GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.
Para clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.
Una tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.
OpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.
El modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.
El fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.
OpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.
Conserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.
", "aboutText": "GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.\n\n### Tareas repetitivas con instrucciones coherentes\n\nPara clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.\n\nUna tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.\n\n### Razonamiento y formato de salida\n\nOpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.\n\nEl modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.\n\n### Contexto y capacidades de integración\n\nEl fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.\n\nOpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.\n\nConserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract a support follow-up record\n\nExtract a follow-up record from this message: 'I am Noor, order N48. The blue mug arrived chipped yesterday. A replacement would be fine; mornings are best for contact.' Return customer name, order ID, item, reported problem, requested resolution and contact preference. Mark any delivery address or phone number as not supplied.A compact named-field record preserving source wording and marking absent contact details.Check that the requested replacement is recorded without claiming one was already dispatched.gpt-5.6-lunaGPT-5.6 Luna es el modelo de OpenAI para conversaciones de gran volumen, clasificación y tareas concretas de agentes. Acepta texto e imágenes para dar respuestas textuales, con controles de razonamiento, llamadas a funciones, salidas estructuradas y una ventana de contexto de 1,050,000 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.
Para clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.
Una tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.
OpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.
El modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.
El fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.
OpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.
Conserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.
POST /v1/messagestext, imagetext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-5.6-luna | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 El límite se aplica a: límite máximo exacto de la ficha del modelo seleccionado | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: herramienta proporcionada | Predeterminado— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
messages[].content o bloque type=text
Texto + imagen
{type:image,source:{type:base64,media_type,data}} o una fuente con type=url
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext, image |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/messages| Tamaño de la solicitud, en tokens | Entrada | Salida | Lectura de caché | Escritura en caché | Caché de 5 min | Caché de 1 hora |
|---|---|---|---|---|---|---|
| Tamaño de la solicitud, en tokens(0; 272,000] | EntradaUSD 0.0002 | SalidaUSD 0.0012 | Lectura de cachéUSD 0.00002 | Escritura en cachéUSD 0.00025 | Caché de 5 minUSD 0.00025 | Caché de 1 horaBase: — |
| Tamaño de la solicitud, en tokens(272,000; ∞) | EntradaUSD 0.0004 | SalidaUSD 0.0018 | Lectura de cachéUSD 0.00004 | Escritura en cachéUSD 0.0005 | Caché de 5 minUSD 0.0005 | Caché de 1 horaBase: — |
Tarifas en USD por 1K tokens. Si no se define ninguna tarifa, se hereda la tarifa base de este método; «—» indica que no hay tarifa base definida.
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
Las tablas de referencia del modelo no cambian la selección del método, las cotizaciones ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 2 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 2 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gpt-5.6-luna",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gpt-5.6-luna",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='gpt-5.6-luna',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
gpt-5.6-lunaGPT-5.6 Luna es el modelo de OpenAI para conversaciones de gran volumen, clasificación y tareas concretas de agentes. Acepta texto e imágenes para dar respuestas textuales, con controles de razonamiento, llamadas a funciones, salidas estructuradas y una ventana de contexto de 1,050,000 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.
Para clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.
Una tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.
OpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.
El modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.
El fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.
OpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.
Conserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.
POST /v1/responsestext, imagetext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-5.6-luna | Predeterminado— |
Campoinput | Tipostring|input_item[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].type | Tipostring | RequisitoOpcional | Valores y límites message, reasoning, function_call, function_call_output | Predeterminado— |
Campoinput[].content | Tipostring|content_part[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoinput[].call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output; conserva el call_id real devuelto | Predeterminado— |
Campoinput[].output | Tipostring|content_part[] | RequisitoOpcional | Valores y límites Se aplica cuando: function_call_output | Predeterminado— |
Campomax_output_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipotool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning.effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning.summary | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotext.verbosity | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinclude | Tipostring[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostore | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprevious_response_id | Tipostring | RequisitoOpcional | Valores y límites Requisito de ID: Solo un ID real de respuesta de una continuación compatible Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_key | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
texto en input o parte input_text
Texto + imagen
{type:input_image,image_url}
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext, image |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/responses| Tamaño de la solicitud, en tokens | Entrada | Salida | Lectura de caché | Escritura en caché | Caché de 5 min | Caché de 1 hora |
|---|---|---|---|---|---|---|
| Tamaño de la solicitud, en tokens(0; 272,000] | EntradaUSD 0.0002 | SalidaUSD 0.0012 | Lectura de cachéUSD 0.00002 | Escritura en cachéUSD 0.00025 | Caché de 5 minUSD 0.00025 | Caché de 1 horaBase: — |
| Tamaño de la solicitud, en tokens(272,000; ∞) | EntradaUSD 0.0004 | SalidaUSD 0.0018 | Lectura de cachéUSD 0.00004 | Escritura en cachéUSD 0.0005 | Caché de 5 minUSD 0.0005 | Caché de 1 horaBase: — |
Tarifas en USD por 1K tokens. Si no se define ninguna tarifa, se hereda la tarifa base de este método; «—» indica que no hay tarifa base definida.
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
Las tablas de referencia del modelo no cambian la selección del método, las cotizaciones ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 2 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 2 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="gpt-5.6-luna", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "gpt-5.6-luna", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="gpt-5.6-luna", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los elementos de salida y partes de contenido, el call_id real de la función, el razonamiento cifrado y el uso. Durante la transmisión en flujo, conserva la identidad completa de cada evento y elemento.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
gpt-5.6-lunaGPT-5.6 Luna es el modelo de OpenAI para conversaciones de gran volumen, clasificación y tareas concretas de agentes. Acepta texto e imágenes para dar respuestas textuales, con controles de razonamiento, llamadas a funciones, salidas estructuradas y una ventana de contexto de 1,050,000 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.
Para clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.
Una tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.
OpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.
El modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.
El fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.
OpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.
Conserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.
POST /v1/chat/completionstext, imagetext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-5.6-luna | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Texto · Texto UTF8
messages[].content
Texto + imagen
{type:image_url,image_url:{url,detail}}
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext, image |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Parámetrotext_file_material | Contratocontenido real en UTF-8 insertado como texto; los ID de archivo y las URLs requieren compatibilidad específica e independiente |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/chat/completions| Tamaño de la solicitud, en tokens | Entrada | Salida | Lectura de caché | Escritura en caché | Caché de 5 min | Caché de 1 hora |
|---|---|---|---|---|---|---|
| Tamaño de la solicitud, en tokens(0; 272,000] | EntradaUSD 0.0002 | SalidaUSD 0.0012 | Lectura de cachéUSD 0.00002 | Escritura en cachéUSD 0.00025 | Caché de 5 minUSD 0.00025 | Caché de 1 horaBase: — |
| Tamaño de la solicitud, en tokens(272,000; ∞) | EntradaUSD 0.0004 | SalidaUSD 0.0018 | Lectura de cachéUSD 0.00004 | Escritura en cachéUSD 0.0005 | Caché de 5 minUSD 0.0005 | Caché de 1 horaBase: — |
Tarifas en USD por 1K tokens. Si no se define ninguna tarifa, se hereda la tarifa base de este método; «—» indica que no hay tarifa base definida.
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
Las tablas de referencia del modelo no cambian la selección del método, las cotizaciones ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónOpenAI Chat · Tarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 1 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónOpenAI Chat · Nivel 2 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Tarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 1 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónAnthropic Messages · Nivel 2 según la longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="gpt-5.6-luna",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "gpt-5.6-luna",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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='gpt-5.6-luna',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
gpt-5.6-lunaGPT-5.6 Luna es el modelo de OpenAI para conversaciones de gran volumen, clasificación y tareas concretas de agentes. Acepta texto e imágenes para dar respuestas textuales, con controles de razonamiento, llamadas a funciones, salidas estructuradas y una ventana de contexto de 1,050,000 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.
Para clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.
Una tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.
OpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.
El modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.
El fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.
OpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.
Conserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-5.6-luna | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 2 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-luna","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="gpt-5.6-luna", 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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
gpt-5.6-lunaGPT-5.6 Luna es el modelo de OpenAI para conversaciones de gran volumen, clasificación y tareas concretas de agentes. Acepta texto e imágenes para dar respuestas textuales, con controles de razonamiento, llamadas a funciones, salidas estructuradas y una ventana de contexto de 1,050,000 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.
Para clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.
Una tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.
OpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.
El modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.
El fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.
OpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.
Conserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-5.6-luna | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 2 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "gpt-5.6-luna",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'gpt-5.6-luna', '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': 'gpt-5.6-luna', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
openai/gpt-5.6-lunaGPT-5.6 Luna es el modelo de OpenAI para conversaciones de gran volumen, clasificación y tareas concretas de agentes. Acepta texto e imágenes para dar respuestas textuales, con controles de razonamiento, llamadas a funciones, salidas estructuradas y una ventana de contexto de 1,050,000 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.
Para clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.
Una tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.
OpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.
El modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.
El fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.
OpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.
Conserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-5.6-luna | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 2 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-luna", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-5.6-luna',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-5.6-luna',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
openai/gpt-5.6-lunaGPT-5.6 Luna es el modelo de OpenAI para conversaciones de gran volumen, clasificación y tareas concretas de agentes. Acepta texto e imágenes para dar respuestas textuales, con controles de razonamiento, llamadas a funciones, salidas estructuradas y una ventana de contexto de 1,050,000 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna es el miembro de la familia GPT-5.6 de OpenAI destinado a grandes volúmenes de trabajo. Es adecuado para tareas repetitivas y concretas, como responder en conversaciones, clasificar, extraer información y realizar pasos ligeros de agentes. El texto y las imágenes pueden fundamentar una respuesta textual. Un flujo de trabajo útil de Luna tiene una entrada clara, un resultado definido y un conjunto breve de condiciones para decidir si ese resultado es utilizable.
Para clasificación, describe las categorías y proporciona ejemplos que aclaren sus límites. Para extracción, indica los campos que deben devolverse y cómo representar la información ausente. Para una respuesta de soporte, proporciona la solicitud del cliente, la información pertinente sobre el producto y la acción ya realizada. Mantén estables las instrucciones entre elementos comparables y cambia las pruebas correspondientes a cada elemento.
Una tarea visual puede incluir una captura de pantalla o una fotografía legible e identificar el detalle relevante. Pide la información visible necesaria para el siguiente paso, como una etiqueta, un mensaje de interfaz o una diferencia entre dos imágenes proporcionadas. La respuesta sigue siendo texto derivado de esas entradas. Conserva las etiquetas de las imágenes o los documentos junto con el resultado para poder rastrear cada hecho extraído hasta la fuente correcta.
OpenAI documenta las opciones de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. Ajusta la profundidad solicitada a la tarea y a sus pruebas. Una clasificación habitual puede requerir un resultado compacto, mientras que un caso ambiguo puede necesitar una explicación más clara de los hechos que respaldan la decisión. Define la respuesta final por separado de la cantidad de análisis necesaria para alcanzarla.
El modelo admite salidas estructuradas y llamadas a funciones. Para un registro estructurado, especifica los campos y los tipos requeridos y comprueba el contenido devuelto frente a la fuente. En un flujo con herramientas, una llamada a función propone una acción para la aplicación; esta proporciona el resultado real antes de que un paso posterior lo utilice. Así se distingue una acción prevista de las pruebas de que se ha realizado.
El fabricante indica una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Organiza el material largo en torno a la pregunta actual y reserva espacio para la respuesta. Conserva las decisiones necesarias para el siguiente paso y elimina las repeticiones ajenas a la tarea de las instrucciones de trabajo.
OpenAI también documenta transmisión en continuo y, en su entorno con herramientas, búsqueda en la web, búsqueda en archivos, generación de imágenes, interpretación de código, ejecución de comandos, aplicación de parches, uso de la computadora y herramientas MCP. Estas capacidades dependen del entorno y las herramientas conectados a la solicitud. Selecciona las operaciones necesarias para la tarea e inspecciona sus observaciones o entregables reales. La salida directa del modelo es texto; una imagen o un archivo modificado son el resultado de la operación de la herramienta correspondiente.
Conserva cada elemento completado junto con su identificador de entrada y su resultado final. Para un flujo repetitivo, revisa los ejemplos difíciles del conjunto de entradas real y mantén definiciones coherentes de las categorías o los campos para que los resultados sigan siendo comparables.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-5.6-luna | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272,000 | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 2 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272,000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "openai/gpt-5.6-luna",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.6-luna', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.6-luna', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
Ejemplo técnico en inglés
Extract a support follow-up record\n\nExtract a follow-up record from this message: 'I am Noor, order N48. The blue mug arrived chipped yesterday. A replacement would be fine; mornings are best for contact.' Return customer name, order ID, item, reported problem, requested resolution and contact preference. Mark any delivery address or phone number as not supplied.A compact named-field record preserving source wording and marking absent contact details.Check that the requested replacement is recorded without claiming one was already dispatched.