GPT-4o mini es un modelo pequeño de OpenAI para tareas concretas. Acepta texto e imágenes y devuelve texto, incluidas respuestas estructuradas. Una tarea puede combinar una instrucción breve con un pasaje, una captura de pantalla u otra imagen pertinente y solicitar después un resultado específico, como campos extraídos, una categoría o un borrador de respuesta.
Para clasificación de mensajes, proporciona las categorías y explica cómo tratar un mensaje que encaje en más de una. Solicita la categoría seleccionada y la parte del mensaje que la respalda. Para extracción, indica los campos y el tratamiento de los valores que no contiene la fuente. Conserva los identificadores originales para poder rastrear cada resultado hasta su entrada.
Una tarea de redacción puede proporcionar la pregunta del cliente, la información pertinente del producto y el punto que debe transmitir la respuesta. Pide una respuesta con una extensión o un tono definidos. Para reescritura, proporciona el pasaje original e indica qué puede cambiar: las palabras, la extensión o la organización. Mantén explícitos los nombres, las cantidades y el significado previsto.
Una tarea de imagen puede solicitar el mensaje visible en una captura de pantalla, una descripción de un detalle de producto o una comparación entre dos imágenes etiquetadas. Señala la zona pertinente e indica qué debe contener el resultado. Para un error en pantalla, por ejemplo, solicita el texto legible del error y el elemento de interfaz implicado. Revisa los detalles extraídos frente a la imagen proporcionada antes de pasarlos a otra operación.
La salida documentada de este modelo es texto. Por tanto, una pregunta visual produce una explicación, una descripción o información extraída de la imagen de entrada. Proporciona una fuente legible y conserva su etiqueta cuando aparezcan varias imágenes en una misma tarea.
OpenAI documenta Structured Outputs y llamadas a funciones para GPT-4o mini. Una respuesta estructurada puede seguir nombres de campos y tipos elegidos para la aplicación. Comprueba tanto su estructura como su contenido frente a la entrada antes de almacenar o utilizar el resultado.
En un flujo con funciones, la aplicación ofrece una función y ejecuta una llamada solicitada. Después devuelve el resultado real para que lo utilice el modelo. Una descripción acotada de la función y reglas explícitas para los argumentos ayudan a mantener la solicitud vinculada a la tarea que se realiza.
El fabricante indica una ventana de contexto de 128,000 tokens y una salida máxima de 16,384 tokens para la versión documentada. Utiliza el contexto para material pertinente y deja espacio para la respuesta. Una extracción concreta puede necesitar solo unos pocos campos; una comparación de documentos más larga se beneficia de pasajes etiquetados y una pregunta definida.
", "aboutText": "GPT-4o mini es un modelo pequeño de OpenAI para tareas concretas. Acepta texto e imágenes y devuelve texto, incluidas respuestas estructuradas. Una tarea puede combinar una instrucción breve con un pasaje, una captura de pantalla u otra imagen pertinente y solicitar después un resultado específico, como campos extraídos, una categoría o un borrador de respuesta.\n\n### Convierte el material proporcionado en un resultado compacto\n\nPara clasificación de mensajes, proporciona las categorías y explica cómo tratar un mensaje que encaje en más de una. Solicita la categoría seleccionada y la parte del mensaje que la respalda. Para extracción, indica los campos y el tratamiento de los valores que no contiene la fuente. Conserva los identificadores originales para poder rastrear cada resultado hasta su entrada.\n\nUna tarea de redacción puede proporcionar la pregunta del cliente, la información pertinente del producto y el punto que debe transmitir la respuesta. Pide una respuesta con una extensión o un tono definidos. Para reescritura, proporciona el pasaje original e indica qué puede cambiar: las palabras, la extensión o la organización. Mantén explícitos los nombres, las cantidades y el significado previsto.\n\n### Plantea una pregunta precisa sobre una imagen\n\nUna tarea de imagen puede solicitar el mensaje visible en una captura de pantalla, una descripción de un detalle de producto o una comparación entre dos imágenes etiquetadas. Señala la zona pertinente e indica qué debe contener el resultado. Para un error en pantalla, por ejemplo, solicita el texto legible del error y el elemento de interfaz implicado. Revisa los detalles extraídos frente a la imagen proporcionada antes de pasarlos a otra operación.\n\nLa salida documentada de este modelo es texto. Por tanto, una pregunta visual produce una explicación, una descripción o información extraída de la imagen de entrada. Proporciona una fuente legible y conserva su etiqueta cuando aparezcan varias imágenes en una misma tarea.\n\n### Estructura la respuesta para una aplicación\n\nOpenAI documenta Structured Outputs y llamadas a funciones para GPT-4o mini. Una respuesta estructurada puede seguir nombres de campos y tipos elegidos para la aplicación. Comprueba tanto su estructura como su contenido frente a la entrada antes de almacenar o utilizar el resultado.\n\nEn un flujo con funciones, la aplicación ofrece una función y ejecuta una llamada solicitada. Después devuelve el resultado real para que lo utilice el modelo. Una descripción acotada de la función y reglas explícitas para los argumentos ayudan a mantener la solicitud vinculada a la tarea que se realiza.\n\nEl fabricante indica una ventana de contexto de 128,000 tokens y una salida máxima de 16,384 tokens para la versión documentada. Utiliza el contexto para material pertinente y deja espacio para la respuesta. Una extracción concreta puede necesitar solo unos pocos campos; una comparación de documentos más larga se beneficia de pasajes etiquetados y una pregunta definida.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract an appointment request\n\nExtract fields from this message: 'Hi, I am Morgan. Please move booking B-18 from Tuesday to Friday afternoon; I cannot attend in the morning.' Return name, booking ID, current day, requested day and time preference. Preserve the reference exactly and mark any precise requested time as unknown.A compact labelled record with the five requested fields and an explicit unknown precise time.Friday afternoon is a preference rather than an invented clock time, and B-18 remains exact.gpt-4o-miniGPT-4o mini es el modelo pequeño de OpenAI para tareas concretas de texto e imagen. Utilízalo para clasificar un mensaje, extraer campos del material proporcionado, explicar una captura de pantalla o redactar una respuesta, con salida textual y compatibilidad con Structured Outputs y llamadas a funciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-4o mini es un modelo pequeño de OpenAI para tareas concretas. Acepta texto e imágenes y devuelve texto, incluidas respuestas estructuradas. Una tarea puede combinar una instrucción breve con un pasaje, una captura de pantalla u otra imagen pertinente y solicitar después un resultado específico, como campos extraídos, una categoría o un borrador de respuesta.
Para clasificación de mensajes, proporciona las categorías y explica cómo tratar un mensaje que encaje en más de una. Solicita la categoría seleccionada y la parte del mensaje que la respalda. Para extracción, indica los campos y el tratamiento de los valores que no contiene la fuente. Conserva los identificadores originales para poder rastrear cada resultado hasta su entrada.
Una tarea de redacción puede proporcionar la pregunta del cliente, la información pertinente del producto y el punto que debe transmitir la respuesta. Pide una respuesta con una extensión o un tono definidos. Para reescritura, proporciona el pasaje original e indica qué puede cambiar: las palabras, la extensión o la organización. Mantén explícitos los nombres, las cantidades y el significado previsto.
Una tarea de imagen puede solicitar el mensaje visible en una captura de pantalla, una descripción de un detalle de producto o una comparación entre dos imágenes etiquetadas. Señala la zona pertinente e indica qué debe contener el resultado. Para un error en pantalla, por ejemplo, solicita el texto legible del error y el elemento de interfaz implicado. Revisa los detalles extraídos frente a la imagen proporcionada antes de pasarlos a otra operación.
La salida documentada de este modelo es texto. Por tanto, una pregunta visual produce una explicación, una descripción o información extraída de la imagen de entrada. Proporciona una fuente legible y conserva su etiqueta cuando aparezcan varias imágenes en una misma tarea.
OpenAI documenta Structured Outputs y llamadas a funciones para GPT-4o mini. Una respuesta estructurada puede seguir nombres de campos y tipos elegidos para la aplicación. Comprueba tanto su estructura como su contenido frente a la entrada antes de almacenar o utilizar el resultado.
En un flujo con funciones, la aplicación ofrece una función y ejecuta una llamada solicitada. Después devuelve el resultado real para que lo utilice el modelo. Una descripción acotada de la función y reglas explícitas para los argumentos ayudan a mantener la solicitud vinculada a la tarea que se realiza.
El fabricante indica una ventana de contexto de 128,000 tokens y una salida máxima de 16,384 tokens para la versión documentada. Utiliza el contexto para material pertinente y deja espacio para la respuesta. Una extracción concreta puede necesitar solo unos pocos campos; una comparación de documentos más larga se beneficia de pasajes etiquetados y una pregunta definida.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-4o-mini | 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 $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0.00015 / 1K tokens Entrada · Escritura en caché — / 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 inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0.00015 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-4o-mini","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-4o-mini", 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 Ultra gpt-4o-mini, openai/gpt-4o-mini
/chat/completions
gpt-4o-miniGPT-4o mini es el modelo pequeño de OpenAI para tareas concretas de texto e imagen. Utilízalo para clasificar un mensaje, extraer campos del material proporcionado, explicar una captura de pantalla o redactar una respuesta, con salida textual y compatibilidad con Structured Outputs y llamadas a funciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-4o mini es un modelo pequeño de OpenAI para tareas concretas. Acepta texto e imágenes y devuelve texto, incluidas respuestas estructuradas. Una tarea puede combinar una instrucción breve con un pasaje, una captura de pantalla u otra imagen pertinente y solicitar después un resultado específico, como campos extraídos, una categoría o un borrador de respuesta.
Para clasificación de mensajes, proporciona las categorías y explica cómo tratar un mensaje que encaje en más de una. Solicita la categoría seleccionada y la parte del mensaje que la respalda. Para extracción, indica los campos y el tratamiento de los valores que no contiene la fuente. Conserva los identificadores originales para poder rastrear cada resultado hasta su entrada.
Una tarea de redacción puede proporcionar la pregunta del cliente, la información pertinente del producto y el punto que debe transmitir la respuesta. Pide una respuesta con una extensión o un tono definidos. Para reescritura, proporciona el pasaje original e indica qué puede cambiar: las palabras, la extensión o la organización. Mantén explícitos los nombres, las cantidades y el significado previsto.
Una tarea de imagen puede solicitar el mensaje visible en una captura de pantalla, una descripción de un detalle de producto o una comparación entre dos imágenes etiquetadas. Señala la zona pertinente e indica qué debe contener el resultado. Para un error en pantalla, por ejemplo, solicita el texto legible del error y el elemento de interfaz implicado. Revisa los detalles extraídos frente a la imagen proporcionada antes de pasarlos a otra operación.
La salida documentada de este modelo es texto. Por tanto, una pregunta visual produce una explicación, una descripción o información extraída de la imagen de entrada. Proporciona una fuente legible y conserva su etiqueta cuando aparezcan varias imágenes en una misma tarea.
OpenAI documenta Structured Outputs y llamadas a funciones para GPT-4o mini. Una respuesta estructurada puede seguir nombres de campos y tipos elegidos para la aplicación. Comprueba tanto su estructura como su contenido frente a la entrada antes de almacenar o utilizar el resultado.
En un flujo con funciones, la aplicación ofrece una función y ejecuta una llamada solicitada. Después devuelve el resultado real para que lo utilice el modelo. Una descripción acotada de la función y reglas explícitas para los argumentos ayudan a mantener la solicitud vinculada a la tarea que se realiza.
El fabricante indica una ventana de contexto de 128,000 tokens y una salida máxima de 16,384 tokens para la versión documentada. Utiliza el contexto para material pertinente y deja espacio para la respuesta. Una extracción concreta puede necesitar solo unos pocos campos; una comparación de documentos más larga se beneficia de pasajes etiquetados y una pregunta definida.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-4o-mini | 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 $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0.00015 / 1K tokens Entrada · Escritura en caché — / 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 inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0.00015 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "gpt-4o-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4o-mini', '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-4o-mini', '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 Ultra gpt-4o-mini, openai/gpt-4o-mini
/chat/completions
openai/gpt-4o-miniGPT-4o mini es el modelo pequeño de OpenAI para tareas concretas de texto e imagen. Utilízalo para clasificar un mensaje, extraer campos del material proporcionado, explicar una captura de pantalla o redactar una respuesta, con salida textual y compatibilidad con Structured Outputs y llamadas a funciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-4o mini es un modelo pequeño de OpenAI para tareas concretas. Acepta texto e imágenes y devuelve texto, incluidas respuestas estructuradas. Una tarea puede combinar una instrucción breve con un pasaje, una captura de pantalla u otra imagen pertinente y solicitar después un resultado específico, como campos extraídos, una categoría o un borrador de respuesta.
Para clasificación de mensajes, proporciona las categorías y explica cómo tratar un mensaje que encaje en más de una. Solicita la categoría seleccionada y la parte del mensaje que la respalda. Para extracción, indica los campos y el tratamiento de los valores que no contiene la fuente. Conserva los identificadores originales para poder rastrear cada resultado hasta su entrada.
Una tarea de redacción puede proporcionar la pregunta del cliente, la información pertinente del producto y el punto que debe transmitir la respuesta. Pide una respuesta con una extensión o un tono definidos. Para reescritura, proporciona el pasaje original e indica qué puede cambiar: las palabras, la extensión o la organización. Mantén explícitos los nombres, las cantidades y el significado previsto.
Una tarea de imagen puede solicitar el mensaje visible en una captura de pantalla, una descripción de un detalle de producto o una comparación entre dos imágenes etiquetadas. Señala la zona pertinente e indica qué debe contener el resultado. Para un error en pantalla, por ejemplo, solicita el texto legible del error y el elemento de interfaz implicado. Revisa los detalles extraídos frente a la imagen proporcionada antes de pasarlos a otra operación.
La salida documentada de este modelo es texto. Por tanto, una pregunta visual produce una explicación, una descripción o información extraída de la imagen de entrada. Proporciona una fuente legible y conserva su etiqueta cuando aparezcan varias imágenes en una misma tarea.
OpenAI documenta Structured Outputs y llamadas a funciones para GPT-4o mini. Una respuesta estructurada puede seguir nombres de campos y tipos elegidos para la aplicación. Comprueba tanto su estructura como su contenido frente a la entrada antes de almacenar o utilizar el resultado.
En un flujo con funciones, la aplicación ofrece una función y ejecuta una llamada solicitada. Después devuelve el resultado real para que lo utilice el modelo. Una descripción acotada de la función y reglas explícitas para los argumentos ayudan a mantener la solicitud vinculada a la tarea que se realiza.
El fabricante indica una ventana de contexto de 128,000 tokens y una salida máxima de 16,384 tokens para la versión documentada. Utiliza el contexto para material pertinente y deja espacio para la respuesta. Una extracción concreta puede necesitar solo unos pocos campos; una comparación de documentos más larga se beneficia de pasajes etiquetados y una pregunta definida.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-4o-mini | 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 $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0.00015 / 1K tokens Entrada · Escritura en caché — / 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 inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0.00015 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-4o-mini", "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-4o-mini',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-4o-mini',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 Ultra gpt-4o-mini, openai/gpt-4o-mini
/chat/completions
openai/gpt-4o-miniGPT-4o mini es el modelo pequeño de OpenAI para tareas concretas de texto e imagen. Utilízalo para clasificar un mensaje, extraer campos del material proporcionado, explicar una captura de pantalla o redactar una respuesta, con salida textual y compatibilidad con Structured Outputs y llamadas a funciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-4o mini es un modelo pequeño de OpenAI para tareas concretas. Acepta texto e imágenes y devuelve texto, incluidas respuestas estructuradas. Una tarea puede combinar una instrucción breve con un pasaje, una captura de pantalla u otra imagen pertinente y solicitar después un resultado específico, como campos extraídos, una categoría o un borrador de respuesta.
Para clasificación de mensajes, proporciona las categorías y explica cómo tratar un mensaje que encaje en más de una. Solicita la categoría seleccionada y la parte del mensaje que la respalda. Para extracción, indica los campos y el tratamiento de los valores que no contiene la fuente. Conserva los identificadores originales para poder rastrear cada resultado hasta su entrada.
Una tarea de redacción puede proporcionar la pregunta del cliente, la información pertinente del producto y el punto que debe transmitir la respuesta. Pide una respuesta con una extensión o un tono definidos. Para reescritura, proporciona el pasaje original e indica qué puede cambiar: las palabras, la extensión o la organización. Mantén explícitos los nombres, las cantidades y el significado previsto.
Una tarea de imagen puede solicitar el mensaje visible en una captura de pantalla, una descripción de un detalle de producto o una comparación entre dos imágenes etiquetadas. Señala la zona pertinente e indica qué debe contener el resultado. Para un error en pantalla, por ejemplo, solicita el texto legible del error y el elemento de interfaz implicado. Revisa los detalles extraídos frente a la imagen proporcionada antes de pasarlos a otra operación.
La salida documentada de este modelo es texto. Por tanto, una pregunta visual produce una explicación, una descripción o información extraída de la imagen de entrada. Proporciona una fuente legible y conserva su etiqueta cuando aparezcan varias imágenes en una misma tarea.
OpenAI documenta Structured Outputs y llamadas a funciones para GPT-4o mini. Una respuesta estructurada puede seguir nombres de campos y tipos elegidos para la aplicación. Comprueba tanto su estructura como su contenido frente a la entrada antes de almacenar o utilizar el resultado.
En un flujo con funciones, la aplicación ofrece una función y ejecuta una llamada solicitada. Después devuelve el resultado real para que lo utilice el modelo. Una descripción acotada de la función y reglas explícitas para los argumentos ayudan a mantener la solicitud vinculada a la tarea que se realiza.
El fabricante indica una ventana de contexto de 128,000 tokens y una salida máxima de 16,384 tokens para la versión documentada. Utiliza el contexto para material pertinente y deja espacio para la respuesta. Una extracción concreta puede necesitar solo unos pocos campos; una comparación de documentos más larga se beneficia de pasajes etiquetados y una pregunta definida.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-4o-mini | 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 $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0.00015 / 1K tokens Entrada · Escritura en caché — / 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 inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0.00015 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "openai/gpt-4o-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4o-mini', '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-4o-mini', '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 Ultra gpt-4o-mini, openai/gpt-4o-mini
/chat/completions
Ejemplo técnico en inglés
Extract an appointment request\n\nExtract fields from this message: 'Hi, I am Morgan. Please move booking B-18 from Tuesday to Friday afternoon; I cannot attend in the morning.' Return name, booking ID, current day, requested day and time preference. Preserve the reference exactly and mark any precise requested time as unknown.A compact labelled record with the five requested fields and an explicit unknown precise time.Friday afternoon is a preference rather than an invented clock time, and B-18 remains exact.