GPT-6 Luna Pro designa GPT-6 Luna de OpenAI con razonamiento Pro. Luna está diseñado para tareas concretas y cargas de trabajo de gran volumen; sus entradas son texto e imágenes y su salida es texto. Pro hace que el modelo trabaje más al elaborar la respuesta final. Es un modo de ejecución aplicado al modelo base elegido, distinto del ajuste de esfuerzo de razonamiento que controla la cantidad de análisis dentro de ese modo.
Una aplicación práctica consiste en procesar una solicitud definida con precisión que contiene varias reglas o excepciones. Proporciona la solicitud, las categorías a las que puede pertenecer y la información que determina la siguiente acción. Pide la categoría, los hechos pertinentes y una respuesta breve propuesta. Una tarea ilustrativa consiste en clasificar una solicitud de documentos, identificar un campo que falte y redactar un mensaje para pedirlo. La tarea sigue siendo concreta aunque sus condiciones requieran un examen cuidadoso.
Para una pregunta basada en imágenes, proporciona una captura de pantalla clara u otro material visual e identifica el detalle que debe inspeccionarse. Puedes pedir una explicación de un estado visible de la interfaz junto con una instrucción breve para el lector. Para material escrito, define los campos o afirmaciones que deben conservarse durante la transformación, las categorías permitidas y el formato esperado de la respuesta. Un conjunto pequeño de ejemplos representativos puede aclarar el límite entre categorías similares sin obligar al modelo a inferir tus reglas.
OpenAI especifica una ventana de contexto de 1,050,000 tokens para GPT-6 Luna, con una entrada máxima de 922,000 tokens y una salida máxima de 128,000 tokens. La fecha de corte de conocimientos documentada es el 18 de mayo de 2026. El modelo base admite los niveles de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. El razonamiento ocupa espacio en tokens además de la respuesta final, por lo que el enunciado de la tarea y el material proporcionado deben dejar espacio para el análisis y el resultado solicitado.
El proveedor documenta Pro en la API Responses para solicitudes difíciles que permiten una mayor latencia y más actividad del modelo. Las herramientas integradas y el razonamiento con llamadas a funciones de GPT-6 Luna utilizan Responses; en la interfaz Chat Completions del proveedor, las llamadas a funciones solo se admiten con el esfuerzo de razonamiento establecido en none. El modelo base incluye respuestas en flujo, Structured Outputs, búsqueda web y en archivos, llamadas a funciones y almacenamiento de la entrada en caché. Su conjunto de herramientas también incluye generación de imágenes, interpretación de código, operaciones de línea de comandos y de aplicación de cambios en archivos, habilidades, uso de la computadora, conexiones MCP y búsqueda de herramientas. Tu aplicación determina y ejecuta las operaciones que expone.
Utiliza unas especificaciones de salida precisas para la tarea final: la decisión, los campos que la respaldan y cualquier información que aún falte. Por ejemplo, pide una categoría, una justificación breve vinculada a la regla proporcionada y la siguiente pregunta que debe enviarse al lector. Contrasta el resultado con esas reglas, en lugar de añadir una discusión sin restricciones. Este flujo de trabajo utiliza el papel de Luna para tareas concretas y reserva el trabajo adicional de Pro para una solicitud cuyas dependencias o excepciones requieran un examen más completo.
", "aboutText": "GPT-6 Luna Pro designa GPT-6 Luna de OpenAI con razonamiento Pro. Luna está diseñado para tareas concretas y cargas de trabajo de gran volumen; sus entradas son texto e imágenes y su salida es texto. Pro hace que el modelo trabaje más al elaborar la respuesta final. Es un modo de ejecución aplicado al modelo base elegido, distinto del ajuste de esfuerzo de razonamiento que controla la cantidad de análisis dentro de ese modo.\n\nUna aplicación práctica consiste en procesar una solicitud definida con precisión que contiene varias reglas o excepciones. Proporciona la solicitud, las categorías a las que puede pertenecer y la información que determina la siguiente acción. Pide la categoría, los hechos pertinentes y una respuesta breve propuesta. Una tarea ilustrativa consiste en clasificar una solicitud de documentos, identificar un campo que falte y redactar un mensaje para pedirlo. La tarea sigue siendo concreta aunque sus condiciones requieran un examen cuidadoso.\n\nPara una pregunta basada en imágenes, proporciona una captura de pantalla clara u otro material visual e identifica el detalle que debe inspeccionarse. Puedes pedir una explicación de un estado visible de la interfaz junto con una instrucción breve para el lector. Para material escrito, define los campos o afirmaciones que deben conservarse durante la transformación, las categorías permitidas y el formato esperado de la respuesta. Un conjunto pequeño de ejemplos representativos puede aclarar el límite entre categorías similares sin obligar al modelo a inferir tus reglas.\n\nOpenAI especifica una ventana de contexto de 1,050,000 tokens para GPT-6 Luna, con una entrada máxima de 922,000 tokens y una salida máxima de 128,000 tokens. La fecha de corte de conocimientos documentada es el 18 de mayo de 2026. El modelo base admite los niveles de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. El razonamiento ocupa espacio en tokens además de la respuesta final, por lo que el enunciado de la tarea y el material proporcionado deben dejar espacio para el análisis y el resultado solicitado.\n\nEl proveedor documenta Pro en la API Responses para solicitudes difíciles que permiten una mayor latencia y más actividad del modelo. Las herramientas integradas y el razonamiento con llamadas a funciones de GPT-6 Luna utilizan Responses; en la interfaz Chat Completions del proveedor, las llamadas a funciones solo se admiten con el esfuerzo de razonamiento establecido en none. El modelo base incluye respuestas en flujo, Structured Outputs, búsqueda web y en archivos, llamadas a funciones y almacenamiento de la entrada en caché. Su conjunto de herramientas también incluye generación de imágenes, interpretación de código, operaciones de línea de comandos y de aplicación de cambios en archivos, habilidades, uso de la computadora, conexiones MCP y búsqueda de herramientas. Tu aplicación determina y ejecuta las operaciones que expone.\n\nUtiliza unas especificaciones de salida precisas para la tarea final: la decisión, los campos que la respaldan y cualquier información que aún falte. Por ejemplo, pide una categoría, una justificación breve vinculada a la regla proporcionada y la siguiente pregunta que debe enviarse al lector. Contrasta el resultado con esas reglas, en lugar de añadir una discusión sin restricciones. Este flujo de trabajo utiliza el papel de Luna para tareas concretas y reserva el trabajo adicional de Pro para una solicitud cuyas dependencias o excepciones requieran un examen más completo.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "754a6195ec2df1e4c13271ecf8ed15a568ab4105751fcfebcde5d6424fa9ebba", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "openai/gpt-6-luna-pro:batchGPT-6 Luna con razonamiento Pro para tareas concretas que necesitan análisis adicional antes de una respuesta final. El modelo base acepta texto e imágenes, por lo que resulta útil para tratar documentos según reglas, responder a preguntas visuales y producir resultados escritos breves.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-6 Luna Pro designa GPT-6 Luna de OpenAI con razonamiento Pro. Luna está diseñado para tareas concretas y cargas de trabajo de gran volumen; sus entradas son texto e imágenes y su salida es texto. Pro hace que el modelo trabaje más al elaborar la respuesta final. Es un modo de ejecución aplicado al modelo base elegido, distinto del ajuste de esfuerzo de razonamiento que controla la cantidad de análisis dentro de ese modo.
Una aplicación práctica consiste en procesar una solicitud definida con precisión que contiene varias reglas o excepciones. Proporciona la solicitud, las categorías a las que puede pertenecer y la información que determina la siguiente acción. Pide la categoría, los hechos pertinentes y una respuesta breve propuesta. Una tarea ilustrativa consiste en clasificar una solicitud de documentos, identificar un campo que falte y redactar un mensaje para pedirlo. La tarea sigue siendo concreta aunque sus condiciones requieran un examen cuidadoso.
Para una pregunta basada en imágenes, proporciona una captura de pantalla clara u otro material visual e identifica el detalle que debe inspeccionarse. Puedes pedir una explicación de un estado visible de la interfaz junto con una instrucción breve para el lector. Para material escrito, define los campos o afirmaciones que deben conservarse durante la transformación, las categorías permitidas y el formato esperado de la respuesta. Un conjunto pequeño de ejemplos representativos puede aclarar el límite entre categorías similares sin obligar al modelo a inferir tus reglas.
OpenAI especifica una ventana de contexto de 1,050,000 tokens para GPT-6 Luna, con una entrada máxima de 922,000 tokens y una salida máxima de 128,000 tokens. La fecha de corte de conocimientos documentada es el 18 de mayo de 2026. El modelo base admite los niveles de esfuerzo de razonamiento none, low, medium, high, xhigh y max, con medium como valor predeterminado. El razonamiento ocupa espacio en tokens además de la respuesta final, por lo que el enunciado de la tarea y el material proporcionado deben dejar espacio para el análisis y el resultado solicitado.
El proveedor documenta Pro en la API Responses para solicitudes difíciles que permiten una mayor latencia y más actividad del modelo. Las herramientas integradas y el razonamiento con llamadas a funciones de GPT-6 Luna utilizan Responses; en la interfaz Chat Completions del proveedor, las llamadas a funciones solo se admiten con el esfuerzo de razonamiento establecido en none. El modelo base incluye respuestas en flujo, Structured Outputs, búsqueda web y en archivos, llamadas a funciones y almacenamiento de la entrada en caché. Su conjunto de herramientas también incluye generación de imágenes, interpretación de código, operaciones de línea de comandos y de aplicación de cambios en archivos, habilidades, uso de la computadora, conexiones MCP y búsqueda de herramientas. Tu aplicación determina y ejecuta las operaciones que expone.
Utiliza unas especificaciones de salida precisas para la tarea final: la decisión, los campos que la respaldan y cualquier información que aún falte. Por ejemplo, pide una categoría, una justificación breve vinculada a la regla proporcionada y la siguiente pregunta que debe enviarse al lector. Contrasta el resultado con esas reglas, en lugar de añadir una discusión sin restricciones. Este flujo de trabajo utiliza el papel de Luna para tareas concretas y reserva el trabajo adicional de Pro para una solicitud cuyas dependencias o excepciones requieran un examen más completo.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObligatorio | Valores y límites /v1/chat/completions | Predeterminado— |
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-6-luna-pro:batch | Predeterminado— |
Camporequests | Tipobatch_item[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Camporequests[].custom_id | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campocompletion_window | Tipostring | RequisitoOpcional | Valores y límites 24h | Predeterminado— |
Campoprovider | Tipoobject|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Camporequests[].body.model | Tipostring | RequisitoOpcional | Valores y límites openai/gpt-6-luna-pro:batch, openai/gpt-6-luna-pro | Predeterminado— |
Campoprovider.only | Tipostring[] | RequisitoOpcional | Valores y límites openai | Predeterminado— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoOpcional | Valores y límites false, null | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratoendpoint, model, requests |
Parámetromaterial_types | Contratotext |
Parámetrorepresentation | Contratorequests[] en línea; cada elemento tiene custom_id y body |
Parámetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parámetrofile_material | ContratoQuien realiza la llamada puede leer localmente el JSONL UTF-8 real e incorporarlo a requests[]. No se utiliza el campo purpose para cargas, ni input_file_id ni referencias a archivos. Si falta el material del cliente o está vacío, la preparación se detiene antes del POST. |
Parámetroserialization_order | Contratoendpoint, model, provider (si se proporciona), completion_window (si se proporciona), requests al final |
Parámetrooptional_controls | Contratoprovider.only, provider.allow_fallbacks, completion_window |
Parámetroschema_scope | ContratoCuerpos de solicitudes de texto de Chat Completions dentro de la estructura Batch en línea documentada. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · El response.id real de la respuesta de creación original; el mismo usuario, clave y grupo
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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0005 / 1K tokens Entrada · Lectura de caché $0.00001 / 1K tokens Entrada · Escritura en caché $0.000125 / 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0005 / 1K tokens Entrada · Lectura de caché $0.00001 / 1K tokens Entrada · Escritura en caché $0.000125 / 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.00075 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché $0.00025 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-6-luna-pro:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-6-luna-pro:batch', 'openai/gpt-6-luna-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-6-luna-pro:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON de results[].response.body en línea
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el JSON completo del estado original, cada result/custom_id y el cuerpo completo de la respuesta o del error. Guarda results[] completados como JSONL sin filtrar.
Conserva el ID de la operación original. La respuesta 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado sea desconocido.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónLa estructura en línea documentada no es válida, hay claves duplicadas, existe un problema con la identidad de los elementos o hay un conflicto entre las capacidades configuradas del modelo. | Siguiente pasoCorrige los campos indicados antes de realizar cualquier nuevo envío. |
Respuesta401 · authentication_error | CondiciónClave de API no válida. | Siguiente pasoUsa la clave de Ailoot autorizada. |
Respuesta403 · permission_error | CondiciónGrupo de Batch no disponible. | Siguiente pasoVerifica los permisos de la clave y el grupo. |
Respuesta422 · invalid_request_error | CondiciónBatch usa facturación contra saldo; se rechazan las solicitudes de creación con una suscripción. | Siguiente pasoUsa el grupo autorizado con facturación contra saldo. |
Respuesta422 · price_unavailable | CondiciónNo se puede cotizar la entrada de Batch. | Siguiente pasoConserva la respuesta; usa la entrada documentada para la familia. |
Respuesta402 · billing_error | CondiciónReserva de Batch no disponible. | Siguiente pasoResuelve los requisitos de admisión antes de realizar una nueva solicitud. |
Respuesta503 · price_unavailable | CondiciónPrecio del método Batch o tarifas nativas no disponibles. | Siguiente pasoConserva la respuesta; no sustituyas los precios. |
Respuesta503 · api_error | CondiciónLa ruta exacta del proveedor no está disponible. | Siguiente pasoConserva la respuesta para reparar la ruta. |
Respuesta503 · result_pending_check | CondiciónEl resultado original requiere una revisión; X-Should-Retry:false. | Siguiente pasoConserva el operation_id/id original y consulta su estado; nunca repitas el POST original. |
Respuesta404 · not_found | CondiciónLa operación de consulta de estado de Batch no existe o pertenece a otra identidad. | Siguiente pasoUsa el id original exacto y el mismo usuario, clave y grupo. |
Ailoot Ultra openai/gpt-6-luna-pro:batch
Usa las rutas de método indicadas arriba.