o1 ist OpenAIs mit Reinforcement Learning trainiertes Modell der o-Serie für komplexes Schlussfolgern. Es durchdenkt ein Problem intern, bevor es eine Antwort erzeugt. Das Modell nimmt Text und Bilder entgegen und gibt Text aus. Die Veröffentlichung des Herstellers für Entwickler beschreibt mehrstufige Aufgaben und dokumentiert Funktionsaufrufe, Structured Outputs, Entwicklermeldungen und Bilderkennung für das API-Modell.
Ein nützlicher Auftrag enthält die Frage und das für ihre Beantwortung benötigte Material. Ein beispielhafter Auftrag besteht darin, zwei technische Ansätze anhand mehrerer verknüpfter Anforderungen zu vergleichen und anschließend die durch diese Anforderungen gestützte Schlussfolgerung zu benennen. Stellen Sie bei Code das beabsichtigte Verhalten und die relevante Implementierung bereit. Benennen Sie bei einem Dokument die Passagen oder Fakten, die für die Antwort maßgeblich sein sollen, und definieren Sie das vom Leser benötigte Ergebnis.
Visuelle Eingaben können eine naturwissenschaftliche Aufgabe, eine Fertigungsaufgabe oder eine Programmieraufgabe unterstützen, wenn das Bild relevante Belege liefert. Stellen Sie das Diagramm oder den Screenshot bereit und benennen Sie das wichtige Detail; ergänzen Sie Definitionen oder Bedingungen, die das Bild allein nicht belegt. Entwickleranweisungen können Ton, Stil und Aufgabenverhalten festlegen. Der Hersteller dokumentiert außerdem eine Steuerung des Reasoning-Aufwands für den Arbeitsumfang vor der Antwort.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Eingabe, internes Schlussfolgern und sichtbare Ausgabe beanspruchen Kontextplatz. Richten Sie eine lange Anfrage auf die nützlichen Belege aus und lassen Sie Platz für Analyse und abschließendes Ergebnis. Das erwartete Antwortformat und der gewünschte Detailgrad der Aufgabe sollten ausdrücklich genannt werden.
Die genaue Modellkarte führt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben beziehungsweise Dateisuche und Bildeingaben auf. Die Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die angeforderten Ausgabefelder, während eine Funktionsanforderung eine Operation für die Umgebung beschreibt.
Definieren Sie ein Abschlusskriterium und fordern Sie ein mit den Ausgangsbedingungen verknüpftes Ergebnis an. Bitten Sie bei einem Vergleich darum, bereitgestellte Fakten, gewählten Ansatz und ungeklärte Annahmen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die zur Prüfung benötigten Belege. Ein nützliches fertiges Ergebnis ist eine konkrete Erklärung, ein Plan, ein Codevorschlag oder eine Sammlung von Feststellungen, die anhand des Originalmaterials geprüft und in einer gezielten Folgeanfrage verfeinert werden können.
", "aboutText": "o1 ist OpenAIs mit Reinforcement Learning trainiertes Modell der o-Serie für komplexes Schlussfolgern. Es durchdenkt ein Problem intern, bevor es eine Antwort erzeugt. Das Modell nimmt Text und Bilder entgegen und gibt Text aus. Die Veröffentlichung des Herstellers für Entwickler beschreibt mehrstufige Aufgaben und dokumentiert Funktionsaufrufe, Structured Outputs, Entwicklermeldungen und Bilderkennung für das API-Modell.\n\nEin nützlicher Auftrag enthält die Frage und das für ihre Beantwortung benötigte Material. Ein beispielhafter Auftrag besteht darin, zwei technische Ansätze anhand mehrerer verknüpfter Anforderungen zu vergleichen und anschließend die durch diese Anforderungen gestützte Schlussfolgerung zu benennen. Stellen Sie bei Code das beabsichtigte Verhalten und die relevante Implementierung bereit. Benennen Sie bei einem Dokument die Passagen oder Fakten, die für die Antwort maßgeblich sein sollen, und definieren Sie das vom Leser benötigte Ergebnis.\n\nVisuelle Eingaben können eine naturwissenschaftliche Aufgabe, eine Fertigungsaufgabe oder eine Programmieraufgabe unterstützen, wenn das Bild relevante Belege liefert. Stellen Sie das Diagramm oder den Screenshot bereit und benennen Sie das wichtige Detail; ergänzen Sie Definitionen oder Bedingungen, die das Bild allein nicht belegt. Entwickleranweisungen können Ton, Stil und Aufgabenverhalten festlegen. Der Hersteller dokumentiert außerdem eine Steuerung des Reasoning-Aufwands für den Arbeitsumfang vor der Antwort.\n\nOpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Eingabe, internes Schlussfolgern und sichtbare Ausgabe beanspruchen Kontextplatz. Richten Sie eine lange Anfrage auf die nützlichen Belege aus und lassen Sie Platz für Analyse und abschließendes Ergebnis. Das erwartete Antwortformat und der gewünschte Detailgrad der Aufgabe sollten ausdrücklich genannt werden.\n\nDie genaue Modellkarte führt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben beziehungsweise Dateisuche und Bildeingaben auf. Die Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die angeforderten Ausgabefelder, während eine Funktionsanforderung eine Operation für die Umgebung beschreibt.\n\nDefinieren Sie ein Abschlusskriterium und fordern Sie ein mit den Ausgangsbedingungen verknüpftes Ergebnis an. Bitten Sie bei einem Vergleich darum, bereitgestellte Fakten, gewählten Ansatz und ungeklärte Annahmen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die zur Prüfung benötigten Belege. Ein nützliches fertiges Ergebnis ist eine konkrete Erklärung, ein Plan, ein Codevorschlag oder eine Sammlung von Feststellungen, die anhand des Originalmaterials geprüft und in einer gezielten Folgeanfrage verfeinert werden können.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare two backup approaches\n\nCompare these backup options against three requirements: daily recovery point, recovery within two hours and an independent copy. [A] Nightly backup to the same disk; restore test took one hour. [B] Weekly backup to another device; restore test took 90 minutes. Identify satisfied and unmet requirements and whether either option alone meets all three.A three-requirement matrix and a conclusion distinguishing recorded test results from unsatisfied conditions.Verify same-disk backup does not satisfy the independent-copy rule and weekly backup does not satisfy daily recovery.o1OpenAIs Reasoning-Modell o1 durchdenkt komplexe Probleme anhand von Text und Bildern. Es unterstützt Funktionsaufrufe, Structured Outputs und Entwickleranweisungen für Aufgaben, die Bedingungen, Belege und ein konkretes abschließendes Ergebnis verbinden müssen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o1 ist OpenAIs mit Reinforcement Learning trainiertes Modell der o-Serie für komplexes Schlussfolgern. Es durchdenkt ein Problem intern, bevor es eine Antwort erzeugt. Das Modell nimmt Text und Bilder entgegen und gibt Text aus. Die Veröffentlichung des Herstellers für Entwickler beschreibt mehrstufige Aufgaben und dokumentiert Funktionsaufrufe, Structured Outputs, Entwicklermeldungen und Bilderkennung für das API-Modell.
Ein nützlicher Auftrag enthält die Frage und das für ihre Beantwortung benötigte Material. Ein beispielhafter Auftrag besteht darin, zwei technische Ansätze anhand mehrerer verknüpfter Anforderungen zu vergleichen und anschließend die durch diese Anforderungen gestützte Schlussfolgerung zu benennen. Stellen Sie bei Code das beabsichtigte Verhalten und die relevante Implementierung bereit. Benennen Sie bei einem Dokument die Passagen oder Fakten, die für die Antwort maßgeblich sein sollen, und definieren Sie das vom Leser benötigte Ergebnis.
Visuelle Eingaben können eine naturwissenschaftliche Aufgabe, eine Fertigungsaufgabe oder eine Programmieraufgabe unterstützen, wenn das Bild relevante Belege liefert. Stellen Sie das Diagramm oder den Screenshot bereit und benennen Sie das wichtige Detail; ergänzen Sie Definitionen oder Bedingungen, die das Bild allein nicht belegt. Entwickleranweisungen können Ton, Stil und Aufgabenverhalten festlegen. Der Hersteller dokumentiert außerdem eine Steuerung des Reasoning-Aufwands für den Arbeitsumfang vor der Antwort.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Eingabe, internes Schlussfolgern und sichtbare Ausgabe beanspruchen Kontextplatz. Richten Sie eine lange Anfrage auf die nützlichen Belege aus und lassen Sie Platz für Analyse und abschließendes Ergebnis. Das erwartete Antwortformat und der gewünschte Detailgrad der Aufgabe sollten ausdrücklich genannt werden.
Die genaue Modellkarte führt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben beziehungsweise Dateisuche und Bildeingaben auf. Die Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die angeforderten Ausgabefelder, während eine Funktionsanforderung eine Operation für die Umgebung beschreibt.
Definieren Sie ein Abschlusskriterium und fordern Sie ein mit den Ausgangsbedingungen verknüpftes Ergebnis an. Bitten Sie bei einem Vergleich darum, bereitgestellte Fakten, gewählten Ansatz und ungeklärte Annahmen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die zur Prüfung benötigten Belege. Ein nützliches fertiges Ergebnis ist eine konkrete Erklärung, ein Plan, ein Codevorschlag oder eine Sammlung von Feststellungen, die anhand des Originalmaterials geprüft und in einer gezielten Folgeanfrage verfeinert werden können.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits o1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.03 / 1K Token Ausgabe · Ausgabetoken $0.12 / 1K Token Eingabe · Cache-Lesen $0.015 / 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 $0.03 / 1K Token Ausgabe · Ausgabetoken $0.12 / 1K Token Eingabe · Cache-Lesen $0.015 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"o1","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="o1", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
/chat/completions
o1OpenAIs Reasoning-Modell o1 durchdenkt komplexe Probleme anhand von Text und Bildern. Es unterstützt Funktionsaufrufe, Structured Outputs und Entwickleranweisungen für Aufgaben, die Bedingungen, Belege und ein konkretes abschließendes Ergebnis verbinden müssen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o1 ist OpenAIs mit Reinforcement Learning trainiertes Modell der o-Serie für komplexes Schlussfolgern. Es durchdenkt ein Problem intern, bevor es eine Antwort erzeugt. Das Modell nimmt Text und Bilder entgegen und gibt Text aus. Die Veröffentlichung des Herstellers für Entwickler beschreibt mehrstufige Aufgaben und dokumentiert Funktionsaufrufe, Structured Outputs, Entwicklermeldungen und Bilderkennung für das API-Modell.
Ein nützlicher Auftrag enthält die Frage und das für ihre Beantwortung benötigte Material. Ein beispielhafter Auftrag besteht darin, zwei technische Ansätze anhand mehrerer verknüpfter Anforderungen zu vergleichen und anschließend die durch diese Anforderungen gestützte Schlussfolgerung zu benennen. Stellen Sie bei Code das beabsichtigte Verhalten und die relevante Implementierung bereit. Benennen Sie bei einem Dokument die Passagen oder Fakten, die für die Antwort maßgeblich sein sollen, und definieren Sie das vom Leser benötigte Ergebnis.
Visuelle Eingaben können eine naturwissenschaftliche Aufgabe, eine Fertigungsaufgabe oder eine Programmieraufgabe unterstützen, wenn das Bild relevante Belege liefert. Stellen Sie das Diagramm oder den Screenshot bereit und benennen Sie das wichtige Detail; ergänzen Sie Definitionen oder Bedingungen, die das Bild allein nicht belegt. Entwickleranweisungen können Ton, Stil und Aufgabenverhalten festlegen. Der Hersteller dokumentiert außerdem eine Steuerung des Reasoning-Aufwands für den Arbeitsumfang vor der Antwort.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Eingabe, internes Schlussfolgern und sichtbare Ausgabe beanspruchen Kontextplatz. Richten Sie eine lange Anfrage auf die nützlichen Belege aus und lassen Sie Platz für Analyse und abschließendes Ergebnis. Das erwartete Antwortformat und der gewünschte Detailgrad der Aufgabe sollten ausdrücklich genannt werden.
Die genaue Modellkarte führt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben beziehungsweise Dateisuche und Bildeingaben auf. Die Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die angeforderten Ausgabefelder, während eine Funktionsanforderung eine Operation für die Umgebung beschreibt.
Definieren Sie ein Abschlusskriterium und fordern Sie ein mit den Ausgangsbedingungen verknüpftes Ergebnis an. Bitten Sie bei einem Vergleich darum, bereitgestellte Fakten, gewählten Ansatz und ungeklärte Annahmen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die zur Prüfung benötigten Belege. Ein nützliches fertiges Ergebnis ist eine konkrete Erklärung, ein Plan, ein Codevorschlag oder eine Sammlung von Feststellungen, die anhand des Originalmaterials geprüft und in einer gezielten Folgeanfrage verfeinert werden können.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits o1 | 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 $0.03 / 1K Token Ausgabe · Ausgabetoken $0.12 / 1K Token Eingabe · Cache-Lesen $0.015 / 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 $0.03 / 1K Token Ausgabe · Ausgabetoken $0.12 / 1K Token Eingabe · Cache-Lesen $0.015 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "o1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'o1', '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': 'o1', '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. |
/chat/completions
openai/o1OpenAIs Reasoning-Modell o1 durchdenkt komplexe Probleme anhand von Text und Bildern. Es unterstützt Funktionsaufrufe, Structured Outputs und Entwickleranweisungen für Aufgaben, die Bedingungen, Belege und ein konkretes abschließendes Ergebnis verbinden müssen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o1 ist OpenAIs mit Reinforcement Learning trainiertes Modell der o-Serie für komplexes Schlussfolgern. Es durchdenkt ein Problem intern, bevor es eine Antwort erzeugt. Das Modell nimmt Text und Bilder entgegen und gibt Text aus. Die Veröffentlichung des Herstellers für Entwickler beschreibt mehrstufige Aufgaben und dokumentiert Funktionsaufrufe, Structured Outputs, Entwicklermeldungen und Bilderkennung für das API-Modell.
Ein nützlicher Auftrag enthält die Frage und das für ihre Beantwortung benötigte Material. Ein beispielhafter Auftrag besteht darin, zwei technische Ansätze anhand mehrerer verknüpfter Anforderungen zu vergleichen und anschließend die durch diese Anforderungen gestützte Schlussfolgerung zu benennen. Stellen Sie bei Code das beabsichtigte Verhalten und die relevante Implementierung bereit. Benennen Sie bei einem Dokument die Passagen oder Fakten, die für die Antwort maßgeblich sein sollen, und definieren Sie das vom Leser benötigte Ergebnis.
Visuelle Eingaben können eine naturwissenschaftliche Aufgabe, eine Fertigungsaufgabe oder eine Programmieraufgabe unterstützen, wenn das Bild relevante Belege liefert. Stellen Sie das Diagramm oder den Screenshot bereit und benennen Sie das wichtige Detail; ergänzen Sie Definitionen oder Bedingungen, die das Bild allein nicht belegt. Entwickleranweisungen können Ton, Stil und Aufgabenverhalten festlegen. Der Hersteller dokumentiert außerdem eine Steuerung des Reasoning-Aufwands für den Arbeitsumfang vor der Antwort.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Eingabe, internes Schlussfolgern und sichtbare Ausgabe beanspruchen Kontextplatz. Richten Sie eine lange Anfrage auf die nützlichen Belege aus und lassen Sie Platz für Analyse und abschließendes Ergebnis. Das erwartete Antwortformat und der gewünschte Detailgrad der Aufgabe sollten ausdrücklich genannt werden.
Die genaue Modellkarte führt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben beziehungsweise Dateisuche und Bildeingaben auf. Die Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die angeforderten Ausgabefelder, während eine Funktionsanforderung eine Operation für die Umgebung beschreibt.
Definieren Sie ein Abschlusskriterium und fordern Sie ein mit den Ausgangsbedingungen verknüpftes Ergebnis an. Bitten Sie bei einem Vergleich darum, bereitgestellte Fakten, gewählten Ansatz und ungeklärte Annahmen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die zur Prüfung benötigten Belege. Ein nützliches fertiges Ergebnis ist eine konkrete Erklärung, ein Plan, ein Codevorschlag oder eine Sammlung von Feststellungen, die anhand des Originalmaterials geprüft und in einer gezielten Folgeanfrage verfeinert werden können.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o1 | 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 $0.03 / 1K Token Ausgabe · Ausgabetoken $0.12 / 1K Token Eingabe · Cache-Lesen $0.015 / 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 $0.03 / 1K Token Ausgabe · Ausgabetoken $0.12 / 1K Token Eingabe · Cache-Lesen $0.015 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o1", "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',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',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. |
/chat/completions
openai/o1OpenAIs Reasoning-Modell o1 durchdenkt komplexe Probleme anhand von Text und Bildern. Es unterstützt Funktionsaufrufe, Structured Outputs und Entwickleranweisungen für Aufgaben, die Bedingungen, Belege und ein konkretes abschließendes Ergebnis verbinden müssen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o1 ist OpenAIs mit Reinforcement Learning trainiertes Modell der o-Serie für komplexes Schlussfolgern. Es durchdenkt ein Problem intern, bevor es eine Antwort erzeugt. Das Modell nimmt Text und Bilder entgegen und gibt Text aus. Die Veröffentlichung des Herstellers für Entwickler beschreibt mehrstufige Aufgaben und dokumentiert Funktionsaufrufe, Structured Outputs, Entwicklermeldungen und Bilderkennung für das API-Modell.
Ein nützlicher Auftrag enthält die Frage und das für ihre Beantwortung benötigte Material. Ein beispielhafter Auftrag besteht darin, zwei technische Ansätze anhand mehrerer verknüpfter Anforderungen zu vergleichen und anschließend die durch diese Anforderungen gestützte Schlussfolgerung zu benennen. Stellen Sie bei Code das beabsichtigte Verhalten und die relevante Implementierung bereit. Benennen Sie bei einem Dokument die Passagen oder Fakten, die für die Antwort maßgeblich sein sollen, und definieren Sie das vom Leser benötigte Ergebnis.
Visuelle Eingaben können eine naturwissenschaftliche Aufgabe, eine Fertigungsaufgabe oder eine Programmieraufgabe unterstützen, wenn das Bild relevante Belege liefert. Stellen Sie das Diagramm oder den Screenshot bereit und benennen Sie das wichtige Detail; ergänzen Sie Definitionen oder Bedingungen, die das Bild allein nicht belegt. Entwickleranweisungen können Ton, Stil und Aufgabenverhalten festlegen. Der Hersteller dokumentiert außerdem eine Steuerung des Reasoning-Aufwands für den Arbeitsumfang vor der Antwort.
OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Eingabe, internes Schlussfolgern und sichtbare Ausgabe beanspruchen Kontextplatz. Richten Sie eine lange Anfrage auf die nützlichen Belege aus und lassen Sie Platz für Analyse und abschließendes Ergebnis. Das erwartete Antwortformat und der gewünschte Detailgrad der Aufgabe sollten ausdrücklich genannt werden.
Die genaue Modellkarte führt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Dateieingaben beziehungsweise Dateisuche und Bildeingaben auf. Die Werkzeugliste enthält Funktionen, Dateisuche und MCP-Verbindungen. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück. Eine strukturierte Antwort beschreibt die angeforderten Ausgabefelder, während eine Funktionsanforderung eine Operation für die Umgebung beschreibt.
Definieren Sie ein Abschlusskriterium und fordern Sie ein mit den Ausgangsbedingungen verknüpftes Ergebnis an. Bitten Sie bei einem Vergleich darum, bereitgestellte Fakten, gewählten Ansatz und ungeklärte Annahmen unterscheidbar zu halten. Benennen Sie bei einer vorgeschlagenen Änderung das erwartete Verhalten und die zur Prüfung benötigten Belege. Ein nützliches fertiges Ergebnis ist eine konkrete Erklärung, ein Plan, ein Codevorschlag oder eine Sammlung von Feststellungen, die anhand des Originalmaterials geprüft und in einer gezielten Folgeanfrage verfeinert werden können.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o1 | 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 $0.03 / 1K Token Ausgabe · Ausgabetoken $0.12 / 1K Token Eingabe · Cache-Lesen $0.015 / 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 $0.03 / 1K Token Ausgabe · Ausgabetoken $0.12 / 1K Token Eingabe · Cache-Lesen $0.015 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/o1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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. |
/chat/completions
Technisches Beispiel auf Englisch
Compare two backup approaches\n\nCompare these backup options against three requirements: daily recovery point, recovery within two hours and an independent copy. [A] Nightly backup to the same disk; restore test took one hour. [B] Weekly backup to another device; restore test took 90 minutes. Identify satisfied and unmet requirements and whether either option alone meets all three.A three-requirement matrix and a conclusion distinguishing recorded test results from unsatisfied conditions.Verify same-disk backup does not satisfy the independent-copy rule and weekly backup does not satisfy daily recovery.