GPT-5.6 Sol ist OpenAIs Flaggschiffmodell innerhalb der GPT-5.6-Familie für komplexe fachliche Aufgaben. Es entspricht der Hauptmodellstufe früherer GPT-5-Familien und bleibt zugleich eine eigenständig benannte Edition. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Analysen, Code, Dokumente und strukturierte Erkenntnisse. Sein Standardprofil ist von Sols Pro-Reasoning-Ausführung getrennt.
Definieren Sie das Ergebnis, die relevanten Quellen und die Bedingungen, die ein Ergebnis erfüllen muss. Stellen Sie für Softwareaufgaben die relevanten Dateien oder Auszüge, das beobachtete Verhalten, das erwartete Verhalten und die Bedingungen bereit. Benennen Sie für fachliche Analysen die Entscheidung, Vergleichskriterien und Belege. Eine beispielhafte Anweisung lautet: „Vergleichen Sie diese Ansätze mit der Spezifikation, ermitteln Sie die Abhängigkeiten und erstellen Sie eine Empfehlung; nennen Sie zu jeder Erkenntnis die stützende Bedingung aus der Quelle.“
Wenn Bilder Belege enthalten, kennzeichnen Sie sie und benennen Sie das zu analysierende Diagramm, Schaubild oder Oberflächenelement. Fordern Sie, dass die Antwort das beobachtete Detail von der Interpretation trennt. Benennen Sie für Schreib- oder Überarbeitungsaufgaben die vorgesehene Leserschaft und die zu bewahrenden Fakten sowie das Endergebnis und seine erforderliche Struktur.
Der Hersteller unterstützt den Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Standard-Reasoning-Modus ist voreingestellt; Pro bedeutet zusätzliche Modellarbeit bei schwierigen Aufgaben. Diese Steuerungen sind unabhängig, sodass der Aufwand allein weder das benannte Modell ändert noch Pro zu einer neuen Basisedition macht.
Das GPT-5.6-Reasoning-Profil sieht standardmäßig vor, verfügbares Reasoning früherer Gesprächszüge in den nächsten Schritt zu übernehmen; für unterstützte Arbeitsabläufe steht eine Kontexteinstellung zur Verfügung. Halten Sie akzeptierte Anforderungen und Beobachtungen während des Gesprächs klar erkennbar und bewahren Sie die Unterscheidung zwischen einer Zwischenidee und einer endgültigen Erkenntnis. Beibehaltenes Material beansprucht weiterhin Kontextplatz.
Sols Karte nennt ein Kontextfenster von 1.050.000 Token, bis zu 922.000 Eingabetoken und bis zu 128.000 Ausgabetoken; der Wissensstand ist der 16. Februar 2026. Das Reasoning beansprucht Antwortplatz, auch wenn es nicht als endgültige Antwort angezeigt wird. Lassen Sie Raum für Werkzeugergebnisse und das abgeschlossene Endergebnis und prüfen Sie eine Antwort, die ihr Budget erreicht, bevor Sie sie verwenden.
Ordnen Sie lange Dokumente und Code anhand der tatsächlichen Frage. Bewahren Sie Quellenbezeichnungen und relevante Grenzen, damit eine Schlussfolgerung das Material benennen kann, auf dem sie beruht. Stellen Sie für aktuelle Fakten maßgebliche Textstellen oder geeignete Abfragewerkzeuge bereit, statt sich auf das Trainingswissen zum Wissensstichtag zu verlassen.
OpenAI nennt Structured Outputs, Streaming und Funktionsaufrufe. Die dokumentierten Werkzeuge umfassen Web- und Dateisuche, Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Die Anwendung stellt ihre Vorgänge bereit und führt sie aus und liefert Beobachtungen für den nächsten Modellschritt zurück. Die eigene Ausgabe des Modells bleibt Text, während von Werkzeugen erzeugte Medien oder Aktionen eigene Ergebnisse haben.
Geben Sie Funktionen konkrete Zwecke und Schemas vor. Definieren Sie für einen Datensatz die Bedeutung der Felder und Regeln für fehlende Werte. Prüfen Sie Werte anhand der Quellen und Code anhand des angeforderten Verhaltens. Eine nützliche Übergabe stellt Ergebnis, Belege und offene Bedingungen klar dar; ein vorgeschlagener Vorgang oder Prüfbefehl ist von tatsächlich ausgeführter Arbeit zu unterscheiden.
GPT-5.6 Sol ist von Terra, Luna und nachfolgenden GPT-6-Modellen zu unterscheiden; OpenAIs Alias gpt-5.6 verweist auf Sol. Bewahren Sie dieses Profil, wenn die Aufgabe von seinem Wissensstand, seinen Reasoning-Steuerungen oder seinen Kontextgrenzen abhängt.
", "aboutText": "GPT-5.6 Sol ist OpenAIs Flaggschiffmodell innerhalb der GPT-5.6-Familie für komplexe fachliche Aufgaben. Es entspricht der Hauptmodellstufe früherer GPT-5-Familien und bleibt zugleich eine eigenständig benannte Edition. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Analysen, Code, Dokumente und strukturierte Erkenntnisse. Sein Standardprofil ist von Sols Pro-Reasoning-Ausführung getrennt.\n\n### Anspruchsvolle Aufgaben vorbereiten\n\nDefinieren Sie das Ergebnis, die relevanten Quellen und die Bedingungen, die ein Ergebnis erfüllen muss. Stellen Sie für Softwareaufgaben die relevanten Dateien oder Auszüge, das beobachtete Verhalten, das erwartete Verhalten und die Bedingungen bereit. Benennen Sie für fachliche Analysen die Entscheidung, Vergleichskriterien und Belege. Eine beispielhafte Anweisung lautet: „Vergleichen Sie diese Ansätze mit der Spezifikation, ermitteln Sie die Abhängigkeiten und erstellen Sie eine Empfehlung; nennen Sie zu jeder Erkenntnis die stützende Bedingung aus der Quelle.“\n\nWenn Bilder Belege enthalten, kennzeichnen Sie sie und benennen Sie das zu analysierende Diagramm, Schaubild oder Oberflächenelement. Fordern Sie, dass die Antwort das beobachtete Detail von der Interpretation trennt. Benennen Sie für Schreib- oder Überarbeitungsaufgaben die vorgesehene Leserschaft und die zu bewahrenden Fakten sowie das Endergebnis und seine erforderliche Struktur.\n\n### Aufwand, Ausführung und fortlaufender Kontext\n\nDer Hersteller unterstützt den Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Standard-Reasoning-Modus ist voreingestellt; Pro bedeutet zusätzliche Modellarbeit bei schwierigen Aufgaben. Diese Steuerungen sind unabhängig, sodass der Aufwand allein weder das benannte Modell ändert noch Pro zu einer neuen Basisedition macht.\n\nDas GPT-5.6-Reasoning-Profil sieht standardmäßig vor, verfügbares Reasoning früherer Gesprächszüge in den nächsten Schritt zu übernehmen; für unterstützte Arbeitsabläufe steht eine Kontexteinstellung zur Verfügung. Halten Sie akzeptierte Anforderungen und Beobachtungen während des Gesprächs klar erkennbar und bewahren Sie die Unterscheidung zwischen einer Zwischenidee und einer endgültigen Erkenntnis. Beibehaltenes Material beansprucht weiterhin Kontextplatz.\n\n### Grenzen und Quellenvorbereitung\n\nSols Karte nennt ein Kontextfenster von 1.050.000 Token, bis zu 922.000 Eingabetoken und bis zu 128.000 Ausgabetoken; der Wissensstand ist der 16. Februar 2026. Das Reasoning beansprucht Antwortplatz, auch wenn es nicht als endgültige Antwort angezeigt wird. Lassen Sie Raum für Werkzeugergebnisse und das abgeschlossene Endergebnis und prüfen Sie eine Antwort, die ihr Budget erreicht, bevor Sie sie verwenden.\n\nOrdnen Sie lange Dokumente und Code anhand der tatsächlichen Frage. Bewahren Sie Quellenbezeichnungen und relevante Grenzen, damit eine Schlussfolgerung das Material benennen kann, auf dem sie beruht. Stellen Sie für aktuelle Fakten maßgebliche Textstellen oder geeignete Abfragewerkzeuge bereit, statt sich auf das Trainingswissen zum Wissensstichtag zu verlassen.\n\n### Werkzeuge und Ausgaben\n\nOpenAI nennt Structured Outputs, Streaming und Funktionsaufrufe. Die dokumentierten Werkzeuge umfassen Web- und Dateisuche, Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Die Anwendung stellt ihre Vorgänge bereit und führt sie aus und liefert Beobachtungen für den nächsten Modellschritt zurück. Die eigene Ausgabe des Modells bleibt Text, während von Werkzeugen erzeugte Medien oder Aktionen eigene Ergebnisse haben.\n\nGeben Sie Funktionen konkrete Zwecke und Schemas vor. Definieren Sie für einen Datensatz die Bedeutung der Felder und Regeln für fehlende Werte. Prüfen Sie Werte anhand der Quellen und Code anhand des angeforderten Verhaltens. Eine nützliche Übergabe stellt Ergebnis, Belege und offene Bedingungen klar dar; ein vorgeschlagener Vorgang oder Prüfbefehl ist von tatsächlich ausgeführter Arbeit zu unterscheiden.\n\nGPT-5.6 Sol ist von Terra, Luna und nachfolgenden GPT-6-Modellen zu unterscheiden; OpenAIs Alias gpt-5.6 verweist auf Sol. Bewahren Sie dieses Profil, wenn die Aufgabe von seinem Wissensstand, seinen Reasoning-Steuerungen oder seinen Kontextgrenzen abhängt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "715c8164a908dc4854ed90755720fdb58f31af0d36d52662bc877edcfb1d8ceb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "openai/gpt-5.6-sol:batchGPT-5.6 Sol ist OpenAIs Flaggschiffmodell der GPT-5.6-Familie für komplexe fachliche Aufgaben. Es verbindet Text- und Bildverständnis, konfigurierbares Reasoning und Werkzeuge mit einem Kontextfenster von 1.050.000 Token, um Code, Analysen und quellenbelegte Dokumente zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5.6 Sol ist OpenAIs Flaggschiffmodell innerhalb der GPT-5.6-Familie für komplexe fachliche Aufgaben. Es entspricht der Hauptmodellstufe früherer GPT-5-Familien und bleibt zugleich eine eigenständig benannte Edition. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Analysen, Code, Dokumente und strukturierte Erkenntnisse. Sein Standardprofil ist von Sols Pro-Reasoning-Ausführung getrennt.
Definieren Sie das Ergebnis, die relevanten Quellen und die Bedingungen, die ein Ergebnis erfüllen muss. Stellen Sie für Softwareaufgaben die relevanten Dateien oder Auszüge, das beobachtete Verhalten, das erwartete Verhalten und die Bedingungen bereit. Benennen Sie für fachliche Analysen die Entscheidung, Vergleichskriterien und Belege. Eine beispielhafte Anweisung lautet: „Vergleichen Sie diese Ansätze mit der Spezifikation, ermitteln Sie die Abhängigkeiten und erstellen Sie eine Empfehlung; nennen Sie zu jeder Erkenntnis die stützende Bedingung aus der Quelle.“
Wenn Bilder Belege enthalten, kennzeichnen Sie sie und benennen Sie das zu analysierende Diagramm, Schaubild oder Oberflächenelement. Fordern Sie, dass die Antwort das beobachtete Detail von der Interpretation trennt. Benennen Sie für Schreib- oder Überarbeitungsaufgaben die vorgesehene Leserschaft und die zu bewahrenden Fakten sowie das Endergebnis und seine erforderliche Struktur.
Der Hersteller unterstützt den Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Der Standard-Reasoning-Modus ist voreingestellt; Pro bedeutet zusätzliche Modellarbeit bei schwierigen Aufgaben. Diese Steuerungen sind unabhängig, sodass der Aufwand allein weder das benannte Modell ändert noch Pro zu einer neuen Basisedition macht.
Das GPT-5.6-Reasoning-Profil sieht standardmäßig vor, verfügbares Reasoning früherer Gesprächszüge in den nächsten Schritt zu übernehmen; für unterstützte Arbeitsabläufe steht eine Kontexteinstellung zur Verfügung. Halten Sie akzeptierte Anforderungen und Beobachtungen während des Gesprächs klar erkennbar und bewahren Sie die Unterscheidung zwischen einer Zwischenidee und einer endgültigen Erkenntnis. Beibehaltenes Material beansprucht weiterhin Kontextplatz.
Sols Karte nennt ein Kontextfenster von 1.050.000 Token, bis zu 922.000 Eingabetoken und bis zu 128.000 Ausgabetoken; der Wissensstand ist der 16. Februar 2026. Das Reasoning beansprucht Antwortplatz, auch wenn es nicht als endgültige Antwort angezeigt wird. Lassen Sie Raum für Werkzeugergebnisse und das abgeschlossene Endergebnis und prüfen Sie eine Antwort, die ihr Budget erreicht, bevor Sie sie verwenden.
Ordnen Sie lange Dokumente und Code anhand der tatsächlichen Frage. Bewahren Sie Quellenbezeichnungen und relevante Grenzen, damit eine Schlussfolgerung das Material benennen kann, auf dem sie beruht. Stellen Sie für aktuelle Fakten maßgebliche Textstellen oder geeignete Abfragewerkzeuge bereit, statt sich auf das Trainingswissen zum Wissensstichtag zu verlassen.
OpenAI nennt Structured Outputs, Streaming und Funktionsaufrufe. Die dokumentierten Werkzeuge umfassen Web- und Dateisuche, Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Die Anwendung stellt ihre Vorgänge bereit und führt sie aus und liefert Beobachtungen für den nächsten Modellschritt zurück. Die eigene Ausgabe des Modells bleibt Text, während von Werkzeugen erzeugte Medien oder Aktionen eigene Ergebnisse haben.
Geben Sie Funktionen konkrete Zwecke und Schemas vor. Definieren Sie für einen Datensatz die Bedeutung der Felder und Regeln für fehlende Werte. Prüfen Sie Werte anhand der Quellen und Code anhand des angeforderten Verhaltens. Eine nützliche Übergabe stellt Ergebnis, Belege und offene Bedingungen klar dar; ein vorgeschlagener Vorgang oder Prüfbefehl ist von tatsächlich ausgeführter Arbeit zu unterscheiden.
GPT-5.6 Sol ist von Terra, Luna und nachfolgenden GPT-6-Modellen zu unterscheiden; OpenAIs Alias gpt-5.6 verweist auf Sol. Bewahren Sie dieses Profil, wenn die Aufgabe von seinem Wissensstand, seinen Reasoning-Steuerungen oder seinen Kontextgrenzen abhängt.
POST /v1/batchestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldendpoint | Typstring | AnforderungErforderlich | Werte und Limits /v1/chat/completions | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5.6-sol:batch | Standard— |
Feldrequests | Typbatch_item[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldrequests[].custom_id | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldrequests[].body.messages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldcompletion_window | Typstring | AnforderungOptional | Werte und Limits 24h | Standard— |
Feldprovider | Typobject|null | AnforderungOptional | Werte und Limits | Standard— |
Feldrequests[].body.model | Typstring | AnforderungOptional | Werte und Limits openai/gpt-5.6-sol:batch, openai/gpt-5.6-sol | Standard— |
Feldprovider.only | Typstring[] | AnforderungOptional | Werte und Limits openai | Standard— |
Feldprovider.allow_fallbacks | Typboolean|null | AnforderungOptional | Werte und Limits false, null | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragendpoint, model, requests |
Parametermaterial_types | Vertragtext |
Parameterrepresentation | Vertrageingebettete requests[]; jedes Element enthält custom_id und body |
Parameterrequest_endpoint_profile | Vertrag/v1/chat/completions |
Parameterfile_material | VertragDer Aufrufer kann tatsächliches UTF-8-JSONL lokal in requests[] einlesen. Es werden weder ein Upload-Zweck noch input_file_id oder eine Dateireferenz verwendet. Fehlendes oder leeres Kundenmaterial stoppt die Vorbereitung vor POST. |
Parameterserialization_order | Vertragendpoint, model, provider (falls angegeben), completion_window (falls angegeben), requests als letztes Feld |
Parameteroptional_controls | Vertragprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | VertragAnfragekörper für Text Chat Completions in der dokumentierten Inline-Batch-Struktur. |
Lebenszyklus: asynchronous
GET /v1/batches/{operation_id} · die tatsächliche response.id der ursprünglichen Erstellungsantwort; derselbe Nutzer/Schlüssel/dieselbe Gruppe
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 $0.002 / 1K Token Ausgabe · Ausgabetoken $0.01 / 1K Token Eingabe · Cache-Lesen $0.0002 / 1K Token Eingabe · Cache-Schreiben $0.0025 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272.000 | Gebühr Eingabe · Eingabetoken $0.002 / 1K Token Ausgabe · Ausgabetoken $0.01 / 1K Token Eingabe · Cache-Lesen $0.0002 / 1K Token Eingabe · Cache-Schreiben $0.0025 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.015 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-5.6-sol:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-5.6-sol:batch', 'openai/gpt-5.6-sol']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-sol:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\neingebettetes JSON unter results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige ursprüngliche Status-JSON, jedes Ergebnis/jede custom_id und den vollständigen Antwort- oder Fehlerkörper aufbewahren. Abgeschlossene results[] ohne Filterung als JSONL speichern.
Die ursprüngliche Vorgangs-ID beibehalten. Bei 503 result_pending_check gilt X-Should-Retry:false; einen ursprünglichen Batch mit unbekanntem Ausgang niemals erneut einreichen.
| Feld | Typ |
|---|---|
Feldresults[].custom_id | Typstring |
Feldresults[].response.body.choices[].message.content | Typstring|null |
Feldresults[].error | Typobject|null |
Feldusage | Typobject|null |
Feldid | Typstring |
Feldmodel | Typstring |
Feldendpoint | Typstring |
Feldstatus | Typstring |
Feldrequest_counts | Typobject |
Feldresults[].id | Typstring |
Feldresults[].response.status_code | Typinteger |
Feldresults[].response.request_id | Typstring |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültige Struktur der dokumentierten Inline-Einbettung, doppelte Schlüssel, ungültige Identitätsangaben zu einem Element oder ein Konflikt mit den konfigurierten Modellfähigkeiten. | Nächster SchrittDie angegebenen Felder vor jeder neuen Einreichung korrigieren. |
Antwort401 · authentication_error | BedingungUngültiger API-Schlüssel. | Nächster SchrittDen autorisierten Ailoot-Schlüssel verwenden. |
Antwort403 · permission_error | BedingungGruppe für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Berechtigung des Schlüssels bzw. der Gruppe prüfen. |
Antwort422 · invalid_request_error | BedingungStapelverarbeitung wird über das Guthaben abgerechnet; die Erstellung über ein Abonnement wird abgelehnt. | Nächster SchrittDie autorisierte Gruppe mit Guthabenabrechnung verwenden. |
Antwort422 · price_unavailable | BedingungFür die Batch-Eingabe kann kein Preisangebot erstellt werden. | Nächster SchrittAntwort aufbewahren; die dokumentierte Eingabe der API-Familie verwenden. |
Antwort402 · billing_error | BedingungReservierung für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Zulassung klären, bevor eine neue Anfrage gestellt wird. |
Antwort503 · price_unavailable | BedingungMethodenpreis bzw. native Tarife für Stapelverarbeitung nicht verfügbar. | Nächster SchrittAntwort aufbewahren; keine anderen Preise einsetzen. |
Antwort503 · api_error | BedingungDie genaue Anbieterroute ist nicht verfügbar. | Nächster SchrittAntwort zur Reparatur der Route aufbewahren. |
Antwort503 · result_pending_check | BedingungDas ursprüngliche Ergebnis muss geprüft werden; X-Should-Retry:false. | Nächster SchrittDie ursprüngliche operation_id/id beibehalten und ihren Status lesen; den ursprünglichen POST niemals wiederholen. |
Antwort404 · not_found | BedingungDer Batch-Vorgang, dessen Status abgefragt wird, ist nicht vorhanden oder gehört einer anderen Identität. | Nächster SchrittDie genaue ursprüngliche id und denselben Nutzer/Schlüssel/dieselbe Gruppe verwenden. |
Ailoot Ultra openai/gpt-5.6-sol:batch
Verwenden Sie die oben angezeigten Methodenpfade.