o3-mini (High) bezeichnet OpenAIs o3-mini mit hohem Reasoning-Aufwand. Das Basismodell ist ein kleineres Reasoning-Modell der o-Serie mit Schwerpunkt auf MINT-Aufgaben, darunter Naturwissenschaften, Mathematik und Programmierung. Es nimmt Text entgegen und gibt Text aus. High bezeichnet die Reasoning-Einstellung und wahrt damit die Identität des Basismodells o3-mini, statt einen neuen eigenständigen Satz von Modellgewichten zu bezeichnen.
Stellen Sie bei einem technischen Problem die vollständige Aufgabenstellung, Definitionen und Bedingungen bereit, die eine gültige Antwort bestimmen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand mehrerer Eingabefälle zu untersuchen, die Beziehungen zwischen diesen Fällen zu erläutern und eine Lösung vorzuschlagen, die die genannten Bedingungen einhält. Geben Sie bei mathematischen Aufgaben die Definitionsbereiche der Variablen, das erforderliche Ergebnis und die in der abschließenden Antwort benötigte Notation oder Genauigkeit an.
Der Hersteller dokumentiert die Reasoning-Stufen low, medium und high für o3-mini. Die Variante High widmet der Frage mehr Analyse und kann länger bis zum Ergebnis benötigen. Das ist von der Antwortlänge getrennt: Auch wenn die zugrunde liegende Frage ausführlicheres Schlussfolgern erfordert, kann eine Aufgabe eine knappe Schlussfolgerung verlangen. Geben Sie dem Modell ein klares Ziel, verbindliche Bedingungen und die Belege, die zur Beurteilung seiner Schlussfolgerung benötigt werden.
OpenAIs Spezifikation nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Dieses Modell nimmt ausschließlich Text entgegen und unterstützt keine Bilderkennung. Wenn ein Problem aus einem Diagramm oder Screenshot stammt, stellen Sie die relevanten Informationen als schriftliche Bedingungen bereit. Lassen Sie im verfügbaren Kontext Platz für das Schlussfolgern und das gewünschte sichtbare Ergebnis.
Der Hersteller nennt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe und Dateieingaben beziehungsweise Dateisuche. Die Veröffentlichung dokumentiert außerdem Entwicklermeldungen für Anweisungen und Kontext. Die Werkzeugliste der Modellkarte enthält Funktionen, Dateisuche, Codeinterpretation, MCP-Verbindungen und Werkzeuge zur Bilderzeugung. Diese Werkzeugoperationen sind von den Texteingaben und Textausgaben des Modells getrennt; die Anwendung führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück.
Definieren Sie das fertige Ergebnis und seine Prüfung. Fordern Sie eine vorgeschlagene Implementierung, Formel, einen Vergleich oder ein strukturiertes Ergebnis an, das die stützenden Bedingungen benennt. Stellen Sie bei einer Folgeanfrage die neuen Belege bereit und benennen Sie den zu überarbeitenden Teil der Lösung. Eine nützliche abschließende Antwort verknüpft die Schlussfolgerung mit dem ursprünglichen Problem und hält eine abgeschlossene Berechnung oder Werkzeugoperation von einer noch vorgeschlagenen getrennt.
", "aboutText": "o3-mini (High) bezeichnet OpenAIs o3-mini mit hohem Reasoning-Aufwand. Das Basismodell ist ein kleineres Reasoning-Modell der o-Serie mit Schwerpunkt auf MINT-Aufgaben, darunter Naturwissenschaften, Mathematik und Programmierung. Es nimmt Text entgegen und gibt Text aus. High bezeichnet die Reasoning-Einstellung und wahrt damit die Identität des Basismodells o3-mini, statt einen neuen eigenständigen Satz von Modellgewichten zu bezeichnen.\n\nStellen Sie bei einem technischen Problem die vollständige Aufgabenstellung, Definitionen und Bedingungen bereit, die eine gültige Antwort bestimmen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand mehrerer Eingabefälle zu untersuchen, die Beziehungen zwischen diesen Fällen zu erläutern und eine Lösung vorzuschlagen, die die genannten Bedingungen einhält. Geben Sie bei mathematischen Aufgaben die Definitionsbereiche der Variablen, das erforderliche Ergebnis und die in der abschließenden Antwort benötigte Notation oder Genauigkeit an.\n\nDer Hersteller dokumentiert die Reasoning-Stufen low, medium und high für o3-mini. Die Variante High widmet der Frage mehr Analyse und kann länger bis zum Ergebnis benötigen. Das ist von der Antwortlänge getrennt: Auch wenn die zugrunde liegende Frage ausführlicheres Schlussfolgern erfordert, kann eine Aufgabe eine knappe Schlussfolgerung verlangen. Geben Sie dem Modell ein klares Ziel, verbindliche Bedingungen und die Belege, die zur Beurteilung seiner Schlussfolgerung benötigt werden.\n\nOpenAIs Spezifikation nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Dieses Modell nimmt ausschließlich Text entgegen und unterstützt keine Bilderkennung. Wenn ein Problem aus einem Diagramm oder Screenshot stammt, stellen Sie die relevanten Informationen als schriftliche Bedingungen bereit. Lassen Sie im verfügbaren Kontext Platz für das Schlussfolgern und das gewünschte sichtbare Ergebnis.\n\nDer Hersteller nennt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe und Dateieingaben beziehungsweise Dateisuche. Die Veröffentlichung dokumentiert außerdem Entwicklermeldungen für Anweisungen und Kontext. Die Werkzeugliste der Modellkarte enthält Funktionen, Dateisuche, Codeinterpretation, MCP-Verbindungen und Werkzeuge zur Bilderzeugung. Diese Werkzeugoperationen sind von den Texteingaben und Textausgaben des Modells getrennt; die Anwendung führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück.\n\nDefinieren Sie das fertige Ergebnis und seine Prüfung. Fordern Sie eine vorgeschlagene Implementierung, Formel, einen Vergleich oder ein strukturiertes Ergebnis an, das die stützenden Bedingungen benennt. Stellen Sie bei einer Folgeanfrage die neuen Belege bereit und benennen Sie den zu überarbeitenden Teil der Lösung. Eine nützliche abschließende Antwort verknüpft die Schlussfolgerung mit dem ursprünglichen Problem und hält eine abgeschlossene Berechnung oder Werkzeugoperation von einer noch vorgeschlagenen getrennt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Check an algorithm on boundary cases\n\nA binary-search function starts with lo=0 and hi=len(items), then reads items[mid] while lo <= hi. Analyze the boundary error for an empty sorted list and for a target above all elements. Propose a consistent inclusive-bound version in Python and tests for empty, singleton, found and missing cases. Return a concise explanation with code.A boundary-error explanation, corrected binary search and tests covering the named cases.The code never indexes an empty list or index len(items), and every loop iteration shrinks the search interval.openai/o3-mini-higho3-mini mit der Reasoning-Stufe High für textbasierte Mathematik, Naturwissenschaften und Programmierung. Es gibt Text aus und unterstützt Streaming, Funktionsaufrufe und Structured Outputs, mit einer höheren Reasoning-Einstellung für die miteinander verknüpften Bedingungen einer Aufgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o3-mini (High) bezeichnet OpenAIs o3-mini mit hohem Reasoning-Aufwand. Das Basismodell ist ein kleineres Reasoning-Modell der o-Serie mit Schwerpunkt auf MINT-Aufgaben, darunter Naturwissenschaften, Mathematik und Programmierung. Es nimmt Text entgegen und gibt Text aus. High bezeichnet die Reasoning-Einstellung und wahrt damit die Identität des Basismodells o3-mini, statt einen neuen eigenständigen Satz von Modellgewichten zu bezeichnen.
Stellen Sie bei einem technischen Problem die vollständige Aufgabenstellung, Definitionen und Bedingungen bereit, die eine gültige Antwort bestimmen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand mehrerer Eingabefälle zu untersuchen, die Beziehungen zwischen diesen Fällen zu erläutern und eine Lösung vorzuschlagen, die die genannten Bedingungen einhält. Geben Sie bei mathematischen Aufgaben die Definitionsbereiche der Variablen, das erforderliche Ergebnis und die in der abschließenden Antwort benötigte Notation oder Genauigkeit an.
Der Hersteller dokumentiert die Reasoning-Stufen low, medium und high für o3-mini. Die Variante High widmet der Frage mehr Analyse und kann länger bis zum Ergebnis benötigen. Das ist von der Antwortlänge getrennt: Auch wenn die zugrunde liegende Frage ausführlicheres Schlussfolgern erfordert, kann eine Aufgabe eine knappe Schlussfolgerung verlangen. Geben Sie dem Modell ein klares Ziel, verbindliche Bedingungen und die Belege, die zur Beurteilung seiner Schlussfolgerung benötigt werden.
OpenAIs Spezifikation nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Dieses Modell nimmt ausschließlich Text entgegen und unterstützt keine Bilderkennung. Wenn ein Problem aus einem Diagramm oder Screenshot stammt, stellen Sie die relevanten Informationen als schriftliche Bedingungen bereit. Lassen Sie im verfügbaren Kontext Platz für das Schlussfolgern und das gewünschte sichtbare Ergebnis.
Der Hersteller nennt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe und Dateieingaben beziehungsweise Dateisuche. Die Veröffentlichung dokumentiert außerdem Entwicklermeldungen für Anweisungen und Kontext. Die Werkzeugliste der Modellkarte enthält Funktionen, Dateisuche, Codeinterpretation, MCP-Verbindungen und Werkzeuge zur Bilderzeugung. Diese Werkzeugoperationen sind von den Texteingaben und Textausgaben des Modells getrennt; die Anwendung führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück.
Definieren Sie das fertige Ergebnis und seine Prüfung. Fordern Sie eine vorgeschlagene Implementierung, Formel, einen Vergleich oder ein strukturiertes Ergebnis an, das die stützenden Bedingungen benennt. Stellen Sie bei einer Folgeanfrage die neuen Belege bereit und benennen Sie den zu überarbeitenden Teil der Lösung. Eine nützliche abschließende Antwort verknüpft die Schlussfolgerung mit dem ursprünglichen Problem und hält eine abgeschlossene Berechnung oder Werkzeugoperation von einer noch vorgeschlagenen getrennt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o3-mini-high | 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 $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.0011 / 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 $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.0011 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-mini-high", "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/o3-mini-high',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/o3-mini-high',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/o3-mini-high
Verwenden Sie die oben angezeigten Methodenpfade.
openai/o3-mini-higho3-mini mit der Reasoning-Stufe High für textbasierte Mathematik, Naturwissenschaften und Programmierung. Es gibt Text aus und unterstützt Streaming, Funktionsaufrufe und Structured Outputs, mit einer höheren Reasoning-Einstellung für die miteinander verknüpften Bedingungen einer Aufgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o3-mini (High) bezeichnet OpenAIs o3-mini mit hohem Reasoning-Aufwand. Das Basismodell ist ein kleineres Reasoning-Modell der o-Serie mit Schwerpunkt auf MINT-Aufgaben, darunter Naturwissenschaften, Mathematik und Programmierung. Es nimmt Text entgegen und gibt Text aus. High bezeichnet die Reasoning-Einstellung und wahrt damit die Identität des Basismodells o3-mini, statt einen neuen eigenständigen Satz von Modellgewichten zu bezeichnen.
Stellen Sie bei einem technischen Problem die vollständige Aufgabenstellung, Definitionen und Bedingungen bereit, die eine gültige Antwort bestimmen. Ein beispielhafter Auftrag besteht darin, einen Algorithmus anhand mehrerer Eingabefälle zu untersuchen, die Beziehungen zwischen diesen Fällen zu erläutern und eine Lösung vorzuschlagen, die die genannten Bedingungen einhält. Geben Sie bei mathematischen Aufgaben die Definitionsbereiche der Variablen, das erforderliche Ergebnis und die in der abschließenden Antwort benötigte Notation oder Genauigkeit an.
Der Hersteller dokumentiert die Reasoning-Stufen low, medium und high für o3-mini. Die Variante High widmet der Frage mehr Analyse und kann länger bis zum Ergebnis benötigen. Das ist von der Antwortlänge getrennt: Auch wenn die zugrunde liegende Frage ausführlicheres Schlussfolgern erfordert, kann eine Aufgabe eine knappe Schlussfolgerung verlangen. Geben Sie dem Modell ein klares Ziel, verbindliche Bedingungen und die Belege, die zur Beurteilung seiner Schlussfolgerung benötigt werden.
OpenAIs Spezifikation nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Oktober 2023. Dieses Modell nimmt ausschließlich Text entgegen und unterstützt keine Bilderkennung. Wenn ein Problem aus einem Diagramm oder Screenshot stammt, stellen Sie die relevanten Informationen als schriftliche Bedingungen bereit. Lassen Sie im verfügbaren Kontext Platz für das Schlussfolgern und das gewünschte sichtbare Ergebnis.
Der Hersteller nennt die Schnittstellen Responses, Chat Completions, Assistants und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe und Dateieingaben beziehungsweise Dateisuche. Die Veröffentlichung dokumentiert außerdem Entwicklermeldungen für Anweisungen und Kontext. Die Werkzeugliste der Modellkarte enthält Funktionen, Dateisuche, Codeinterpretation, MCP-Verbindungen und Werkzeuge zur Bilderzeugung. Diese Werkzeugoperationen sind von den Texteingaben und Textausgaben des Modells getrennt; die Anwendung führt ihre Aktionen aus und liefert tatsächliche Ergebnisse zurück.
Definieren Sie das fertige Ergebnis und seine Prüfung. Fordern Sie eine vorgeschlagene Implementierung, Formel, einen Vergleich oder ein strukturiertes Ergebnis an, das die stützenden Bedingungen benennt. Stellen Sie bei einer Folgeanfrage die neuen Belege bereit und benennen Sie den zu überarbeitenden Teil der Lösung. Eine nützliche abschließende Antwort verknüpft die Schlussfolgerung mit dem ursprünglichen Problem und hält eine abgeschlossene Berechnung oder Werkzeugoperation von einer noch vorgeschlagenen getrennt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o3-mini-high | 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 $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.0011 / 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 $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.0011 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/o3-mini-high",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/o3-mini-high', '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/o3-mini-high', '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/o3-mini-high
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Check an algorithm on boundary cases\n\nA binary-search function starts with lo=0 and hi=len(items), then reads items[mid] while lo <= hi. Analyze the boundary error for an empty sorted list and for a target above all elements. Propose a consistent inclusive-bound version in Python and tests for empty, singleton, found and missing cases. Return a concise explanation with code.A boundary-error explanation, corrected binary search and tests covering the named cases.The code never indexes an empty list or index len(items), and every loop iteration shrinks the search interval.