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": { "practical_html": "Ejemplo técnico en inglés
Find missing request details\n\nProcess this equipment request using the supplied rules. Every request needs item, quantity and delivery site. Urgent requests also need a reason. Message: "Urgent: please send 4 replacement keyboards." Return the supplied fields, missing required fields and a brief reply asking only for the missing details. Do not invent a site or urgency reason.A compact field table, missing-field list and targeted clarification message.Check that quantity four and keyboards are retained, while delivery site and urgent reason stay missing.openai/gpt-6-luna-proGPT-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/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-6-luna-pro | 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.001 / 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 |
| 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.001 / 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 |
| 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-6-luna-pro", "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-6-luna-pro',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-6-luna-pro',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 openai/gpt-6-luna-pro
Usa las rutas de método indicadas arriba.
openai/gpt-6-luna-proGPT-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/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-6-luna-pro | 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 |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
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: exact retained published method
Envía el ID exacto del modelo y los campos obligatorios.
Conserva cada elemento devuelto y sus identificadores originales.
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 $0.0002 / 1K tokens Salida · Tokens de salida $0.001 / 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 |
| 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.001 / 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 |
| 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "openai/gpt-6-luna-pro",\n "max_tokens": 4096,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ]\n}set -eu\n: "${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-6-luna-pro', 'max_tokens': 4096, '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-6-luna-pro', 'max_tokens': 4096, '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 openai/gpt-6-luna-pro
Usa las rutas de método indicadas arriba.
openai/gpt-6-luna-proGPT-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/responsestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-6-luna-pro | 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 | RequisitoNo compatible | Valores y límites Requisito de ID: Solo un ID real de respuesta de una continuación compatible Condiciones: Vuelve a incluir el historial real de la conversación en cada solicitud. | 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 |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
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: exact retained published method
Envía el ID exacto del modelo y los campos obligatorios.
Conserva cada elemento devuelto y sus identificadores originales.
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 $0.0002 / 1K tokens Salida · Tokens de salida $0.001 / 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 |
| 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.001 / 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 |
| 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché $0.0005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "openai/gpt-6-luna-pro",\n "input": [\n {\n "content": "Hello, how are you?",\n "role": "user",\n "type": "message"\n }\n ]\n}set -eu\n: "${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-6-luna-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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/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 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-6-luna-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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 = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/responses', 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 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 Ultra openai/gpt-6-luna-pro
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Find missing request details\n\nProcess this equipment request using the supplied rules. Every request needs item, quantity and delivery site. Urgent requests also need a reason. Message: "Urgent: please send 4 replacement keyboards." Return the supplied fields, missing required fields and a brief reply asking only for the missing details. Do not invent a site or urgency reason.A compact field table, missing-field list and targeted clarification message.Check that quantity four and keyboards are retained, while delivery site and urgent reason stay missing.