o3-pro es una edición independiente de o3 de OpenAI que emplea capacidad de cálculo adicional para razonamientos difíciles. La serie o se entrena mediante aprendizaje por refuerzo para resolver un problema antes de responder. Este modelo acepta texto e imágenes y produce texto; la edición Pro se distingue del modelo o3 estándar y de los ajustes posteriores del modo de ejecución Pro.
Un uso práctico es una pregunta técnica con varias condiciones interdependientes. Proporciona el problema completo, las pruebas disponibles y los criterios para elegir una solución. Una tarea ilustrativa consiste en comparar implementaciones cuyo comportamiento depende de distintos supuestos y formular después una recomendación que haga explícitas esas dependencias. Una solicitud matemática también debe indicar el dominio, las condiciones conocidas y la forma exigida para la respuesta.
Para las pruebas visuales, proporciona un diagrama, una captura de pantalla u otra imagen clara e identifica el detalle que afecta a la pregunta. Incluye el contexto escrito que la imagen no permite establecer por sí sola. Pide un resultado útil, como una explicación, una propuesta de solución, un plan o un conjunto de hallazgos. Así, el trabajo adicional de razonamiento del modelo se vincula a una pregunta y un entregable concretos.
OpenAI indica una ventana de contexto de 200,000 tokens, una salida máxima de 100,000 tokens y una fecha de corte de conocimientos del 1 de junio de 2024. El razonamiento ocupa espacio junto con la entrada y la respuesta visible. El proveedor documenta o3-pro mediante Responses para interacciones con el modelo en varios turnos antes de la respuesta final; Batch también figura en la especificación. Las solicitudes difíciles pueden tardar varios minutos, y el fabricante recomienda la ejecución en segundo plano para los trabajos prolongados.
La ficha del modelo nativo confirma que no se admiten respuestas en flujo, mientras que sí se admiten llamadas a funciones y Structured Outputs. Su conjunto de herramientas documentado incluye funciones, búsqueda en archivos y en la web, herramientas de generación de imágenes y conexiones MCP. La aplicación expone sus operaciones, ejecuta sus acciones y proporciona resultados reales. El seguimiento del estado en segundo plano y la recuperación del resultado son procesos distintos de recibir un flujo de tokens de respuesta.
Define el criterio de finalización antes de enviar la solicitud. Para un análisis, pide que los hechos aportados, la conclusión y las condiciones sin resolver permanezcan diferenciados. Para una propuesta de cambio, identifica el comportamiento esperado y las pruebas necesarias para comprobarlo. Una respuesta final útil relaciona las decisiones importantes con la pregunta original y distingue una acción propuesta para una herramienta de una operación ya completada en el entorno.
", "aboutText": "o3-pro es una edición independiente de o3 de OpenAI que emplea capacidad de cálculo adicional para razonamientos difíciles. La serie o se entrena mediante aprendizaje por refuerzo para resolver un problema antes de responder. Este modelo acepta texto e imágenes y produce texto; la edición Pro se distingue del modelo o3 estándar y de los ajustes posteriores del modo de ejecución Pro.\n\nUn uso práctico es una pregunta técnica con varias condiciones interdependientes. Proporciona el problema completo, las pruebas disponibles y los criterios para elegir una solución. Una tarea ilustrativa consiste en comparar implementaciones cuyo comportamiento depende de distintos supuestos y formular después una recomendación que haga explícitas esas dependencias. Una solicitud matemática también debe indicar el dominio, las condiciones conocidas y la forma exigida para la respuesta.\n\nPara las pruebas visuales, proporciona un diagrama, una captura de pantalla u otra imagen clara e identifica el detalle que afecta a la pregunta. Incluye el contexto escrito que la imagen no permite establecer por sí sola. Pide un resultado útil, como una explicación, una propuesta de solución, un plan o un conjunto de hallazgos. Así, el trabajo adicional de razonamiento del modelo se vincula a una pregunta y un entregable concretos.\n\nOpenAI indica una ventana de contexto de 200,000 tokens, una salida máxima de 100,000 tokens y una fecha de corte de conocimientos del 1 de junio de 2024. El razonamiento ocupa espacio junto con la entrada y la respuesta visible. El proveedor documenta o3-pro mediante Responses para interacciones con el modelo en varios turnos antes de la respuesta final; Batch también figura en la especificación. Las solicitudes difíciles pueden tardar varios minutos, y el fabricante recomienda la ejecución en segundo plano para los trabajos prolongados.\n\nLa ficha del modelo nativo confirma que no se admiten respuestas en flujo, mientras que sí se admiten llamadas a funciones y Structured Outputs. Su conjunto de herramientas documentado incluye funciones, búsqueda en archivos y en la web, herramientas de generación de imágenes y conexiones MCP. La aplicación expone sus operaciones, ejecuta sus acciones y proporciona resultados reales. El seguimiento del estado en segundo plano y la recuperación del resultado son procesos distintos de recibir un flujo de tokens de respuesta.\n\nDefine el criterio de finalización antes de enviar la solicitud. Para un análisis, pide que los hechos aportados, la conclusión y las condiciones sin resolver permanezcan diferenciados. Para una propuesta de cambio, identifica el comportamiento esperado y las pruebas necesarias para comprobarlo. Una respuesta final útil relaciona las decisiones importantes con la pregunta original y distingue una acción propuesta para una herramienta de una operación ya completada en el entorno.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.openai/o3-proLa edición independiente o3-pro emplea capacidad de cálculo adicional para razonamientos difíciles. Acepta texto e imágenes y devuelve texto, con llamadas a funciones y Structured Outputs; el flujo de trabajo del proveedor utiliza Responses y no admite respuestas en flujo.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
o3-pro es una edición independiente de o3 de OpenAI que emplea capacidad de cálculo adicional para razonamientos difíciles. La serie o se entrena mediante aprendizaje por refuerzo para resolver un problema antes de responder. Este modelo acepta texto e imágenes y produce texto; la edición Pro se distingue del modelo o3 estándar y de los ajustes posteriores del modo de ejecución Pro.
Un uso práctico es una pregunta técnica con varias condiciones interdependientes. Proporciona el problema completo, las pruebas disponibles y los criterios para elegir una solución. Una tarea ilustrativa consiste en comparar implementaciones cuyo comportamiento depende de distintos supuestos y formular después una recomendación que haga explícitas esas dependencias. Una solicitud matemática también debe indicar el dominio, las condiciones conocidas y la forma exigida para la respuesta.
Para las pruebas visuales, proporciona un diagrama, una captura de pantalla u otra imagen clara e identifica el detalle que afecta a la pregunta. Incluye el contexto escrito que la imagen no permite establecer por sí sola. Pide un resultado útil, como una explicación, una propuesta de solución, un plan o un conjunto de hallazgos. Así, el trabajo adicional de razonamiento del modelo se vincula a una pregunta y un entregable concretos.
OpenAI indica una ventana de contexto de 200,000 tokens, una salida máxima de 100,000 tokens y una fecha de corte de conocimientos del 1 de junio de 2024. El razonamiento ocupa espacio junto con la entrada y la respuesta visible. El proveedor documenta o3-pro mediante Responses para interacciones con el modelo en varios turnos antes de la respuesta final; Batch también figura en la especificación. Las solicitudes difíciles pueden tardar varios minutos, y el fabricante recomienda la ejecución en segundo plano para los trabajos prolongados.
La ficha del modelo nativo confirma que no se admiten respuestas en flujo, mientras que sí se admiten llamadas a funciones y Structured Outputs. Su conjunto de herramientas documentado incluye funciones, búsqueda en archivos y en la web, herramientas de generación de imágenes y conexiones MCP. La aplicación expone sus operaciones, ejecuta sus acciones y proporciona resultados reales. El seguimiento del estado en segundo plano y la recuperación del resultado son procesos distintos de recibir un flujo de tokens de respuesta.
Define el criterio de finalización antes de enviar la solicitud. Para un análisis, pide que los hechos aportados, la conclusión y las condiciones sin resolver permanezcan diferenciados. Para una propuesta de cambio, identifica el comportamiento esperado y las pruebas necesarias para comprobarlo. Una respuesta final útil relaciona las decisiones importantes con la pregunta original y distingue una acción propuesta para una herramienta de una operación ya completada en el entorno.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/o3-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 $0.04 / 1K tokens Salida · Tokens de salida $0.16 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.04 / 1K tokens Salida · Tokens de salida $0.16 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-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/o3-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/o3-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/o3-pro
Usa las rutas de método indicadas arriba.
openai/o3-proLa edición independiente o3-pro emplea capacidad de cálculo adicional para razonamientos difíciles. Acepta texto e imágenes y devuelve texto, con llamadas a funciones y Structured Outputs; el flujo de trabajo del proveedor utiliza Responses y no admite respuestas en flujo.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
o3-pro es una edición independiente de o3 de OpenAI que emplea capacidad de cálculo adicional para razonamientos difíciles. La serie o se entrena mediante aprendizaje por refuerzo para resolver un problema antes de responder. Este modelo acepta texto e imágenes y produce texto; la edición Pro se distingue del modelo o3 estándar y de los ajustes posteriores del modo de ejecución Pro.
Un uso práctico es una pregunta técnica con varias condiciones interdependientes. Proporciona el problema completo, las pruebas disponibles y los criterios para elegir una solución. Una tarea ilustrativa consiste en comparar implementaciones cuyo comportamiento depende de distintos supuestos y formular después una recomendación que haga explícitas esas dependencias. Una solicitud matemática también debe indicar el dominio, las condiciones conocidas y la forma exigida para la respuesta.
Para las pruebas visuales, proporciona un diagrama, una captura de pantalla u otra imagen clara e identifica el detalle que afecta a la pregunta. Incluye el contexto escrito que la imagen no permite establecer por sí sola. Pide un resultado útil, como una explicación, una propuesta de solución, un plan o un conjunto de hallazgos. Así, el trabajo adicional de razonamiento del modelo se vincula a una pregunta y un entregable concretos.
OpenAI indica una ventana de contexto de 200,000 tokens, una salida máxima de 100,000 tokens y una fecha de corte de conocimientos del 1 de junio de 2024. El razonamiento ocupa espacio junto con la entrada y la respuesta visible. El proveedor documenta o3-pro mediante Responses para interacciones con el modelo en varios turnos antes de la respuesta final; Batch también figura en la especificación. Las solicitudes difíciles pueden tardar varios minutos, y el fabricante recomienda la ejecución en segundo plano para los trabajos prolongados.
La ficha del modelo nativo confirma que no se admiten respuestas en flujo, mientras que sí se admiten llamadas a funciones y Structured Outputs. Su conjunto de herramientas documentado incluye funciones, búsqueda en archivos y en la web, herramientas de generación de imágenes y conexiones MCP. La aplicación expone sus operaciones, ejecuta sus acciones y proporciona resultados reales. El seguimiento del estado en segundo plano y la recuperación del resultado son procesos distintos de recibir un flujo de tokens de respuesta.
Define el criterio de finalización antes de enviar la solicitud. Para un análisis, pide que los hechos aportados, la conclusión y las condiciones sin resolver permanezcan diferenciados. Para una propuesta de cambio, identifica el comportamiento esperado y las pruebas necesarias para comprobarlo. Una respuesta final útil relaciona las decisiones importantes con la pregunta original y distingue una acción propuesta para una herramienta de una operación ya completada en el entorno.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/o3-pro | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.04 / 1K tokens Salida · Tokens de salida $0.16 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.04 / 1K tokens Salida · Tokens de salida $0.16 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "openai/o3-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/o3-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/o3-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra openai/o3-pro
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.