o1-pro ist OpenAIs eigenständige o1-Edition, die zusätzliche Rechenleistung für komplexes Schlussfolgern nutzt. Die o1-Familie wird mit Reinforcement Learning darauf trainiert, ein Problem vor der Antwort zu durchdenken. Das Pro-Modell nimmt Text und Bilder entgegen und erzeugt Text. Seine Identität ist vom Standardmodell o1 und von den für spätere GPT-Familien dokumentierten Pro-Ausführungsmodi getrennt.
Ein beispielhafter Auftrag besteht darin, Anforderungen zu analysieren, deren Bedingungen voneinander abhängen. Stellen Sie die Frage, das relevante Material und die Kriterien bereit, die die Entscheidung bestimmen. Fordern Sie eine Erklärung der Zusammenhänge und eine konkrete Empfehlung mit ausdrücklich genannten Bedingungen an. Geben Sie bei einer Codefrage das beabsichtigte Verhalten und die zugehörige Implementierung an; stellen Sie bei einem mathematischen Problem die Definitionen, den Definitionsbereich und die erforderliche Ergebnisform bereit.
Visuelles Material kann ein Diagramm, einen Oberflächenzustand oder andere Belege für die Frage liefern. Benennen Sie das relevante Detail und ergänzen Sie den schriftlichen Kontext, der zu seiner Interpretation benötigt wird. Ein nützlicher Eingabeauftrag trennt Quelleninformationen von Anweisungen und definiert das vom Leser benötigte Ergebnis: eine technische Erklärung, einen Lösungsvorschlag, einen Vergleich oder einen Plan. Dadurch wird die zusätzliche Analyse des Modells mit dem tatsächlichen Zweck der Aufgabe verknüpft.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Reasoning beansprucht neben der Eingabe und der sichtbaren Antwort Platz. Der Hersteller dokumentiert o1-pro über Responses, das Modellinteraktionen über mehrere Gesprächsrunden vor der abschließenden Antwort unterstützt; die Modellspezifikation führt außerdem Batch auf. Dies sind die Herstellereigenschaften des Pro-Modells und nicht die Einstellungen einer anderen o1-Edition.
Die native Modellkarte bestätigt, dass Streaming nicht unterstützt wird, Funktionsaufrufe, Structured Outputs und Bildeingaben dagegen schon. Die genaue Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Eine Anwendung stellt ihre Operationen bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte abschließende Antwort definiert die Form der Ausgabe, während eine Funktionsanforderung eine Operation für die Arbeitsumgebung vorschlägt.
Geben Sie an, wie die Aufgabe abgeschlossen und geprüft werden soll. Bitten Sie bei einer Analyse darum, Schlussfolgerung, zugrunde liegende Belege und ungeklärte Bedingungen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und fordern Sie, tatsächlich durchgeführte Prüfungen von noch benötigten zu trennen. Ein nützliches fertiges Ergebnis macht die wichtigen Entscheidungen ausdrücklich sichtbar und verknüpft sie mit der ursprünglichen Frage und dem bereitgestellten Material.
", "aboutText": "o1-pro ist OpenAIs eigenständige o1-Edition, die zusätzliche Rechenleistung für komplexes Schlussfolgern nutzt. Die o1-Familie wird mit Reinforcement Learning darauf trainiert, ein Problem vor der Antwort zu durchdenken. Das Pro-Modell nimmt Text und Bilder entgegen und erzeugt Text. Seine Identität ist vom Standardmodell o1 und von den für spätere GPT-Familien dokumentierten Pro-Ausführungsmodi getrennt.\n\nEin beispielhafter Auftrag besteht darin, Anforderungen zu analysieren, deren Bedingungen voneinander abhängen. Stellen Sie die Frage, das relevante Material und die Kriterien bereit, die die Entscheidung bestimmen. Fordern Sie eine Erklärung der Zusammenhänge und eine konkrete Empfehlung mit ausdrücklich genannten Bedingungen an. Geben Sie bei einer Codefrage das beabsichtigte Verhalten und die zugehörige Implementierung an; stellen Sie bei einem mathematischen Problem die Definitionen, den Definitionsbereich und die erforderliche Ergebnisform bereit.\n\nVisuelles Material kann ein Diagramm, einen Oberflächenzustand oder andere Belege für die Frage liefern. Benennen Sie das relevante Detail und ergänzen Sie den schriftlichen Kontext, der zu seiner Interpretation benötigt wird. Ein nützlicher Eingabeauftrag trennt Quelleninformationen von Anweisungen und definiert das vom Leser benötigte Ergebnis: eine technische Erklärung, einen Lösungsvorschlag, einen Vergleich oder einen Plan. Dadurch wird die zusätzliche Analyse des Modells mit dem tatsächlichen Zweck der Aufgabe verknüpft.\n\nOpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Reasoning beansprucht neben der Eingabe und der sichtbaren Antwort Platz. Der Hersteller dokumentiert o1-pro über Responses, das Modellinteraktionen über mehrere Gesprächsrunden vor der abschließenden Antwort unterstützt; die Modellspezifikation führt außerdem Batch auf. Dies sind die Herstellereigenschaften des Pro-Modells und nicht die Einstellungen einer anderen o1-Edition.\n\nDie native Modellkarte bestätigt, dass Streaming nicht unterstützt wird, Funktionsaufrufe, Structured Outputs und Bildeingaben dagegen schon. Die genaue Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Eine Anwendung stellt ihre Operationen bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte abschließende Antwort definiert die Form der Ausgabe, während eine Funktionsanforderung eine Operation für die Arbeitsumgebung vorschlägt.\n\nGeben Sie an, wie die Aufgabe abgeschlossen und geprüft werden soll. Bitten Sie bei einer Analyse darum, Schlussfolgerung, zugrunde liegende Belege und ungeklärte Bedingungen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und fordern Sie, tatsächlich durchgeführte Prüfungen von noch benötigten zu trennen. Ein nützliches fertiges Ergebnis macht die wichtigen Entscheidungen ausdrücklich sichtbar und verknüpft sie mit der ursprünglichen Frage und dem bereitgestellten Material.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Check an interdependent staffing plan\n\nTwo rooms need a facilitator from 09:00 to 10:00. Ada can facilitate either room. Ben can facilitate only room A. Cara can cover room B but arrives at 09:30. Each room needs continuous coverage, and nobody can cover both at once. Find a feasible assignment or identify the blocking condition and the smallest staffing change needed.A feasibility conclusion with a time-based assignment or a precise blocking interval and proposed change.The reasoning checks the full 09:00–09:30 interval rather than treating Cara as available from 09:00.openai/o1-proDie eigenständige Edition o1-pro nutzt zusätzliche Rechenleistung für komplexes Schlussfolgern anhand von Text und Bildern. Sie gibt Text aus und unterstützt Funktionsaufrufe und Structured Outputs über den Responses-Ablauf des Herstellers, ohne Streaming.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o1-pro ist OpenAIs eigenständige o1-Edition, die zusätzliche Rechenleistung für komplexes Schlussfolgern nutzt. Die o1-Familie wird mit Reinforcement Learning darauf trainiert, ein Problem vor der Antwort zu durchdenken. Das Pro-Modell nimmt Text und Bilder entgegen und erzeugt Text. Seine Identität ist vom Standardmodell o1 und von den für spätere GPT-Familien dokumentierten Pro-Ausführungsmodi getrennt.
Ein beispielhafter Auftrag besteht darin, Anforderungen zu analysieren, deren Bedingungen voneinander abhängen. Stellen Sie die Frage, das relevante Material und die Kriterien bereit, die die Entscheidung bestimmen. Fordern Sie eine Erklärung der Zusammenhänge und eine konkrete Empfehlung mit ausdrücklich genannten Bedingungen an. Geben Sie bei einer Codefrage das beabsichtigte Verhalten und die zugehörige Implementierung an; stellen Sie bei einem mathematischen Problem die Definitionen, den Definitionsbereich und die erforderliche Ergebnisform bereit.
Visuelles Material kann ein Diagramm, einen Oberflächenzustand oder andere Belege für die Frage liefern. Benennen Sie das relevante Detail und ergänzen Sie den schriftlichen Kontext, der zu seiner Interpretation benötigt wird. Ein nützlicher Eingabeauftrag trennt Quelleninformationen von Anweisungen und definiert das vom Leser benötigte Ergebnis: eine technische Erklärung, einen Lösungsvorschlag, einen Vergleich oder einen Plan. Dadurch wird die zusätzliche Analyse des Modells mit dem tatsächlichen Zweck der Aufgabe verknüpft.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Reasoning beansprucht neben der Eingabe und der sichtbaren Antwort Platz. Der Hersteller dokumentiert o1-pro über Responses, das Modellinteraktionen über mehrere Gesprächsrunden vor der abschließenden Antwort unterstützt; die Modellspezifikation führt außerdem Batch auf. Dies sind die Herstellereigenschaften des Pro-Modells und nicht die Einstellungen einer anderen o1-Edition.
Die native Modellkarte bestätigt, dass Streaming nicht unterstützt wird, Funktionsaufrufe, Structured Outputs und Bildeingaben dagegen schon. Die genaue Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Eine Anwendung stellt ihre Operationen bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte abschließende Antwort definiert die Form der Ausgabe, während eine Funktionsanforderung eine Operation für die Arbeitsumgebung vorschlägt.
Geben Sie an, wie die Aufgabe abgeschlossen und geprüft werden soll. Bitten Sie bei einer Analyse darum, Schlussfolgerung, zugrunde liegende Belege und ungeklärte Bedingungen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und fordern Sie, tatsächlich durchgeführte Prüfungen von noch benötigten zu trennen. Ein nützliches fertiges Ergebnis macht die wichtigen Entscheidungen ausdrücklich sichtbar und verknüpft sie mit der ursprünglichen Frage und dem bereitgestellten Material.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o1-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 $0.3 / 1K Token Ausgabe · Ausgabetoken $1.2 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.3 / 1K Token Ausgabe · Ausgabetoken $1.2 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o1-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/o1-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/o1-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/o1-pro
Verwenden Sie die oben angezeigten Methodenpfade.
openai/o1-proDie eigenständige Edition o1-pro nutzt zusätzliche Rechenleistung für komplexes Schlussfolgern anhand von Text und Bildern. Sie gibt Text aus und unterstützt Funktionsaufrufe und Structured Outputs über den Responses-Ablauf des Herstellers, ohne Streaming.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o1-pro ist OpenAIs eigenständige o1-Edition, die zusätzliche Rechenleistung für komplexes Schlussfolgern nutzt. Die o1-Familie wird mit Reinforcement Learning darauf trainiert, ein Problem vor der Antwort zu durchdenken. Das Pro-Modell nimmt Text und Bilder entgegen und erzeugt Text. Seine Identität ist vom Standardmodell o1 und von den für spätere GPT-Familien dokumentierten Pro-Ausführungsmodi getrennt.
Ein beispielhafter Auftrag besteht darin, Anforderungen zu analysieren, deren Bedingungen voneinander abhängen. Stellen Sie die Frage, das relevante Material und die Kriterien bereit, die die Entscheidung bestimmen. Fordern Sie eine Erklärung der Zusammenhänge und eine konkrete Empfehlung mit ausdrücklich genannten Bedingungen an. Geben Sie bei einer Codefrage das beabsichtigte Verhalten und die zugehörige Implementierung an; stellen Sie bei einem mathematischen Problem die Definitionen, den Definitionsbereich und die erforderliche Ergebnisform bereit.
Visuelles Material kann ein Diagramm, einen Oberflächenzustand oder andere Belege für die Frage liefern. Benennen Sie das relevante Detail und ergänzen Sie den schriftlichen Kontext, der zu seiner Interpretation benötigt wird. Ein nützlicher Eingabeauftrag trennt Quelleninformationen von Anweisungen und definiert das vom Leser benötigte Ergebnis: eine technische Erklärung, einen Lösungsvorschlag, einen Vergleich oder einen Plan. Dadurch wird die zusätzliche Analyse des Modells mit dem tatsächlichen Zweck der Aufgabe verknüpft.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Reasoning beansprucht neben der Eingabe und der sichtbaren Antwort Platz. Der Hersteller dokumentiert o1-pro über Responses, das Modellinteraktionen über mehrere Gesprächsrunden vor der abschließenden Antwort unterstützt; die Modellspezifikation führt außerdem Batch auf. Dies sind die Herstellereigenschaften des Pro-Modells und nicht die Einstellungen einer anderen o1-Edition.
Die native Modellkarte bestätigt, dass Streaming nicht unterstützt wird, Funktionsaufrufe, Structured Outputs und Bildeingaben dagegen schon. Die genaue Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Eine Anwendung stellt ihre Operationen bereit, führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück. Eine strukturierte abschließende Antwort definiert die Form der Ausgabe, während eine Funktionsanforderung eine Operation für die Arbeitsumgebung vorschlägt.
Geben Sie an, wie die Aufgabe abgeschlossen und geprüft werden soll. Bitten Sie bei einer Analyse darum, Schlussfolgerung, zugrunde liegende Belege und ungeklärte Bedingungen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und fordern Sie, tatsächlich durchgeführte Prüfungen von noch benötigten zu trennen. Ein nützliches fertiges Ergebnis macht die wichtigen Entscheidungen ausdrücklich sichtbar und verknüpft sie mit der ursprünglichen Frage und dem bereitgestellten Material.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o1-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 $0.3 / 1K Token Ausgabe · Ausgabetoken $1.2 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.3 / 1K Token Ausgabe · Ausgabetoken $1.2 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/o1-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/o1-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/o1-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/o1-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Check an interdependent staffing plan\n\nTwo rooms need a facilitator from 09:00 to 10:00. Ada can facilitate either room. Ben can facilitate only room A. Cara can cover room B but arrives at 09:30. Each room needs continuous coverage, and nobody can cover both at once. Find a feasible assignment or identify the blocking condition and the smallest staffing change needed.A feasibility conclusion with a time-based assignment or a precise blocking interval and proposed change.The reasoning checks the full 09:00–09:30 interval rather than treating Cara as available from 09:00.