GPT-6.1 Sol Pro bezeichnet OpenAIs GPT-6.1 Sol mit Pro-Reasoning. Das Basismodell ist für komplexe Programmierung, Computernutzung und fachliche Aufgaben ausgelegt. Es nimmt Text und Bilder entgegen und erzeugt Text. Mit Pro leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; diese Einstellung beschreibt, wie das ausgewählte Modell die Anfrage bearbeitet, während der Reasoning-Aufwand den Umfang der Analyse innerhalb dieses Modus steuert. Diese Unterscheidung hält die Identität von GPT-6.1 Sol von der Ausführungseinstellung Pro getrennt.
Geben Sie für eine anspruchsvolle technische Aufgabe das erforderliche Verhalten, die relevanten Dateien oder Codeauszüge und die Bedingungen an, die die Änderung bewahren muss. Eine beispielhafte Anfrage besteht darin, zwei mögliche Implementierungen zu untersuchen, die jeweils betroffenen Abhängigkeiten zu ermitteln und eine vorgeschlagene Änderung mit einer knappen Erläuterung der Vor- und Nachteile zu erstellen. Stellen Sie für eine fachliche Analyse die Dokumente, die zu treffende Entscheidung und die Kriterien zum Vergleich der Alternativen bereit. Wenn ein Bild wichtige Belege enthält, benennen Sie das Oberflächenelement, Diagramm oder Detail, auf das die Antwort eingehen soll.
OpenAI nennt für das Basismodell ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token. Der dokumentierte Wissensstand ist der 30. April 2026. Auch das Reasoning beansprucht Tokenplatz; bei einer langen Eingabe und einer langen sichtbaren Antwort muss daher Raum für die Analyse des Modells bleiben. Bereiten Sie das relevante Material mit klaren Bezeichnungen und Definitionen vor und legen Sie das Ergebnis fest: eine Codeänderung, eine Entscheidungsvorlage, ein Verfahren oder eine strukturierte Zusammenstellung von Erkenntnissen.
Die dokumentierten Einstellungen für den Reasoning-Aufwand des Basismodells sind low, medium, high, xhigh und max; medium ist der Standardwert. none und minimal werden nicht unterstützt. OpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6.1 Sol erfolgen Werkzeugaufrufe über Responses; die Chat Completions-Schnittstelle des Herstellers nimmt Anfragen ohne Werkzeuge entgegen. Diese Unterschiede sind beim Aufbau eines Arbeitsablaufs mit dem Modell relevant; die Schnittstellen und Reasoning-Einstellungen sind nicht beliebig austauschbar.
Der Hersteller nennt Streaming, Structured Outputs und Funktionsaufrufe sowie Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Werkzeuge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Die Ausgabe des Basismodells bleibt Text; ein Werkzeug zur Bilderzeugung führt einen separaten Vorgang aus. Eine Anwendung definiert die verfügbaren Werkzeuge, führt ihre eigenen Vorgänge aus und liefert deren Ergebnisse zurück, damit das Modell fortfahren kann. Die GPT-6-Dokumentation beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs, das Beibehalten von Reasoning zwischen Aufrufen und das Verdichten langer Gespräche.
Geben Sie dem Modell ein klares Abschlusskriterium und die Belege, anhand derer es das Ergebnis prüfen soll. Fordern Sie bei einem Code-Review das betroffene Verhalten und eine konkrete Erklärung jedes wesentlichen Problems an. Fordern Sie bei einer Entscheidung auf Grundlage von Dokumenten die bereitgestellten Fakten, den gewählten Ansatz und die Bedingungen an, von denen die Schlussfolgerung abhängt. Ein nützliches Endergebnis macht die Entscheidung und ihre Grundlage deutlich, sodass die nächste Person oder der folgende Anwendungsschritt auf einem konkreten Ergebnis aufbauen kann.
", "aboutText": "GPT-6.1 Sol Pro bezeichnet OpenAIs GPT-6.1 Sol mit Pro-Reasoning. Das Basismodell ist für komplexe Programmierung, Computernutzung und fachliche Aufgaben ausgelegt. Es nimmt Text und Bilder entgegen und erzeugt Text. Mit Pro leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; diese Einstellung beschreibt, wie das ausgewählte Modell die Anfrage bearbeitet, während der Reasoning-Aufwand den Umfang der Analyse innerhalb dieses Modus steuert. Diese Unterscheidung hält die Identität von GPT-6.1 Sol von der Ausführungseinstellung Pro getrennt.\n\nGeben Sie für eine anspruchsvolle technische Aufgabe das erforderliche Verhalten, die relevanten Dateien oder Codeauszüge und die Bedingungen an, die die Änderung bewahren muss. Eine beispielhafte Anfrage besteht darin, zwei mögliche Implementierungen zu untersuchen, die jeweils betroffenen Abhängigkeiten zu ermitteln und eine vorgeschlagene Änderung mit einer knappen Erläuterung der Vor- und Nachteile zu erstellen. Stellen Sie für eine fachliche Analyse die Dokumente, die zu treffende Entscheidung und die Kriterien zum Vergleich der Alternativen bereit. Wenn ein Bild wichtige Belege enthält, benennen Sie das Oberflächenelement, Diagramm oder Detail, auf das die Antwort eingehen soll.\n\nOpenAI nennt für das Basismodell ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token. Der dokumentierte Wissensstand ist der 30. April 2026. Auch das Reasoning beansprucht Tokenplatz; bei einer langen Eingabe und einer langen sichtbaren Antwort muss daher Raum für die Analyse des Modells bleiben. Bereiten Sie das relevante Material mit klaren Bezeichnungen und Definitionen vor und legen Sie das Ergebnis fest: eine Codeänderung, eine Entscheidungsvorlage, ein Verfahren oder eine strukturierte Zusammenstellung von Erkenntnissen.\n\nDie dokumentierten Einstellungen für den Reasoning-Aufwand des Basismodells sind low, medium, high, xhigh und max; medium ist der Standardwert. none und minimal werden nicht unterstützt. OpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6.1 Sol erfolgen Werkzeugaufrufe über Responses; die Chat Completions-Schnittstelle des Herstellers nimmt Anfragen ohne Werkzeuge entgegen. Diese Unterschiede sind beim Aufbau eines Arbeitsablaufs mit dem Modell relevant; die Schnittstellen und Reasoning-Einstellungen sind nicht beliebig austauschbar.\n\nDer Hersteller nennt Streaming, Structured Outputs und Funktionsaufrufe sowie Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Werkzeuge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Die Ausgabe des Basismodells bleibt Text; ein Werkzeug zur Bilderzeugung führt einen separaten Vorgang aus. Eine Anwendung definiert die verfügbaren Werkzeuge, führt ihre eigenen Vorgänge aus und liefert deren Ergebnisse zurück, damit das Modell fortfahren kann. Die GPT-6-Dokumentation beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs, das Beibehalten von Reasoning zwischen Aufrufen und das Verdichten langer Gespräche.\n\nGeben Sie dem Modell ein klares Abschlusskriterium und die Belege, anhand derer es das Ergebnis prüfen soll. Fordern Sie bei einem Code-Review das betroffene Verhalten und eine konkrete Erklärung jedes wesentlichen Problems an. Fordern Sie bei einer Entscheidung auf Grundlage von Dokumenten die bereitgestellten Fakten, den gewählten Ansatz und die Bedingungen an, von denen die Schlussfolgerung abhängt. Ein nützliches Endergebnis macht die Entscheidung und ihre Grundlage deutlich, sodass die nächste Person oder der folgende Anwendungsschritt auf einem konkreten Ergebnis aufbauen kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare duplicate-prevention designs\n\nCompare two job designs using these supplied facts. A records completion after a remote send. B records 'started' before the send and skips all started jobs. The process may crash before or after the send, and the receiver supports an idempotency key. Propose a recoverable design, explain the failure windows and give scenario checks without performing any sends.A design comparison, proposed state transitions and crash-window checks using the stated receiver capability.Check the proposal handles both unsent started jobs and sends completed before local recording.openai/gpt-6.1-sol-proGPT-6.1 Sol mit Pro-Reasoning für komplexe Programmierung, Computernutzung und fachliche Analysen. Mit Pro leistet das Modell vor der endgültigen Antwort zusätzliche Arbeit; das zugrunde liegende Modell verarbeitet Text und Bilder und erzeugt Text.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6.1 Sol Pro bezeichnet OpenAIs GPT-6.1 Sol mit Pro-Reasoning. Das Basismodell ist für komplexe Programmierung, Computernutzung und fachliche Aufgaben ausgelegt. Es nimmt Text und Bilder entgegen und erzeugt Text. Mit Pro leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; diese Einstellung beschreibt, wie das ausgewählte Modell die Anfrage bearbeitet, während der Reasoning-Aufwand den Umfang der Analyse innerhalb dieses Modus steuert. Diese Unterscheidung hält die Identität von GPT-6.1 Sol von der Ausführungseinstellung Pro getrennt.
Geben Sie für eine anspruchsvolle technische Aufgabe das erforderliche Verhalten, die relevanten Dateien oder Codeauszüge und die Bedingungen an, die die Änderung bewahren muss. Eine beispielhafte Anfrage besteht darin, zwei mögliche Implementierungen zu untersuchen, die jeweils betroffenen Abhängigkeiten zu ermitteln und eine vorgeschlagene Änderung mit einer knappen Erläuterung der Vor- und Nachteile zu erstellen. Stellen Sie für eine fachliche Analyse die Dokumente, die zu treffende Entscheidung und die Kriterien zum Vergleich der Alternativen bereit. Wenn ein Bild wichtige Belege enthält, benennen Sie das Oberflächenelement, Diagramm oder Detail, auf das die Antwort eingehen soll.
OpenAI nennt für das Basismodell ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token. Der dokumentierte Wissensstand ist der 30. April 2026. Auch das Reasoning beansprucht Tokenplatz; bei einer langen Eingabe und einer langen sichtbaren Antwort muss daher Raum für die Analyse des Modells bleiben. Bereiten Sie das relevante Material mit klaren Bezeichnungen und Definitionen vor und legen Sie das Ergebnis fest: eine Codeänderung, eine Entscheidungsvorlage, ein Verfahren oder eine strukturierte Zusammenstellung von Erkenntnissen.
Die dokumentierten Einstellungen für den Reasoning-Aufwand des Basismodells sind low, medium, high, xhigh und max; medium ist der Standardwert. none und minimal werden nicht unterstützt. OpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6.1 Sol erfolgen Werkzeugaufrufe über Responses; die Chat Completions-Schnittstelle des Herstellers nimmt Anfragen ohne Werkzeuge entgegen. Diese Unterschiede sind beim Aufbau eines Arbeitsablaufs mit dem Modell relevant; die Schnittstellen und Reasoning-Einstellungen sind nicht beliebig austauschbar.
Der Hersteller nennt Streaming, Structured Outputs und Funktionsaufrufe sowie Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Werkzeuge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Die Ausgabe des Basismodells bleibt Text; ein Werkzeug zur Bilderzeugung führt einen separaten Vorgang aus. Eine Anwendung definiert die verfügbaren Werkzeuge, führt ihre eigenen Vorgänge aus und liefert deren Ergebnisse zurück, damit das Modell fortfahren kann. Die GPT-6-Dokumentation beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs, das Beibehalten von Reasoning zwischen Aufrufen und das Verdichten langer Gespräche.
Geben Sie dem Modell ein klares Abschlusskriterium und die Belege, anhand derer es das Ergebnis prüfen soll. Fordern Sie bei einem Code-Review das betroffene Verhalten und eine konkrete Erklärung jedes wesentlichen Problems an. Fordern Sie bei einer Entscheidung auf Grundlage von Dokumenten die bereitgestellten Fakten, den gewählten Ansatz und die Bedingungen an, von denen die Schlussfolgerung abhängt. Ein nützliches Endergebnis macht die Entscheidung und ihre Grundlage deutlich, sodass die nächste Person oder der folgende Anwendungsschritt auf einem konkreten Ergebnis aufbauen kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-6.1-sol-pro | 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 $0.004 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0002 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0002 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.03 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.01 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-6.1-sol-pro", "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-6.1-sol-pro',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-6.1-sol-pro',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 openai/gpt-6.1-sol-pro
Verwenden Sie die oben angezeigten Methodenpfade.
openai/gpt-6.1-sol-proGPT-6.1 Sol mit Pro-Reasoning für komplexe Programmierung, Computernutzung und fachliche Analysen. Mit Pro leistet das Modell vor der endgültigen Antwort zusätzliche Arbeit; das zugrunde liegende Modell verarbeitet Text und Bilder und erzeugt Text.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6.1 Sol Pro bezeichnet OpenAIs GPT-6.1 Sol mit Pro-Reasoning. Das Basismodell ist für komplexe Programmierung, Computernutzung und fachliche Aufgaben ausgelegt. Es nimmt Text und Bilder entgegen und erzeugt Text. Mit Pro leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort; diese Einstellung beschreibt, wie das ausgewählte Modell die Anfrage bearbeitet, während der Reasoning-Aufwand den Umfang der Analyse innerhalb dieses Modus steuert. Diese Unterscheidung hält die Identität von GPT-6.1 Sol von der Ausführungseinstellung Pro getrennt.
Geben Sie für eine anspruchsvolle technische Aufgabe das erforderliche Verhalten, die relevanten Dateien oder Codeauszüge und die Bedingungen an, die die Änderung bewahren muss. Eine beispielhafte Anfrage besteht darin, zwei mögliche Implementierungen zu untersuchen, die jeweils betroffenen Abhängigkeiten zu ermitteln und eine vorgeschlagene Änderung mit einer knappen Erläuterung der Vor- und Nachteile zu erstellen. Stellen Sie für eine fachliche Analyse die Dokumente, die zu treffende Entscheidung und die Kriterien zum Vergleich der Alternativen bereit. Wenn ein Bild wichtige Belege enthält, benennen Sie das Oberflächenelement, Diagramm oder Detail, auf das die Antwort eingehen soll.
OpenAI nennt für das Basismodell ein Kontextfenster von 1.050.000 Token, eine maximale Eingabe von 922.000 Token und eine maximale Ausgabe von 128.000 Token. Der dokumentierte Wissensstand ist der 30. April 2026. Auch das Reasoning beansprucht Tokenplatz; bei einer langen Eingabe und einer langen sichtbaren Antwort muss daher Raum für die Analyse des Modells bleiben. Bereiten Sie das relevante Material mit klaren Bezeichnungen und Definitionen vor und legen Sie das Ergebnis fest: eine Codeänderung, eine Entscheidungsvorlage, ein Verfahren oder eine strukturierte Zusammenstellung von Erkenntnissen.
Die dokumentierten Einstellungen für den Reasoning-Aufwand des Basismodells sind low, medium, high, xhigh und max; medium ist der Standardwert. none und minimal werden nicht unterstützt. OpenAI dokumentiert Pro in der Responses API für schwierige Aufgaben, bei denen zusätzliche Latenz und Modellaktivität vertretbar sind. Bei GPT-6.1 Sol erfolgen Werkzeugaufrufe über Responses; die Chat Completions-Schnittstelle des Herstellers nimmt Anfragen ohne Werkzeuge entgegen. Diese Unterschiede sind beim Aufbau eines Arbeitsablaufs mit dem Modell relevant; die Schnittstellen und Reasoning-Einstellungen sind nicht beliebig austauschbar.
Der Hersteller nennt Streaming, Structured Outputs und Funktionsaufrufe sowie Web- und Dateisuche, Werkzeuge zur Bilderzeugung, einen Code-Interpreter, Shell- und Patch-Werkzeuge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Die Ausgabe des Basismodells bleibt Text; ein Werkzeug zur Bilderzeugung führt einen separaten Vorgang aus. Eine Anwendung definiert die verfügbaren Werkzeuge, führt ihre eigenen Vorgänge aus und liefert deren Ergebnisse zurück, damit das Modell fortfahren kann. Die GPT-6-Dokumentation beschreibt außerdem asynchrone Werkzeugabläufe, das Steuern eines laufenden Gesprächszugs, das Beibehalten von Reasoning zwischen Aufrufen und das Verdichten langer Gespräche.
Geben Sie dem Modell ein klares Abschlusskriterium und die Belege, anhand derer es das Ergebnis prüfen soll. Fordern Sie bei einem Code-Review das betroffene Verhalten und eine konkrete Erklärung jedes wesentlichen Problems an. Fordern Sie bei einer Entscheidung auf Grundlage von Dokumenten die bereitgestellten Fakten, den gewählten Ansatz und die Bedingungen an, von denen die Schlussfolgerung abhängt. Ein nützliches Endergebnis macht die Entscheidung und ihre Grundlage deutlich, sodass die nächste Person oder der folgende Anwendungsschritt auf einem konkreten Ergebnis aufbauen kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-6.1-sol-pro | 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 $0.004 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0002 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272.000 | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.02 / 1K Token Eingabe · Cache-Lesen $0.0002 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.008 / 1K Token Ausgabe · Ausgabetoken $0.03 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben $0.01 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-6.1-sol-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-6.1-sol-pro', '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-6.1-sol-pro', '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 openai/gpt-6.1-sol-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare duplicate-prevention designs\n\nCompare two job designs using these supplied facts. A records completion after a remote send. B records 'started' before the send and skips all started jobs. The process may crash before or after the send, and the receiver supports an idempotency key. Propose a recoverable design, explain the failure windows and give scenario checks without performing any sends.A design comparison, proposed state transitions and crash-window checks using the stated receiver capability.Check the proposal handles both unsent started jobs and sends completed before local recording.