GPT-5 Mini ist OpenAIs Mini-Edition der GPT-5-Reasoning-Familie. Der Hersteller beschreibt sie als Wahl für klar definierte Aufgaben mit präzisen Prompts und hohem Arbeitsvolumen. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Mini-Edition behält ihre eigene Modellidentität und Spezifikationen, statt die Grenzen von GPT-5 Pro oder eines späteren Mini-Modells zu verwenden.
Eine praktische Anwendung ist ein gezielter Dokument- oder Supportvorgang. Geben Sie Originalmaterial, anzuwendende Regeln und das erwartete Ergebnis vor. Eine beispielhafte Anfrage ist das Extrahieren einiger Pflichtfelder aus einer Nachricht und das Entwerfen einer kurzen Antwort, die fehlende Informationen erfragt. Legen Sie fest, wie ein fehlender Wert dargestellt werden soll, welche Fakten unverändert bleiben müssen und welcher Ton zum vorgesehenen Leser passt.
Benennen Sie für eine begrenzte Bearbeitung die zu ändernde Passage und den Zweck der Änderung. Geben Sie für einen Programmierschritt die relevante Quelle und das Verhalten vor, das eine vorgeschlagene Bearbeitung beeinflussen soll. Ein Screenshot oder Diagramm kann visuellen Kontext liefern; schriftliche Anweisungen benennen das relevante Detail. Eine hilfreiche Beschreibung gibt dem Modell einen Vorgang und dessen Erledigungskriterium vor, statt es den gesamten Ablauf aus der Eingabe erschließen zu lassen.
OpenAI legt für GPT-5 Mini ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token sowie einen Wissensstand bis zum 31. Mai 2024 fest. Die GPT-5-Entwicklerveröffentlichung zählt Mini zu den Modellen mit Steuerungen für Reasoning-Aufwand und Ausführlichkeit sowie benutzerdefinierten Werkzeugen. Die dokumentierten Aufwandsoptionen der Familie sind minimal, low, medium und high; die Ausführlichkeit steuert den Detailumfang der Antwort getrennt vom Reasoning.
Die genaue Mini-Modellkarte nennt die Schnittstellen Responses, Chat Completions und Batch, Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben, Bildeingaben und Web- beziehungsweise Dateisuche. Die aufgeführten Werkzeuge umfassen Funktionen, Web- und Dateisuche, Codeinterpretation und MCP-Verbindungen. Die Anwendung stellt ihre Vorgänge bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die erforderlichen Ausgabefelder; eine Funktionsanfrage schlägt einen von einem Werkzeug auszuführenden Vorgang vor.
Verwenden Sie ein endgültiges Format, das zur begrenzten Aufgabe passt: extrahierte Werte, eine überarbeitete Passage, eine knappe Antwort oder eine vorgeschlagene Codeänderung. Übernehmen Sie bei einem mehrstufigen Prozess das relevante Ergebnis in die nächste Anfrage und bewahren Sie die dafür geltenden Regeln. Prüfen Sie wichtige Aussagen anhand des Originalmaterials und machen Sie eine ungeklärte Bedingung ausdrücklich. Das entstandene Artefakt kann dann eine konkrete nächste Handlung unterstützen, ohne jeden gezielten Vorgang in ein breites Gespräch zu verwandeln.
", "aboutText": "GPT-5 Mini ist OpenAIs Mini-Edition der GPT-5-Reasoning-Familie. Der Hersteller beschreibt sie als Wahl für klar definierte Aufgaben mit präzisen Prompts und hohem Arbeitsvolumen. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Mini-Edition behält ihre eigene Modellidentität und Spezifikationen, statt die Grenzen von GPT-5 Pro oder eines späteren Mini-Modells zu verwenden.\n\nEine praktische Anwendung ist ein gezielter Dokument- oder Supportvorgang. Geben Sie Originalmaterial, anzuwendende Regeln und das erwartete Ergebnis vor. Eine beispielhafte Anfrage ist das Extrahieren einiger Pflichtfelder aus einer Nachricht und das Entwerfen einer kurzen Antwort, die fehlende Informationen erfragt. Legen Sie fest, wie ein fehlender Wert dargestellt werden soll, welche Fakten unverändert bleiben müssen und welcher Ton zum vorgesehenen Leser passt.\n\nBenennen Sie für eine begrenzte Bearbeitung die zu ändernde Passage und den Zweck der Änderung. Geben Sie für einen Programmierschritt die relevante Quelle und das Verhalten vor, das eine vorgeschlagene Bearbeitung beeinflussen soll. Ein Screenshot oder Diagramm kann visuellen Kontext liefern; schriftliche Anweisungen benennen das relevante Detail. Eine hilfreiche Beschreibung gibt dem Modell einen Vorgang und dessen Erledigungskriterium vor, statt es den gesamten Ablauf aus der Eingabe erschließen zu lassen.\n\nOpenAI legt für GPT-5 Mini ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token sowie einen Wissensstand bis zum 31. Mai 2024 fest. Die GPT-5-Entwicklerveröffentlichung zählt Mini zu den Modellen mit Steuerungen für Reasoning-Aufwand und Ausführlichkeit sowie benutzerdefinierten Werkzeugen. Die dokumentierten Aufwandsoptionen der Familie sind minimal, low, medium und high; die Ausführlichkeit steuert den Detailumfang der Antwort getrennt vom Reasoning.\n\nDie genaue Mini-Modellkarte nennt die Schnittstellen Responses, Chat Completions und Batch, Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben, Bildeingaben und Web- beziehungsweise Dateisuche. Die aufgeführten Werkzeuge umfassen Funktionen, Web- und Dateisuche, Codeinterpretation und MCP-Verbindungen. Die Anwendung stellt ihre Vorgänge bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die erforderlichen Ausgabefelder; eine Funktionsanfrage schlägt einen von einem Werkzeug auszuführenden Vorgang vor.\n\nVerwenden Sie ein endgültiges Format, das zur begrenzten Aufgabe passt: extrahierte Werte, eine überarbeitete Passage, eine knappe Antwort oder eine vorgeschlagene Codeänderung. Übernehmen Sie bei einem mehrstufigen Prozess das relevante Ergebnis in die nächste Anfrage und bewahren Sie die dafür geltenden Regeln. Prüfen Sie wichtige Aussagen anhand des Originalmaterials und machen Sie eine ungeklärte Bedingung ausdrücklich. Das entstandene Artefakt kann dann eine konkrete nächste Handlung unterstützen, ohne jeden gezielten Vorgang in ein breites Gespräch zu verwandeln.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Ask for the missing booking detail\n\nDraft a reply under 60 words using this request and rule. Request: 'Please book the smaller meeting room for our six-person planning session on Tuesday.' Rule: a booking needs a start time and duration; the smaller room seats eight. Confirm that capacity fits, then ask for only the missing booking information. Do not state that a room is reserved.One concise reply confirming suitable capacity and asking for start time and duration.The message does not request already supplied headcount or invent a booking confirmation.gpt-5-miniDie Mini-Edition von GPT-5 ist für klar umrissene Aufgaben und präzise Prompts ausgelegt. Sie nimmt Text und Bilder entgegen und gibt Text aus. Damit eignet sie sich für gezielte Datenextraktion, klar begrenzte Überarbeitungen, Supportantworten und einzelne, enger gefasste Schritte in einem Agentenablauf.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5 Mini ist OpenAIs Mini-Edition der GPT-5-Reasoning-Familie. Der Hersteller beschreibt sie als Wahl für klar definierte Aufgaben mit präzisen Prompts und hohem Arbeitsvolumen. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Mini-Edition behält ihre eigene Modellidentität und Spezifikationen, statt die Grenzen von GPT-5 Pro oder eines späteren Mini-Modells zu verwenden.
Eine praktische Anwendung ist ein gezielter Dokument- oder Supportvorgang. Geben Sie Originalmaterial, anzuwendende Regeln und das erwartete Ergebnis vor. Eine beispielhafte Anfrage ist das Extrahieren einiger Pflichtfelder aus einer Nachricht und das Entwerfen einer kurzen Antwort, die fehlende Informationen erfragt. Legen Sie fest, wie ein fehlender Wert dargestellt werden soll, welche Fakten unverändert bleiben müssen und welcher Ton zum vorgesehenen Leser passt.
Benennen Sie für eine begrenzte Bearbeitung die zu ändernde Passage und den Zweck der Änderung. Geben Sie für einen Programmierschritt die relevante Quelle und das Verhalten vor, das eine vorgeschlagene Bearbeitung beeinflussen soll. Ein Screenshot oder Diagramm kann visuellen Kontext liefern; schriftliche Anweisungen benennen das relevante Detail. Eine hilfreiche Beschreibung gibt dem Modell einen Vorgang und dessen Erledigungskriterium vor, statt es den gesamten Ablauf aus der Eingabe erschließen zu lassen.
OpenAI legt für GPT-5 Mini ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token sowie einen Wissensstand bis zum 31. Mai 2024 fest. Die GPT-5-Entwicklerveröffentlichung zählt Mini zu den Modellen mit Steuerungen für Reasoning-Aufwand und Ausführlichkeit sowie benutzerdefinierten Werkzeugen. Die dokumentierten Aufwandsoptionen der Familie sind minimal, low, medium und high; die Ausführlichkeit steuert den Detailumfang der Antwort getrennt vom Reasoning.
Die genaue Mini-Modellkarte nennt die Schnittstellen Responses, Chat Completions und Batch, Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben, Bildeingaben und Web- beziehungsweise Dateisuche. Die aufgeführten Werkzeuge umfassen Funktionen, Web- und Dateisuche, Codeinterpretation und MCP-Verbindungen. Die Anwendung stellt ihre Vorgänge bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die erforderlichen Ausgabefelder; eine Funktionsanfrage schlägt einen von einem Werkzeug auszuführenden Vorgang vor.
Verwenden Sie ein endgültiges Format, das zur begrenzten Aufgabe passt: extrahierte Werte, eine überarbeitete Passage, eine knappe Antwort oder eine vorgeschlagene Codeänderung. Übernehmen Sie bei einem mehrstufigen Prozess das relevante Ergebnis in die nächste Anfrage und bewahren Sie die dafür geltenden Regeln. Prüfen Sie wichtige Aussagen anhand des Originalmaterials und machen Sie eine ungeklärte Bedingung ausdrücklich. Das entstandene Artefakt kann dann eine konkrete nächste Handlung unterstützen, ohne jeden gezielten Vorgang in ein breites Gespräch zu verwandeln.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5-mini | 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 $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00005 / 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 $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00005 / 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-mini","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-mini", 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-mini, openai/gpt-5-mini
/chat/completions
gpt-5-miniDie Mini-Edition von GPT-5 ist für klar umrissene Aufgaben und präzise Prompts ausgelegt. Sie nimmt Text und Bilder entgegen und gibt Text aus. Damit eignet sie sich für gezielte Datenextraktion, klar begrenzte Überarbeitungen, Supportantworten und einzelne, enger gefasste Schritte in einem Agentenablauf.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5 Mini ist OpenAIs Mini-Edition der GPT-5-Reasoning-Familie. Der Hersteller beschreibt sie als Wahl für klar definierte Aufgaben mit präzisen Prompts und hohem Arbeitsvolumen. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Mini-Edition behält ihre eigene Modellidentität und Spezifikationen, statt die Grenzen von GPT-5 Pro oder eines späteren Mini-Modells zu verwenden.
Eine praktische Anwendung ist ein gezielter Dokument- oder Supportvorgang. Geben Sie Originalmaterial, anzuwendende Regeln und das erwartete Ergebnis vor. Eine beispielhafte Anfrage ist das Extrahieren einiger Pflichtfelder aus einer Nachricht und das Entwerfen einer kurzen Antwort, die fehlende Informationen erfragt. Legen Sie fest, wie ein fehlender Wert dargestellt werden soll, welche Fakten unverändert bleiben müssen und welcher Ton zum vorgesehenen Leser passt.
Benennen Sie für eine begrenzte Bearbeitung die zu ändernde Passage und den Zweck der Änderung. Geben Sie für einen Programmierschritt die relevante Quelle und das Verhalten vor, das eine vorgeschlagene Bearbeitung beeinflussen soll. Ein Screenshot oder Diagramm kann visuellen Kontext liefern; schriftliche Anweisungen benennen das relevante Detail. Eine hilfreiche Beschreibung gibt dem Modell einen Vorgang und dessen Erledigungskriterium vor, statt es den gesamten Ablauf aus der Eingabe erschließen zu lassen.
OpenAI legt für GPT-5 Mini ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token sowie einen Wissensstand bis zum 31. Mai 2024 fest. Die GPT-5-Entwicklerveröffentlichung zählt Mini zu den Modellen mit Steuerungen für Reasoning-Aufwand und Ausführlichkeit sowie benutzerdefinierten Werkzeugen. Die dokumentierten Aufwandsoptionen der Familie sind minimal, low, medium und high; die Ausführlichkeit steuert den Detailumfang der Antwort getrennt vom Reasoning.
Die genaue Mini-Modellkarte nennt die Schnittstellen Responses, Chat Completions und Batch, Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben, Bildeingaben und Web- beziehungsweise Dateisuche. Die aufgeführten Werkzeuge umfassen Funktionen, Web- und Dateisuche, Codeinterpretation und MCP-Verbindungen. Die Anwendung stellt ihre Vorgänge bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die erforderlichen Ausgabefelder; eine Funktionsanfrage schlägt einen von einem Werkzeug auszuführenden Vorgang vor.
Verwenden Sie ein endgültiges Format, das zur begrenzten Aufgabe passt: extrahierte Werte, eine überarbeitete Passage, eine knappe Antwort oder eine vorgeschlagene Codeänderung. Übernehmen Sie bei einem mehrstufigen Prozess das relevante Ergebnis in die nächste Anfrage und bewahren Sie die dafür geltenden Regeln. Prüfen Sie wichtige Aussagen anhand des Originalmaterials und machen Sie eine ungeklärte Bedingung ausdrücklich. Das entstandene Artefakt kann dann eine konkrete nächste Handlung unterstützen, ohne jeden gezielten Vorgang in ein breites Gespräch zu verwandeln.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits gpt-5-mini | 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 $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00005 / 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 $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00005 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "gpt-5-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-mini', '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-mini', '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-mini, openai/gpt-5-mini
/chat/completions
openai/gpt-5-miniDie Mini-Edition von GPT-5 ist für klar umrissene Aufgaben und präzise Prompts ausgelegt. Sie nimmt Text und Bilder entgegen und gibt Text aus. Damit eignet sie sich für gezielte Datenextraktion, klar begrenzte Überarbeitungen, Supportantworten und einzelne, enger gefasste Schritte in einem Agentenablauf.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5 Mini ist OpenAIs Mini-Edition der GPT-5-Reasoning-Familie. Der Hersteller beschreibt sie als Wahl für klar definierte Aufgaben mit präzisen Prompts und hohem Arbeitsvolumen. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Mini-Edition behält ihre eigene Modellidentität und Spezifikationen, statt die Grenzen von GPT-5 Pro oder eines späteren Mini-Modells zu verwenden.
Eine praktische Anwendung ist ein gezielter Dokument- oder Supportvorgang. Geben Sie Originalmaterial, anzuwendende Regeln und das erwartete Ergebnis vor. Eine beispielhafte Anfrage ist das Extrahieren einiger Pflichtfelder aus einer Nachricht und das Entwerfen einer kurzen Antwort, die fehlende Informationen erfragt. Legen Sie fest, wie ein fehlender Wert dargestellt werden soll, welche Fakten unverändert bleiben müssen und welcher Ton zum vorgesehenen Leser passt.
Benennen Sie für eine begrenzte Bearbeitung die zu ändernde Passage und den Zweck der Änderung. Geben Sie für einen Programmierschritt die relevante Quelle und das Verhalten vor, das eine vorgeschlagene Bearbeitung beeinflussen soll. Ein Screenshot oder Diagramm kann visuellen Kontext liefern; schriftliche Anweisungen benennen das relevante Detail. Eine hilfreiche Beschreibung gibt dem Modell einen Vorgang und dessen Erledigungskriterium vor, statt es den gesamten Ablauf aus der Eingabe erschließen zu lassen.
OpenAI legt für GPT-5 Mini ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token sowie einen Wissensstand bis zum 31. Mai 2024 fest. Die GPT-5-Entwicklerveröffentlichung zählt Mini zu den Modellen mit Steuerungen für Reasoning-Aufwand und Ausführlichkeit sowie benutzerdefinierten Werkzeugen. Die dokumentierten Aufwandsoptionen der Familie sind minimal, low, medium und high; die Ausführlichkeit steuert den Detailumfang der Antwort getrennt vom Reasoning.
Die genaue Mini-Modellkarte nennt die Schnittstellen Responses, Chat Completions und Batch, Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben, Bildeingaben und Web- beziehungsweise Dateisuche. Die aufgeführten Werkzeuge umfassen Funktionen, Web- und Dateisuche, Codeinterpretation und MCP-Verbindungen. Die Anwendung stellt ihre Vorgänge bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die erforderlichen Ausgabefelder; eine Funktionsanfrage schlägt einen von einem Werkzeug auszuführenden Vorgang vor.
Verwenden Sie ein endgültiges Format, das zur begrenzten Aufgabe passt: extrahierte Werte, eine überarbeitete Passage, eine knappe Antwort oder eine vorgeschlagene Codeänderung. Übernehmen Sie bei einem mehrstufigen Prozess das relevante Ergebnis in die nächste Anfrage und bewahren Sie die dafür geltenden Regeln. Prüfen Sie wichtige Aussagen anhand des Originalmaterials und machen Sie eine ungeklärte Bedingung ausdrücklich. Das entstandene Artefakt kann dann eine konkrete nächste Handlung unterstützen, ohne jeden gezielten Vorgang in ein breites Gespräch zu verwandeln.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5-mini | 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 $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00005 / 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 $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00005 / 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-mini", "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-mini',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-mini',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-mini, openai/gpt-5-mini
/chat/completions
openai/gpt-5-miniDie Mini-Edition von GPT-5 ist für klar umrissene Aufgaben und präzise Prompts ausgelegt. Sie nimmt Text und Bilder entgegen und gibt Text aus. Damit eignet sie sich für gezielte Datenextraktion, klar begrenzte Überarbeitungen, Supportantworten und einzelne, enger gefasste Schritte in einem Agentenablauf.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-5 Mini ist OpenAIs Mini-Edition der GPT-5-Reasoning-Familie. Der Hersteller beschreibt sie als Wahl für klar definierte Aufgaben mit präzisen Prompts und hohem Arbeitsvolumen. Sie nimmt Text und Bilder entgegen und erzeugt Text. Die Mini-Edition behält ihre eigene Modellidentität und Spezifikationen, statt die Grenzen von GPT-5 Pro oder eines späteren Mini-Modells zu verwenden.
Eine praktische Anwendung ist ein gezielter Dokument- oder Supportvorgang. Geben Sie Originalmaterial, anzuwendende Regeln und das erwartete Ergebnis vor. Eine beispielhafte Anfrage ist das Extrahieren einiger Pflichtfelder aus einer Nachricht und das Entwerfen einer kurzen Antwort, die fehlende Informationen erfragt. Legen Sie fest, wie ein fehlender Wert dargestellt werden soll, welche Fakten unverändert bleiben müssen und welcher Ton zum vorgesehenen Leser passt.
Benennen Sie für eine begrenzte Bearbeitung die zu ändernde Passage und den Zweck der Änderung. Geben Sie für einen Programmierschritt die relevante Quelle und das Verhalten vor, das eine vorgeschlagene Bearbeitung beeinflussen soll. Ein Screenshot oder Diagramm kann visuellen Kontext liefern; schriftliche Anweisungen benennen das relevante Detail. Eine hilfreiche Beschreibung gibt dem Modell einen Vorgang und dessen Erledigungskriterium vor, statt es den gesamten Ablauf aus der Eingabe erschließen zu lassen.
OpenAI legt für GPT-5 Mini ein Kontextfenster von 400.000 Token, eine maximale Eingabe von 272.000 Token und eine maximale Ausgabe von 128.000 Token sowie einen Wissensstand bis zum 31. Mai 2024 fest. Die GPT-5-Entwicklerveröffentlichung zählt Mini zu den Modellen mit Steuerungen für Reasoning-Aufwand und Ausführlichkeit sowie benutzerdefinierten Werkzeugen. Die dokumentierten Aufwandsoptionen der Familie sind minimal, low, medium und high; die Ausführlichkeit steuert den Detailumfang der Antwort getrennt vom Reasoning.
Die genaue Mini-Modellkarte nennt die Schnittstellen Responses, Chat Completions und Batch, Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben, Bildeingaben und Web- beziehungsweise Dateisuche. Die aufgeführten Werkzeuge umfassen Funktionen, Web- und Dateisuche, Codeinterpretation und MCP-Verbindungen. Die Anwendung stellt ihre Vorgänge bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die erforderlichen Ausgabefelder; eine Funktionsanfrage schlägt einen von einem Werkzeug auszuführenden Vorgang vor.
Verwenden Sie ein endgültiges Format, das zur begrenzten Aufgabe passt: extrahierte Werte, eine überarbeitete Passage, eine knappe Antwort oder eine vorgeschlagene Codeänderung. Übernehmen Sie bei einem mehrstufigen Prozess das relevante Ergebnis in die nächste Anfrage und bewahren Sie die dafür geltenden Regeln. Prüfen Sie wichtige Aussagen anhand des Originalmaterials und machen Sie eine ungeklärte Bedingung ausdrücklich. Das entstandene Artefakt kann dann eine konkrete nächste Handlung unterstützen, ohne jeden gezielten Vorgang in ein breites Gespräch zu verwandeln.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-5-mini | 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 $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00005 / 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 $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00005 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-5-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-mini', '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-mini', '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-mini, openai/gpt-5-mini
/chat/completions
Technisches Beispiel auf Englisch
Ask for the missing booking detail\n\nDraft a reply under 60 words using this request and rule. Request: 'Please book the smaller meeting room for our six-person planning session on Tuesday.' Rule: a booking needs a start time and duration; the smaller room seats eight. Confirm that capacity fits, then ask for only the missing booking information. Do not state that a room is reserved.One concise reply confirming suitable capacity and asking for start time and duration.The message does not request already supplied headcount or invent a booking confirmation.