GPT-6 Luna es el modelo de OpenAI centrado en tareas repetidas de gran volumen. Acepta texto e imágenes y produce texto, por lo que resulta útil para operaciones definidas como clasificación, extracción, reescritura, preguntas basadas en imágenes y pasos individuales de un flujo de trabajo de asistencia. Luna conserva su propio perfil dentro de GPT-6, separado del papel de Sol en programación compleja, de las tareas más exigentes de Astra y del ajuste de ejecución Pro de Luna.
Asigna a cada tarea un resultado claro: una categoría, un registro pequeño, una explicación o un pasaje revisado. Para clasificación, proporciona el significado de las categorías y una convención para los elementos que no encajan en ninguna. Para extracción, define los campos, las unidades y el tratamiento de la información ausente. Un enunciado útil es: «Identifica el problema principal del usuario, elige una de estas categorías y devuelve la frase que respalda la elección».
Para una respuesta de asistencia, proporciona la pregunta y el material fuente aprobado pertinente; después, indica el idioma de la respuesta y los detalles que deben conservarse. Para una imagen, conserva las etiquetas visibles e indica al modelo a qué se refiere la pregunta. Mantén las palabras extraídas separadas de la interpretación para que el registro resultante pueda contrastarse con la entrada.
El proveedor admite los niveles de esfuerzo de razonamiento none, low, medium, high, xhigh y max; medium es el valor predeterminado. El ajuste none permite tareas que no necesitan razonamiento intermedio, mientras que un esfuerzo mayor puede desarrollar el análisis de una pregunta más compleja. El esfuerzo de razonamiento y el modo de ejecución estándar o Pro son opciones independientes. Sigue siendo necesario definir unas especificaciones de salida acotadas en cada nivel de esfuerzo.
Structured Outputs puede limitar la forma de un registro definido, y el texto ordinario puede comunicar una respuesta breve o una explicación. Especifica el significado de los campos y las convenciones para los valores ausentes. La validez del formato no demuestra que un valor extraído esté presente en la fuente, por lo que debes revisar tanto el contenido como la estructura.
La ficha del modelo indica un contexto de 1,050,000 tokens, hasta 922,000 tokens de entrada y hasta 128,000 tokens de salida. Su fecha de corte de conocimientos es el 18 de mayo de 2026. El material fuente, la conversación, el razonamiento y la respuesta visible necesitan espacio conjuntamente. Para trabajos repetidos, conserva los criterios y las etiquetas de las fuentes que importan, en lugar de permitir que un historial ajeno a la tarea oculte la operación.
OpenAI documenta Responses para las herramientas integradas y las llamadas a funciones. Chat Completions admite llamadas a funciones para este modelo solo cuando el esfuerzo de razonamiento es none. La lista de herramientas del proveedor incluye búsqueda web y en archivos, herramientas de generación de imágenes, un intérprete de código, herramientas de línea de comandos y de aplicación de cambios en archivos, habilidades, uso de la computadora, conexiones MCP y búsqueda de herramientas. La salida propia de Luna es texto; las imágenes producidas por herramientas o las acciones ejecutadas son resultados independientes.
La aplicación realiza las operaciones seleccionadas y devuelve la observación para el siguiente paso del modelo. Una búsqueda de producto puede proporcionar el campo ausente antes de redactar la respuesta; una tarea de extracción puede utilizar un pasaje realmente recuperado. La guía de GPT-6 también describe trabajo asíncrono con herramientas, reorientación y capacidades de gestión del contexto en el ámbito de la familia.
Un resultado final útil es una respuesta o un registro concretos, vinculados a las pruebas aportadas. Comprueba sus valores, conserva la terminología obligatoria y vincula las preguntas que requieren información actual a material de fuentes con autoridad en la materia o a observaciones reales de herramientas. El papel de Luna es completar la operación definida, no convertir una gran colección de fuentes en una tarea sin especificar.
", "aboutText": "GPT-6 Luna es el modelo de OpenAI centrado en tareas repetidas de gran volumen. Acepta texto e imágenes y produce texto, por lo que resulta útil para operaciones definidas como clasificación, extracción, reescritura, preguntas basadas en imágenes y pasos individuales de un flujo de trabajo de asistencia. Luna conserva su propio perfil dentro de GPT-6, separado del papel de Sol en programación compleja, de las tareas más exigentes de Astra y del ajuste de ejecución Pro de Luna.\n\n### Definir una operación repetible\n\nAsigna a cada tarea un resultado claro: una categoría, un registro pequeño, una explicación o un pasaje revisado. Para clasificación, proporciona el significado de las categorías y una convención para los elementos que no encajan en ninguna. Para extracción, define los campos, las unidades y el tratamiento de la información ausente. Un enunciado útil es: «Identifica el problema principal del usuario, elige una de estas categorías y devuelve la frase que respalda la elección».\n\nPara una respuesta de asistencia, proporciona la pregunta y el material fuente aprobado pertinente; después, indica el idioma de la respuesta y los detalles que deben conservarse. Para una imagen, conserva las etiquetas visibles e indica al modelo a qué se refiere la pregunta. Mantén las palabras extraídas separadas de la interpretación para que el registro resultante pueda contrastarse con la entrada.\n\n### Esfuerzo y formato de salida\n\nEl proveedor admite los niveles de esfuerzo de razonamiento none, low, medium, high, xhigh y max; medium es el valor predeterminado. El ajuste none permite tareas que no necesitan razonamiento intermedio, mientras que un esfuerzo mayor puede desarrollar el análisis de una pregunta más compleja. El esfuerzo de razonamiento y el modo de ejecución estándar o Pro son opciones independientes. Sigue siendo necesario definir unas especificaciones de salida acotadas en cada nivel de esfuerzo.\n\nStructured Outputs puede limitar la forma de un registro definido, y el texto ordinario puede comunicar una respuesta breve o una explicación. Especifica el significado de los campos y las convenciones para los valores ausentes. La validez del formato no demuestra que un valor extraído esté presente en la fuente, por lo que debes revisar tanto el contenido como la estructura.\n\n### Contexto y conocimientos\n\nLa ficha del modelo indica un contexto de 1,050,000 tokens, hasta 922,000 tokens de entrada y hasta 128,000 tokens de salida. Su fecha de corte de conocimientos es el 18 de mayo de 2026. El material fuente, la conversación, el razonamiento y la respuesta visible necesitan espacio conjuntamente. Para trabajos repetidos, conserva los criterios y las etiquetas de las fuentes que importan, en lugar de permitir que un historial ajeno a la tarea oculte la operación.\n\n### Herramientas y resultados de la aplicación\n\nOpenAI documenta Responses para las herramientas integradas y las llamadas a funciones. Chat Completions admite llamadas a funciones para este modelo solo cuando el esfuerzo de razonamiento es none. La lista de herramientas del proveedor incluye búsqueda web y en archivos, herramientas de generación de imágenes, un intérprete de código, herramientas de línea de comandos y de aplicación de cambios en archivos, habilidades, uso de la computadora, conexiones MCP y búsqueda de herramientas. La salida propia de Luna es texto; las imágenes producidas por herramientas o las acciones ejecutadas son resultados independientes.\n\nLa aplicación realiza las operaciones seleccionadas y devuelve la observación para el siguiente paso del modelo. Una búsqueda de producto puede proporcionar el campo ausente antes de redactar la respuesta; una tarea de extracción puede utilizar un pasaje realmente recuperado. La guía de GPT-6 también describe trabajo asíncrono con herramientas, reorientación y capacidades de gestión del contexto en el ámbito de la familia.\n\nUn resultado final útil es una respuesta o un registro concretos, vinculados a las pruebas aportadas. Comprueba sus valores, conserva la terminología obligatoria y vincula las preguntas que requieren información actual a material de fuentes con autoridad en la materia o a observaciones reales de herramientas. El papel de Luna es completar la operación definida, no convertir una gran colección de fuentes en una tarea sin especificar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e845cba5e38014df55bc887917818eb9651d8d3e0e5862765a8ebcba5aa4ae31", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "openai/gpt-6-luna:batchGPT-6 Luna es el modelo de razonamiento de OpenAI centrado en tareas repetidas de gran volumen. El texto y las imágenes pueden servir para clasificación, extracción, asistencia y trabajo guiado por herramientas, con un contexto de 1,050,000 tokens, salida textual estructurada y un ajuste opcional de esfuerzo sin razonamiento.
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 es el modelo de OpenAI centrado en tareas repetidas de gran volumen. Acepta texto e imágenes y produce texto, por lo que resulta útil para operaciones definidas como clasificación, extracción, reescritura, preguntas basadas en imágenes y pasos individuales de un flujo de trabajo de asistencia. Luna conserva su propio perfil dentro de GPT-6, separado del papel de Sol en programación compleja, de las tareas más exigentes de Astra y del ajuste de ejecución Pro de Luna.
Asigna a cada tarea un resultado claro: una categoría, un registro pequeño, una explicación o un pasaje revisado. Para clasificación, proporciona el significado de las categorías y una convención para los elementos que no encajan en ninguna. Para extracción, define los campos, las unidades y el tratamiento de la información ausente. Un enunciado útil es: «Identifica el problema principal del usuario, elige una de estas categorías y devuelve la frase que respalda la elección».
Para una respuesta de asistencia, proporciona la pregunta y el material fuente aprobado pertinente; después, indica el idioma de la respuesta y los detalles que deben conservarse. Para una imagen, conserva las etiquetas visibles e indica al modelo a qué se refiere la pregunta. Mantén las palabras extraídas separadas de la interpretación para que el registro resultante pueda contrastarse con la entrada.
El proveedor admite los niveles de esfuerzo de razonamiento none, low, medium, high, xhigh y max; medium es el valor predeterminado. El ajuste none permite tareas que no necesitan razonamiento intermedio, mientras que un esfuerzo mayor puede desarrollar el análisis de una pregunta más compleja. El esfuerzo de razonamiento y el modo de ejecución estándar o Pro son opciones independientes. Sigue siendo necesario definir unas especificaciones de salida acotadas en cada nivel de esfuerzo.
Structured Outputs puede limitar la forma de un registro definido, y el texto ordinario puede comunicar una respuesta breve o una explicación. Especifica el significado de los campos y las convenciones para los valores ausentes. La validez del formato no demuestra que un valor extraído esté presente en la fuente, por lo que debes revisar tanto el contenido como la estructura.
La ficha del modelo indica un contexto de 1,050,000 tokens, hasta 922,000 tokens de entrada y hasta 128,000 tokens de salida. Su fecha de corte de conocimientos es el 18 de mayo de 2026. El material fuente, la conversación, el razonamiento y la respuesta visible necesitan espacio conjuntamente. Para trabajos repetidos, conserva los criterios y las etiquetas de las fuentes que importan, en lugar de permitir que un historial ajeno a la tarea oculte la operación.
OpenAI documenta Responses para las herramientas integradas y las llamadas a funciones. Chat Completions admite llamadas a funciones para este modelo solo cuando el esfuerzo de razonamiento es none. La lista de herramientas del proveedor incluye búsqueda web y en archivos, herramientas de generación de imágenes, un intérprete de código, herramientas de línea de comandos y de aplicación de cambios en archivos, habilidades, uso de la computadora, conexiones MCP y búsqueda de herramientas. La salida propia de Luna es texto; las imágenes producidas por herramientas o las acciones ejecutadas son resultados independientes.
La aplicación realiza las operaciones seleccionadas y devuelve la observación para el siguiente paso del modelo. Una búsqueda de producto puede proporcionar el campo ausente antes de redactar la respuesta; una tarea de extracción puede utilizar un pasaje realmente recuperado. La guía de GPT-6 también describe trabajo asíncrono con herramientas, reorientación y capacidades de gestión del contexto en el ámbito de la familia.
Un resultado final útil es una respuesta o un registro concretos, vinculados a las pruebas aportadas. Comprueba sus valores, conserva la terminología obligatoria y vincula las preguntas que requieren información actual a material de fuentes con autoridad en la materia o a observaciones reales de herramientas. El papel de Luna es completar la operación definida, no convertir una gran colección de fuentes en una tarea sin especificar.
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: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:batch, openai/gpt-6-luna | 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: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:batch', 'openai/gpt-6-luna']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-6-luna: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:batch
Usa las rutas de método indicadas arriba.