GPT-6 Luna Pro bezeichnet OpenAIs GPT-6 Luna mit Pro-Reasoning. Luna ist für klar umrissene Aufgaben und ein hohes Arbeitsvolumen ausgelegt; die Eingaben sind Text und Bilder, die Ausgabe ist Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Pro ist ein Ausführungsmodus für das gewählte Basismodell und von der Einstellung für den Reasoning-Aufwand getrennt, die den Umfang der Analyse innerhalb dieses Modus steuert.
Eine praktische Anwendung ist das Bearbeiten einer eng definierten Anfrage mit mehreren Regeln oder Ausnahmen. Stellen Sie die Anfrage, die möglichen Kategorien und die Informationen bereit, die die nächste Handlung bestimmen. Fordern Sie die Kategorie, die relevanten Fakten und eine kurze vorgeschlagene Antwort an. Eine beispielhafte Aufgabe besteht darin, eine Dokumentanfrage zu klassifizieren, ein fehlendes Feld zu ermitteln und eine Nachricht zu entwerfen, die nach diesem Feld fragt. Die Aufgabe bleibt klar umrissen, auch wenn ihre Bedingungen sorgfältige Überlegung erfordern.
Stellen Sie für eine bildgestützte Frage einen klaren Screenshot oder anderes visuelles Material bereit und benennen Sie das zu prüfende Detail. Sie können eine Erklärung eines sichtbaren Oberflächenzustands zusammen mit einer kurzen Anweisung für den Leser anfordern. Definieren Sie für schriftliches Material die Felder oder Aussagen, die bei der Umformung erhalten bleiben müssen, die zulässigen Kategorien und das erwartete Antwortformat. Einige repräsentative Beispiele können die Grenze zwischen ähnlichen Kategorien verdeutlichen, ohne dass das Modell Ihre Regeln erschließen muss.
OpenAI nennt für GPT-6 Luna 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 18. Mai 2026. Das Basismodell unterstützt den Reasoning-Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Neben der endgültigen Antwort beansprucht auch das Reasoning Tokenplatz. Der Aufgabenauftrag und das bereitgestellte Material sollten daher Raum für die Analyse und das angeforderte Ergebnis lassen.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Anfragen, bei denen zusätzliche Latenz und Modellaktivität möglich sind. Die integrierten Werkzeuge von GPT-6 Luna und Reasoning mit Funktionsaufrufen nutzen Responses; in der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand auf none eingestellt ist. Das Basismodell nennt Streaming, Structured Outputs, Web- und Dateisuche, Funktionsaufrufe und Prompt-Caching. Seine Werkzeuge umfassen außerdem Bilderzeugung, Codeinterpretation, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Ihre Anwendung bestimmt die angebotenen Vorgänge und führt sie aus.
Verwenden Sie präzise Ausgabevorgaben für die abschließende Aufgabe: die Entscheidung, die sie stützenden Felder und alle noch fehlenden Informationen. Fordern Sie zum Beispiel eine Kategorie, eine kurze Begründung anhand der bereitgestellten Regel und die nächste Frage an den Leser an. Prüfen Sie das Ergebnis anhand dieser Regeln, statt eine uneingeschränkte Diskussion hinzuzufügen. Dieser Arbeitsablauf nutzt Lunas Rolle bei klar umrissenen Aufgaben und hält die zusätzliche Arbeit von Pro für eine Anfrage vor, deren Abhängigkeiten oder Ausnahmen eine eingehendere Prüfung benötigen.
", "aboutText": "GPT-6 Luna Pro bezeichnet OpenAIs GPT-6 Luna mit Pro-Reasoning. Luna ist für klar umrissene Aufgaben und ein hohes Arbeitsvolumen ausgelegt; die Eingaben sind Text und Bilder, die Ausgabe ist Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Pro ist ein Ausführungsmodus für das gewählte Basismodell und von der Einstellung für den Reasoning-Aufwand getrennt, die den Umfang der Analyse innerhalb dieses Modus steuert.\n\nEine praktische Anwendung ist das Bearbeiten einer eng definierten Anfrage mit mehreren Regeln oder Ausnahmen. Stellen Sie die Anfrage, die möglichen Kategorien und die Informationen bereit, die die nächste Handlung bestimmen. Fordern Sie die Kategorie, die relevanten Fakten und eine kurze vorgeschlagene Antwort an. Eine beispielhafte Aufgabe besteht darin, eine Dokumentanfrage zu klassifizieren, ein fehlendes Feld zu ermitteln und eine Nachricht zu entwerfen, die nach diesem Feld fragt. Die Aufgabe bleibt klar umrissen, auch wenn ihre Bedingungen sorgfältige Überlegung erfordern.\n\nStellen Sie für eine bildgestützte Frage einen klaren Screenshot oder anderes visuelles Material bereit und benennen Sie das zu prüfende Detail. Sie können eine Erklärung eines sichtbaren Oberflächenzustands zusammen mit einer kurzen Anweisung für den Leser anfordern. Definieren Sie für schriftliches Material die Felder oder Aussagen, die bei der Umformung erhalten bleiben müssen, die zulässigen Kategorien und das erwartete Antwortformat. Einige repräsentative Beispiele können die Grenze zwischen ähnlichen Kategorien verdeutlichen, ohne dass das Modell Ihre Regeln erschließen muss.\n\nOpenAI nennt für GPT-6 Luna 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 18. Mai 2026. Das Basismodell unterstützt den Reasoning-Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Neben der endgültigen Antwort beansprucht auch das Reasoning Tokenplatz. Der Aufgabenauftrag und das bereitgestellte Material sollten daher Raum für die Analyse und das angeforderte Ergebnis lassen.\n\nDer Hersteller dokumentiert Pro in der Responses API für schwierige Anfragen, bei denen zusätzliche Latenz und Modellaktivität möglich sind. Die integrierten Werkzeuge von GPT-6 Luna und Reasoning mit Funktionsaufrufen nutzen Responses; in der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand auf none eingestellt ist. Das Basismodell nennt Streaming, Structured Outputs, Web- und Dateisuche, Funktionsaufrufe und Prompt-Caching. Seine Werkzeuge umfassen außerdem Bilderzeugung, Codeinterpretation, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Ihre Anwendung bestimmt die angebotenen Vorgänge und führt sie aus.\n\nVerwenden Sie präzise Ausgabevorgaben für die abschließende Aufgabe: die Entscheidung, die sie stützenden Felder und alle noch fehlenden Informationen. Fordern Sie zum Beispiel eine Kategorie, eine kurze Begründung anhand der bereitgestellten Regel und die nächste Frage an den Leser an. Prüfen Sie das Ergebnis anhand dieser Regeln, statt eine uneingeschränkte Diskussion hinzuzufügen. Dieser Arbeitsablauf nutzt Lunas Rolle bei klar umrissenen Aufgaben und hält die zusätzliche Arbeit von Pro für eine Anfrage vor, deren Abhängigkeiten oder Ausnahmen eine eingehendere Prüfung benötigen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Find missing request details\n\nProcess this equipment request using the supplied rules. Every request needs item, quantity and delivery site. Urgent requests also need a reason. Message: "Urgent: please send 4 replacement keyboards." Return the supplied fields, missing required fields and a brief reply asking only for the missing details. Do not invent a site or urgency reason.A compact field table, missing-field list and targeted clarification message.Check that quantity four and keyboards are retained, while delivery site and urgent reason stay missing.openai/gpt-6-luna-proGPT-6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die vor einer endgültigen Antwort zusätzliche Analyse benötigen. Das Basismodell nimmt Text und Bilder entgegen und eignet sich damit für regelbasierte Dokumentverarbeitung, visuelle Fragen und knappe schriftliche Ergebnisse.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6 Luna Pro bezeichnet OpenAIs GPT-6 Luna mit Pro-Reasoning. Luna ist für klar umrissene Aufgaben und ein hohes Arbeitsvolumen ausgelegt; die Eingaben sind Text und Bilder, die Ausgabe ist Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Pro ist ein Ausführungsmodus für das gewählte Basismodell und von der Einstellung für den Reasoning-Aufwand getrennt, die den Umfang der Analyse innerhalb dieses Modus steuert.
Eine praktische Anwendung ist das Bearbeiten einer eng definierten Anfrage mit mehreren Regeln oder Ausnahmen. Stellen Sie die Anfrage, die möglichen Kategorien und die Informationen bereit, die die nächste Handlung bestimmen. Fordern Sie die Kategorie, die relevanten Fakten und eine kurze vorgeschlagene Antwort an. Eine beispielhafte Aufgabe besteht darin, eine Dokumentanfrage zu klassifizieren, ein fehlendes Feld zu ermitteln und eine Nachricht zu entwerfen, die nach diesem Feld fragt. Die Aufgabe bleibt klar umrissen, auch wenn ihre Bedingungen sorgfältige Überlegung erfordern.
Stellen Sie für eine bildgestützte Frage einen klaren Screenshot oder anderes visuelles Material bereit und benennen Sie das zu prüfende Detail. Sie können eine Erklärung eines sichtbaren Oberflächenzustands zusammen mit einer kurzen Anweisung für den Leser anfordern. Definieren Sie für schriftliches Material die Felder oder Aussagen, die bei der Umformung erhalten bleiben müssen, die zulässigen Kategorien und das erwartete Antwortformat. Einige repräsentative Beispiele können die Grenze zwischen ähnlichen Kategorien verdeutlichen, ohne dass das Modell Ihre Regeln erschließen muss.
OpenAI nennt für GPT-6 Luna 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 18. Mai 2026. Das Basismodell unterstützt den Reasoning-Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Neben der endgültigen Antwort beansprucht auch das Reasoning Tokenplatz. Der Aufgabenauftrag und das bereitgestellte Material sollten daher Raum für die Analyse und das angeforderte Ergebnis lassen.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Anfragen, bei denen zusätzliche Latenz und Modellaktivität möglich sind. Die integrierten Werkzeuge von GPT-6 Luna und Reasoning mit Funktionsaufrufen nutzen Responses; in der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand auf none eingestellt ist. Das Basismodell nennt Streaming, Structured Outputs, Web- und Dateisuche, Funktionsaufrufe und Prompt-Caching. Seine Werkzeuge umfassen außerdem Bilderzeugung, Codeinterpretation, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Ihre Anwendung bestimmt die angebotenen Vorgänge und führt sie aus.
Verwenden Sie präzise Ausgabevorgaben für die abschließende Aufgabe: die Entscheidung, die sie stützenden Felder und alle noch fehlenden Informationen. Fordern Sie zum Beispiel eine Kategorie, eine kurze Begründung anhand der bereitgestellten Regel und die nächste Frage an den Leser an. Prüfen Sie das Ergebnis anhand dieser Regeln, statt eine uneingeschränkte Diskussion hinzuzufügen. Dieser Arbeitsablauf nutzt Lunas Rolle bei klar umrissenen Aufgaben und hält die zusätzliche Arbeit von Pro für eine Anfrage vor, deren Abhängigkeiten oder Ausnahmen eine eingehendere Prüfung benötigen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-6-luna-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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.001 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0.00025 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272.000 | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.001 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0.00025 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0015 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0.0005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-luna-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-luna-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-luna-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-luna-pro
Verwenden Sie die oben angezeigten Methodenpfade.
openai/gpt-6-luna-proGPT-6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die vor einer endgültigen Antwort zusätzliche Analyse benötigen. Das Basismodell nimmt Text und Bilder entgegen und eignet sich damit für regelbasierte Dokumentverarbeitung, visuelle Fragen und knappe schriftliche Ergebnisse.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6 Luna Pro bezeichnet OpenAIs GPT-6 Luna mit Pro-Reasoning. Luna ist für klar umrissene Aufgaben und ein hohes Arbeitsvolumen ausgelegt; die Eingaben sind Text und Bilder, die Ausgabe ist Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Pro ist ein Ausführungsmodus für das gewählte Basismodell und von der Einstellung für den Reasoning-Aufwand getrennt, die den Umfang der Analyse innerhalb dieses Modus steuert.
Eine praktische Anwendung ist das Bearbeiten einer eng definierten Anfrage mit mehreren Regeln oder Ausnahmen. Stellen Sie die Anfrage, die möglichen Kategorien und die Informationen bereit, die die nächste Handlung bestimmen. Fordern Sie die Kategorie, die relevanten Fakten und eine kurze vorgeschlagene Antwort an. Eine beispielhafte Aufgabe besteht darin, eine Dokumentanfrage zu klassifizieren, ein fehlendes Feld zu ermitteln und eine Nachricht zu entwerfen, die nach diesem Feld fragt. Die Aufgabe bleibt klar umrissen, auch wenn ihre Bedingungen sorgfältige Überlegung erfordern.
Stellen Sie für eine bildgestützte Frage einen klaren Screenshot oder anderes visuelles Material bereit und benennen Sie das zu prüfende Detail. Sie können eine Erklärung eines sichtbaren Oberflächenzustands zusammen mit einer kurzen Anweisung für den Leser anfordern. Definieren Sie für schriftliches Material die Felder oder Aussagen, die bei der Umformung erhalten bleiben müssen, die zulässigen Kategorien und das erwartete Antwortformat. Einige repräsentative Beispiele können die Grenze zwischen ähnlichen Kategorien verdeutlichen, ohne dass das Modell Ihre Regeln erschließen muss.
OpenAI nennt für GPT-6 Luna 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 18. Mai 2026. Das Basismodell unterstützt den Reasoning-Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Neben der endgültigen Antwort beansprucht auch das Reasoning Tokenplatz. Der Aufgabenauftrag und das bereitgestellte Material sollten daher Raum für die Analyse und das angeforderte Ergebnis lassen.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Anfragen, bei denen zusätzliche Latenz und Modellaktivität möglich sind. Die integrierten Werkzeuge von GPT-6 Luna und Reasoning mit Funktionsaufrufen nutzen Responses; in der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand auf none eingestellt ist. Das Basismodell nennt Streaming, Structured Outputs, Web- und Dateisuche, Funktionsaufrufe und Prompt-Caching. Seine Werkzeuge umfassen außerdem Bilderzeugung, Codeinterpretation, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Ihre Anwendung bestimmt die angebotenen Vorgänge und führt sie aus.
Verwenden Sie präzise Ausgabevorgaben für die abschließende Aufgabe: die Entscheidung, die sie stützenden Felder und alle noch fehlenden Informationen. Fordern Sie zum Beispiel eine Kategorie, eine kurze Begründung anhand der bereitgestellten Regel und die nächste Frage an den Leser an. Prüfen Sie das Ergebnis anhand dieser Regeln, statt eine uneingeschränkte Diskussion hinzuzufügen. Dieser Arbeitsablauf nutzt Lunas Rolle bei klar umrissenen Aufgaben und hält die zusätzliche Arbeit von Pro für eine Anfrage vor, deren Abhängigkeiten oder Ausnahmen eine eingehendere Prüfung benötigen.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-6-luna-pro | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring|content_block[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsystem | Typstring|content_block[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Limit gilt für: Genaue Obergrenze des ausgewählten Modells bzw. seiner Modellkarte | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop_sequences | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].name | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Werkzeug bereitgestellt | Standard— |
Feldtools[].description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].input_schema | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.type | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldthinking.budget_tokens | Typinteger | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldoutput_config.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
Feldcache_control | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
messages[].content oder Block mit type=text
Text + Bild
{type:image,source:{type:base64,media_type,data}} oder Quelle mit type=url
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: exact retained published method
Senden Sie die genaue Modell-ID und die erforderlichen Felder.
Bewahren Sie jedes zurückgegebene Element und seine ursprünglichen Kennungen auf.
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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.001 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0.00025 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272.000 | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.001 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0.00025 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0015 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0.0005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-6-luna-pro",\n "max_tokens": 4096,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ]\n}set -eu\n: "${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-luna-pro', 'max_tokens': 4096, '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-luna-pro', 'max_tokens': 4096, '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-luna-pro
Verwenden Sie die oben angezeigten Methodenpfade.
openai/gpt-6-luna-proGPT-6 Luna mit Pro-Reasoning für klar umrissene Aufgaben, die vor einer endgültigen Antwort zusätzliche Analyse benötigen. Das Basismodell nimmt Text und Bilder entgegen und eignet sich damit für regelbasierte Dokumentverarbeitung, visuelle Fragen und knappe schriftliche Ergebnisse.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GPT-6 Luna Pro bezeichnet OpenAIs GPT-6 Luna mit Pro-Reasoning. Luna ist für klar umrissene Aufgaben und ein hohes Arbeitsvolumen ausgelegt; die Eingaben sind Text und Bilder, die Ausgabe ist Text. Im Pro-Modus leistet das Modell zusätzliche Arbeit zur Entwicklung der endgültigen Antwort. Pro ist ein Ausführungsmodus für das gewählte Basismodell und von der Einstellung für den Reasoning-Aufwand getrennt, die den Umfang der Analyse innerhalb dieses Modus steuert.
Eine praktische Anwendung ist das Bearbeiten einer eng definierten Anfrage mit mehreren Regeln oder Ausnahmen. Stellen Sie die Anfrage, die möglichen Kategorien und die Informationen bereit, die die nächste Handlung bestimmen. Fordern Sie die Kategorie, die relevanten Fakten und eine kurze vorgeschlagene Antwort an. Eine beispielhafte Aufgabe besteht darin, eine Dokumentanfrage zu klassifizieren, ein fehlendes Feld zu ermitteln und eine Nachricht zu entwerfen, die nach diesem Feld fragt. Die Aufgabe bleibt klar umrissen, auch wenn ihre Bedingungen sorgfältige Überlegung erfordern.
Stellen Sie für eine bildgestützte Frage einen klaren Screenshot oder anderes visuelles Material bereit und benennen Sie das zu prüfende Detail. Sie können eine Erklärung eines sichtbaren Oberflächenzustands zusammen mit einer kurzen Anweisung für den Leser anfordern. Definieren Sie für schriftliches Material die Felder oder Aussagen, die bei der Umformung erhalten bleiben müssen, die zulässigen Kategorien und das erwartete Antwortformat. Einige repräsentative Beispiele können die Grenze zwischen ähnlichen Kategorien verdeutlichen, ohne dass das Modell Ihre Regeln erschließen muss.
OpenAI nennt für GPT-6 Luna 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 18. Mai 2026. Das Basismodell unterstützt den Reasoning-Aufwand none, low, medium, high, xhigh und max; medium ist der Standardwert. Neben der endgültigen Antwort beansprucht auch das Reasoning Tokenplatz. Der Aufgabenauftrag und das bereitgestellte Material sollten daher Raum für die Analyse und das angeforderte Ergebnis lassen.
Der Hersteller dokumentiert Pro in der Responses API für schwierige Anfragen, bei denen zusätzliche Latenz und Modellaktivität möglich sind. Die integrierten Werkzeuge von GPT-6 Luna und Reasoning mit Funktionsaufrufen nutzen Responses; in der Chat Completions-Schnittstelle des Herstellers werden Funktionsaufrufe nur unterstützt, wenn der Reasoning-Aufwand auf none eingestellt ist. Das Basismodell nennt Streaming, Structured Outputs, Web- und Dateisuche, Funktionsaufrufe und Prompt-Caching. Seine Werkzeuge umfassen außerdem Bilderzeugung, Codeinterpretation, Shell- und Patch-Vorgänge, Skills, Computernutzung, MCP-Verbindungen und Werkzeugsuche. Ihre Anwendung bestimmt die angebotenen Vorgänge und führt sie aus.
Verwenden Sie präzise Ausgabevorgaben für die abschließende Aufgabe: die Entscheidung, die sie stützenden Felder und alle noch fehlenden Informationen. Fordern Sie zum Beispiel eine Kategorie, eine kurze Begründung anhand der bereitgestellten Regel und die nächste Frage an den Leser an. Prüfen Sie das Ergebnis anhand dieser Regeln, statt eine uneingeschränkte Diskussion hinzuzufügen. Dieser Arbeitsablauf nutzt Lunas Rolle bei klar umrissenen Aufgaben und hält die zusätzliche Arbeit von Pro für eine Anfrage vor, deren Abhängigkeiten oder Ausnahmen eine eingehendere Prüfung benötigen.
POST /v1/responsestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/gpt-6-luna-pro | Standard— |
Feldinput | Typstring|input_item[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].type | Typstring | AnforderungOptional | Werte und Limits message, reasoning, function_call, function_call_output | Standard— |
Feldinput[].content | Typstring|content_part[] | AnforderungOptional | Werte und Limits | Standard— |
Feldinput[].call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output; den tatsächlich zurückgegebenen Wert von call_id beibehalten | Standard— |
Feldinput[].output | Typstring|content_part[] | AnforderungOptional | Werte und Limits Gilt, wenn: function_call_output | Standard— |
Feldmax_output_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typtool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning.summary | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtext.verbosity | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinclude | Typstring[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstore | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprevious_response_id | Typstring | AnforderungNicht unterstützt | Werte und Limits ID-Anforderung: Nur eine tatsächliche Antwort-ID aus einer unterstützten Fortsetzung Bedingungen: Übermitteln Sie bei jeder Anfrage den tatsächlichen bisherigen Gesprächsverlauf erneut. | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_key | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Text · UTF8-Text
Eingabetext oder input_text-Teil
Text + Bild
{type:input_image,image_url}
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: exact retained published method
Senden Sie die genaue Modell-ID und die erforderlichen Felder.
Bewahren Sie jedes zurückgegebene Element und seine ursprünglichen Kennungen auf.
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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.001 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0.00025 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich272.000 | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.001 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0.00025 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0015 / 1K Token Eingabe · Cache-Lesen $0.00004 / 1K Token Eingabe · Cache-Schreiben $0.0005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/gpt-6-luna-pro",\n "input": [\n {\n "content": "Hello, how are you?",\n "role": "user",\n "type": "message"\n }\n ]\n}set -eu\n: "${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-luna-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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/responses \\\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\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-luna-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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 = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/responses', 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 Ausgabeelemente und Inhaltsteile, die tatsächliche call_id der Funktion, verschlüsselte Reasoning-Daten und Verbrauchsdaten beibehalten. Beim Streaming die vollständige Identität von Ereignis und Element bewahren.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldstatus | Typstring |
Feldoutput[] | Typmessage|reasoning|function_call|other item |
Feldoutput[].content[] | Typcontent part |
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-luna-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Find missing request details\n\nProcess this equipment request using the supplied rules. Every request needs item, quantity and delivery site. Urgent requests also need a reason. Message: "Urgent: please send 4 replacement keyboards." Return the supplied fields, missing required fields and a brief reply asking only for the missing details. Do not invent a site or urgency reason.A compact field table, missing-field list and targeted clarification message.Check that quantity four and keyboards are retained, while delivery site and urgent reason stay missing.