeinflussen, und unterscheiden Sie ein fehlendes Feld von einem aus dem umgebenden Text abgeleiteten Wert. Stellen Sie für eine Rangfolge die Kandidaten und das Kriterium bereit und fordern Sie die geordnete Liste mit den relevanten Belegen für jede Position an.
OpenAIs GPT-5.4 nano-Spezifikation nennt ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token; der Wissensstand ist der 31. August 2025. Es unterstützt den Reasoning-Aufwand none, low, medium, high und xhigh; none ist der Standardwert. Der ausgewählte Aufwand und die angeforderte Antwortlänge sollten zur Aufgabe passen. Wenn Reasoning verwendet wird, lassen Sie Raum für die Analyse und das sichtbare Ergebnis.
Der Hersteller dokumentiert die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Web- und Dateisuche, Dateieingaben, Bildeingaben und Prompt-Caching. Seine Werkzeuge umfassen Bilderzeugung, Codeinterpretation, gehostete Shell- und Patch-Vorgänge, Skills und MCP-Verbindungen. Eine Anwendung stellt ihre Vorgänge bereit und liefert deren tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die Form der Ausgabe; eine Funktionsanforderung beschreibt eine von einem Werkzeug auszuführende Handlung.
Geben Sie nano in einem mehrstufigen Arbeitsablauf eine begrenzte unterstützende Aufgabe und ein klares Abschlusskriterium. Extrahieren Sie zum Beispiel die erforderlichen Fakten aus mehreren Nachrichten und geben Sie diese Fakten anschließend für eine umfassendere Entscheidung an die nächste Stufe weiter. Prüfen Sie die zurückgegebenen Felder anhand der ursprünglichen Eingabe und präzisieren Sie die Regel, wenn eine Kategoriegrenze unklar ist. Eine knappe Kategorie, eine Zusammenstellung von Werten, eine Rangliste oder vorgeschlagene Werkzeugargumente sind ein nützliches Endergebnis, wenn ihr Zweck und ihre Quellenbelege ausdrücklich erkennbar bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.4-nano | 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 $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0025 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0025 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-5.4-nano",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.4-nano', '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-5.4-nano', '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-5.4-nano, openai/gpt-5.4-nano
/chat/completions
Technisches Beispiel auf Englisch
Extract facts from a delivery request\n\nExtract only the required facts from this message: 'Order K92 arrived with one cracked cup out of six. Please replace that cup; weekday delivery is best. I have not sent a photograph yet.' Return order_reference, affected_quantity, total_quantity, requested_action and missing_evidence. Keep quantities numeric and do not infer a delivery address or replacement approval.A compact extraction record containing the five requested fields, with no unrelated summary.The record separates one affected cup from six total cups and marks the photograph as not yet supplied.