GPT-5.6 Luna Pro designa a GPT-5.6 Luna de OpenAI con razonamiento Pro. La edición base Luna está diseñada para cargas de trabajo concretas de gran volumen y corresponde aproximadamente al nivel nano de las familias GPT-5 anteriores. Acepta texto e imágenes y produce texto. Pro añade trabajo del modelo para desarrollar la respuesta final; es un modo de ejecución que no sustituye a la edición base.
Un uso práctico es extraer un conjunto definido de información de un documento cuyas reglas incluyan excepciones. Proporciona el documento y los campos que necesitas, identifica los pasajes que tienen prioridad y explica cómo tratar un valor ausente. Un ejemplo de solicitud consiste en extraer el tema del documento, las condiciones pertinentes para una solicitud y la siguiente pregunta necesaria para completarla. Pide una explicación de una excepción junto con los campos extraídos para poder comparar el resultado con la fuente.
Para material visual, proporciona una página o una captura de pantalla clara e identifica el detalle o la etiqueta específicos que orientan la tarea. Para redactar una respuesta, proporciona la solicitud, las reglas que rigen la contestación y los hechos que deben conservarse. Define el tono y la extensión deseados y solicita una respuesta concisa en lugar de una discusión sin límites. Esta preparación vincula la función concreta de Luna con un resultado textual definido.
OpenAI especifica para GPT-5.6 Luna una ventana de contexto de 1.050.000 tokens, una entrada máxima de 922.000 tokens y una salida máxima de 128.000 tokens, con fecha límite de conocimientos del 16 de febrero de 2026. Las opciones de esfuerzo de razonamiento del modelo base son none, low, medium, high, xhigh y max; medium es el valor predeterminado. El modo y el esfuerzo son independientes: Pro determina trabajo adicional del modelo, mientras que el esfuerzo controla la cantidad de razonamiento dentro del modo. El razonamiento también utiliza espacio de contexto, por lo que debes reservar espacio para el análisis y la respuesta visible.
El fabricante documenta Pro en la Responses API para tareas difíciles que admiten mayor latencia y actividad del modelo. El modelo base incluye transmisión en continuo, Structured Outputs, llamadas a funciones, búsqueda en la web y en archivos, entrada de imágenes y almacenamiento de la entrada en caché. Su conjunto de herramientas incluye generación de imágenes, interpretación de código, ejecución de comandos en un entorno alojado, aplicación de parches, habilidades, uso del ordenador, conexiones MCP y búsqueda de herramientas. Las operaciones de las herramientas requieren el entorno correspondiente; una aplicación ejecuta sus acciones y proporciona los resultados reales para continuar el trabajo.
Especifica un entregable final útil: los campos requeridos, la regla que respalda una decisión y cualquier pregunta pendiente. Por ejemplo, solicita un borrador de respuesta junto con los hechos del documento en los que se basa y refina la respuesta después de proporcionar la información ausente. Mantén visible la diferencia entre una acción propuesta y una acción completada por una herramienta. Este flujo de trabajo da un propósito concreto al análisis adicional de Pro dentro de una tarea Luna acotada.
", "aboutText": "GPT-5.6 Luna Pro designa a GPT-5.6 Luna de OpenAI con razonamiento Pro. La edición base Luna está diseñada para cargas de trabajo concretas de gran volumen y corresponde aproximadamente al nivel nano de las familias GPT-5 anteriores. Acepta texto e imágenes y produce texto. Pro añade trabajo del modelo para desarrollar la respuesta final; es un modo de ejecución que no sustituye a la edición base.\n\nUn uso práctico es extraer un conjunto definido de información de un documento cuyas reglas incluyan excepciones. Proporciona el documento y los campos que necesitas, identifica los pasajes que tienen prioridad y explica cómo tratar un valor ausente. Un ejemplo de solicitud consiste en extraer el tema del documento, las condiciones pertinentes para una solicitud y la siguiente pregunta necesaria para completarla. Pide una explicación de una excepción junto con los campos extraídos para poder comparar el resultado con la fuente.\n\nPara material visual, proporciona una página o una captura de pantalla clara e identifica el detalle o la etiqueta específicos que orientan la tarea. Para redactar una respuesta, proporciona la solicitud, las reglas que rigen la contestación y los hechos que deben conservarse. Define el tono y la extensión deseados y solicita una respuesta concisa en lugar de una discusión sin límites. Esta preparación vincula la función concreta de Luna con un resultado textual definido.\n\nOpenAI especifica para GPT-5.6 Luna una ventana de contexto de 1.050.000 tokens, una entrada máxima de 922.000 tokens y una salida máxima de 128.000 tokens, con fecha límite de conocimientos del 16 de febrero de 2026. Las opciones de esfuerzo de razonamiento del modelo base son none, low, medium, high, xhigh y max; medium es el valor predeterminado. El modo y el esfuerzo son independientes: Pro determina trabajo adicional del modelo, mientras que el esfuerzo controla la cantidad de razonamiento dentro del modo. El razonamiento también utiliza espacio de contexto, por lo que debes reservar espacio para el análisis y la respuesta visible.\n\nEl fabricante documenta Pro en la Responses API para tareas difíciles que admiten mayor latencia y actividad del modelo. El modelo base incluye transmisión en continuo, Structured Outputs, llamadas a funciones, búsqueda en la web y en archivos, entrada de imágenes y almacenamiento de la entrada en caché. Su conjunto de herramientas incluye generación de imágenes, interpretación de código, ejecución de comandos en un entorno alojado, aplicación de parches, habilidades, uso del ordenador, conexiones MCP y búsqueda de herramientas. Las operaciones de las herramientas requieren el entorno correspondiente; una aplicación ejecuta sus acciones y proporciona los resultados reales para continuar el trabajo.\n\nEspecifica un entregable final útil: los campos requeridos, la regla que respalda una decisión y cualquier pregunta pendiente. Por ejemplo, solicita un borrador de respuesta junto con los hechos del documento en los que se basa y refina la respuesta después de proporcionar la información ausente. Mantén visible la diferencia entre una acción propuesta y una acción completada por una herramienta. Este flujo de trabajo da un propósito concreto al análisis adicional de Pro dentro de una tarea Luna acotada.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.gpt-5.6-luna-proGPT-5.6 Luna con razonamiento Pro para tareas concretas que requieren análisis adicional. Proporciona texto o imágenes y reglas explícitas para desarrollar un resultado de extracción, una respuesta concisa o la explicación de una excepción.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna Pro designa a GPT-5.6 Luna de OpenAI con razonamiento Pro. La edición base Luna está diseñada para cargas de trabajo concretas de gran volumen y corresponde aproximadamente al nivel nano de las familias GPT-5 anteriores. Acepta texto e imágenes y produce texto. Pro añade trabajo del modelo para desarrollar la respuesta final; es un modo de ejecución que no sustituye a la edición base.
Un uso práctico es extraer un conjunto definido de información de un documento cuyas reglas incluyan excepciones. Proporciona el documento y los campos que necesitas, identifica los pasajes que tienen prioridad y explica cómo tratar un valor ausente. Un ejemplo de solicitud consiste en extraer el tema del documento, las condiciones pertinentes para una solicitud y la siguiente pregunta necesaria para completarla. Pide una explicación de una excepción junto con los campos extraídos para poder comparar el resultado con la fuente.
Para material visual, proporciona una página o una captura de pantalla clara e identifica el detalle o la etiqueta específicos que orientan la tarea. Para redactar una respuesta, proporciona la solicitud, las reglas que rigen la contestación y los hechos que deben conservarse. Define el tono y la extensión deseados y solicita una respuesta concisa en lugar de una discusión sin límites. Esta preparación vincula la función concreta de Luna con un resultado textual definido.
OpenAI especifica para GPT-5.6 Luna una ventana de contexto de 1.050.000 tokens, una entrada máxima de 922.000 tokens y una salida máxima de 128.000 tokens, con fecha límite de conocimientos del 16 de febrero de 2026. Las opciones de esfuerzo de razonamiento del modelo base son none, low, medium, high, xhigh y max; medium es el valor predeterminado. El modo y el esfuerzo son independientes: Pro determina trabajo adicional del modelo, mientras que el esfuerzo controla la cantidad de razonamiento dentro del modo. El razonamiento también utiliza espacio de contexto, por lo que debes reservar espacio para el análisis y la respuesta visible.
El fabricante documenta Pro en la Responses API para tareas difíciles que admiten mayor latencia y actividad del modelo. El modelo base incluye transmisión en continuo, Structured Outputs, llamadas a funciones, búsqueda en la web y en archivos, entrada de imágenes y almacenamiento de la entrada en caché. Su conjunto de herramientas incluye generación de imágenes, interpretación de código, ejecución de comandos en un entorno alojado, aplicación de parches, habilidades, uso del ordenador, conexiones MCP y búsqueda de herramientas. Las operaciones de las herramientas requieren el entorno correspondiente; una aplicación ejecuta sus acciones y proporciona los resultados reales para continuar el trabajo.
Especifica un entregable final útil: los campos requeridos, la regla que respalda una decisión y cualquier pregunta pendiente. Por ejemplo, solicita un borrador de respuesta junto con los hechos del documento en los que se basa y refina la respuesta después de proporcionar la información ausente. Mantén visible la diferencia entre una acción propuesta y una acción completada por una herramienta. Este flujo de trabajo da un propósito concreto al análisis adicional de Pro dentro de una tarea Luna acotada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-5.6-luna-pro | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 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 |
| ConfiguraciónTramo 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 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 |
| ConfiguraciónTramo 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 $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-luna-pro","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gpt-5.6-luna-pro", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
gpt-5.6-luna-proGPT-5.6 Luna con razonamiento Pro para tareas concretas que requieren análisis adicional. Proporciona texto o imágenes y reglas explícitas para desarrollar un resultado de extracción, una respuesta concisa o la explicación de una excepción.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna Pro designa a GPT-5.6 Luna de OpenAI con razonamiento Pro. La edición base Luna está diseñada para cargas de trabajo concretas de gran volumen y corresponde aproximadamente al nivel nano de las familias GPT-5 anteriores. Acepta texto e imágenes y produce texto. Pro añade trabajo del modelo para desarrollar la respuesta final; es un modo de ejecución que no sustituye a la edición base.
Un uso práctico es extraer un conjunto definido de información de un documento cuyas reglas incluyan excepciones. Proporciona el documento y los campos que necesitas, identifica los pasajes que tienen prioridad y explica cómo tratar un valor ausente. Un ejemplo de solicitud consiste en extraer el tema del documento, las condiciones pertinentes para una solicitud y la siguiente pregunta necesaria para completarla. Pide una explicación de una excepción junto con los campos extraídos para poder comparar el resultado con la fuente.
Para material visual, proporciona una página o una captura de pantalla clara e identifica el detalle o la etiqueta específicos que orientan la tarea. Para redactar una respuesta, proporciona la solicitud, las reglas que rigen la contestación y los hechos que deben conservarse. Define el tono y la extensión deseados y solicita una respuesta concisa en lugar de una discusión sin límites. Esta preparación vincula la función concreta de Luna con un resultado textual definido.
OpenAI especifica para GPT-5.6 Luna una ventana de contexto de 1.050.000 tokens, una entrada máxima de 922.000 tokens y una salida máxima de 128.000 tokens, con fecha límite de conocimientos del 16 de febrero de 2026. Las opciones de esfuerzo de razonamiento del modelo base son none, low, medium, high, xhigh y max; medium es el valor predeterminado. El modo y el esfuerzo son independientes: Pro determina trabajo adicional del modelo, mientras que el esfuerzo controla la cantidad de razonamiento dentro del modo. El razonamiento también utiliza espacio de contexto, por lo que debes reservar espacio para el análisis y la respuesta visible.
El fabricante documenta Pro en la Responses API para tareas difíciles que admiten mayor latencia y actividad del modelo. El modelo base incluye transmisión en continuo, Structured Outputs, llamadas a funciones, búsqueda en la web y en archivos, entrada de imágenes y almacenamiento de la entrada en caché. Su conjunto de herramientas incluye generación de imágenes, interpretación de código, ejecución de comandos en un entorno alojado, aplicación de parches, habilidades, uso del ordenador, conexiones MCP y búsqueda de herramientas. Las operaciones de las herramientas requieren el entorno correspondiente; una aplicación ejecuta sus acciones y proporciona los resultados reales para continuar el trabajo.
Especifica un entregable final útil: los campos requeridos, la regla que respalda una decisión y cualquier pregunta pendiente. Por ejemplo, solicita un borrador de respuesta junto con los hechos del documento en los que se basa y refina la respuesta después de proporcionar la información ausente. Mantén visible la diferencia entre una acción propuesta y una acción completada por una herramienta. Este flujo de trabajo da un propósito concreto al análisis adicional de Pro dentro de una tarea Luna acotada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gpt-5.6-luna-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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 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 |
| ConfiguraciónTramo 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 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 |
| ConfiguraciónTramo 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 $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'gpt-5.6-luna-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': 'gpt-5.6-luna-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 las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-5.6 Luna con razonamiento Pro para tareas concretas que requieren análisis adicional. Proporciona texto o imágenes y reglas explícitas para desarrollar un resultado de extracción, una respuesta concisa o la explicación de una excepción.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna Pro designa a GPT-5.6 Luna de OpenAI con razonamiento Pro. La edición base Luna está diseñada para cargas de trabajo concretas de gran volumen y corresponde aproximadamente al nivel nano de las familias GPT-5 anteriores. Acepta texto e imágenes y produce texto. Pro añade trabajo del modelo para desarrollar la respuesta final; es un modo de ejecución que no sustituye a la edición base.
Un uso práctico es extraer un conjunto definido de información de un documento cuyas reglas incluyan excepciones. Proporciona el documento y los campos que necesitas, identifica los pasajes que tienen prioridad y explica cómo tratar un valor ausente. Un ejemplo de solicitud consiste en extraer el tema del documento, las condiciones pertinentes para una solicitud y la siguiente pregunta necesaria para completarla. Pide una explicación de una excepción junto con los campos extraídos para poder comparar el resultado con la fuente.
Para material visual, proporciona una página o una captura de pantalla clara e identifica el detalle o la etiqueta específicos que orientan la tarea. Para redactar una respuesta, proporciona la solicitud, las reglas que rigen la contestación y los hechos que deben conservarse. Define el tono y la extensión deseados y solicita una respuesta concisa en lugar de una discusión sin límites. Esta preparación vincula la función concreta de Luna con un resultado textual definido.
OpenAI especifica para GPT-5.6 Luna una ventana de contexto de 1.050.000 tokens, una entrada máxima de 922.000 tokens y una salida máxima de 128.000 tokens, con fecha límite de conocimientos del 16 de febrero de 2026. Las opciones de esfuerzo de razonamiento del modelo base son none, low, medium, high, xhigh y max; medium es el valor predeterminado. El modo y el esfuerzo son independientes: Pro determina trabajo adicional del modelo, mientras que el esfuerzo controla la cantidad de razonamiento dentro del modo. El razonamiento también utiliza espacio de contexto, por lo que debes reservar espacio para el análisis y la respuesta visible.
El fabricante documenta Pro en la Responses API para tareas difíciles que admiten mayor latencia y actividad del modelo. El modelo base incluye transmisión en continuo, Structured Outputs, llamadas a funciones, búsqueda en la web y en archivos, entrada de imágenes y almacenamiento de la entrada en caché. Su conjunto de herramientas incluye generación de imágenes, interpretación de código, ejecución de comandos en un entorno alojado, aplicación de parches, habilidades, uso del ordenador, conexiones MCP y búsqueda de herramientas. Las operaciones de las herramientas requieren el entorno correspondiente; una aplicación ejecuta sus acciones y proporciona los resultados reales para continuar el trabajo.
Especifica un entregable final útil: los campos requeridos, la regla que respalda una decisión y cualquier pregunta pendiente. Por ejemplo, solicita un borrador de respuesta junto con los hechos del documento en los que se basa y refina la respuesta después de proporcionar la información ausente. Mantén visible la diferencia entre una acción propuesta y una acción completada por una herramienta. Este flujo de trabajo da un propósito concreto al análisis adicional de Pro dentro de una tarea Luna acotada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-5.6-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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 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 |
| ConfiguraciónTramo 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 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 |
| ConfiguraciónTramo 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 $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-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-5.6-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-5.6-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 las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-5.6 Luna con razonamiento Pro para tareas concretas que requieren análisis adicional. Proporciona texto o imágenes y reglas explícitas para desarrollar un resultado de extracción, una respuesta concisa o la explicación de una excepción.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GPT-5.6 Luna Pro designa a GPT-5.6 Luna de OpenAI con razonamiento Pro. La edición base Luna está diseñada para cargas de trabajo concretas de gran volumen y corresponde aproximadamente al nivel nano de las familias GPT-5 anteriores. Acepta texto e imágenes y produce texto. Pro añade trabajo del modelo para desarrollar la respuesta final; es un modo de ejecución que no sustituye a la edición base.
Un uso práctico es extraer un conjunto definido de información de un documento cuyas reglas incluyan excepciones. Proporciona el documento y los campos que necesitas, identifica los pasajes que tienen prioridad y explica cómo tratar un valor ausente. Un ejemplo de solicitud consiste en extraer el tema del documento, las condiciones pertinentes para una solicitud y la siguiente pregunta necesaria para completarla. Pide una explicación de una excepción junto con los campos extraídos para poder comparar el resultado con la fuente.
Para material visual, proporciona una página o una captura de pantalla clara e identifica el detalle o la etiqueta específicos que orientan la tarea. Para redactar una respuesta, proporciona la solicitud, las reglas que rigen la contestación y los hechos que deben conservarse. Define el tono y la extensión deseados y solicita una respuesta concisa en lugar de una discusión sin límites. Esta preparación vincula la función concreta de Luna con un resultado textual definido.
OpenAI especifica para GPT-5.6 Luna una ventana de contexto de 1.050.000 tokens, una entrada máxima de 922.000 tokens y una salida máxima de 128.000 tokens, con fecha límite de conocimientos del 16 de febrero de 2026. Las opciones de esfuerzo de razonamiento del modelo base son none, low, medium, high, xhigh y max; medium es el valor predeterminado. El modo y el esfuerzo son independientes: Pro determina trabajo adicional del modelo, mientras que el esfuerzo controla la cantidad de razonamiento dentro del modo. El razonamiento también utiliza espacio de contexto, por lo que debes reservar espacio para el análisis y la respuesta visible.
El fabricante documenta Pro en la Responses API para tareas difíciles que admiten mayor latencia y actividad del modelo. El modelo base incluye transmisión en continuo, Structured Outputs, llamadas a funciones, búsqueda en la web y en archivos, entrada de imágenes y almacenamiento de la entrada en caché. Su conjunto de herramientas incluye generación de imágenes, interpretación de código, ejecución de comandos en un entorno alojado, aplicación de parches, habilidades, uso del ordenador, conexiones MCP y búsqueda de herramientas. Las operaciones de las herramientas requieren el entorno correspondiente; una aplicación ejecuta sus acciones y proporciona los resultados reales para continuar el trabajo.
Especifica un entregable final útil: los campos requeridos, la regla que respalda una decisión y cualquier pregunta pendiente. Por ejemplo, solicita un borrador de respuesta junto con los hechos del documento en los que se basa y refina la respuesta después de proporcionar la información ausente. Mantén visible la diferencia entre una acción propuesta y una acción completada por una herramienta. Este flujo de trabajo da un propósito concreto al análisis adicional de Pro dentro de una tarea Luna acotada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/gpt-5.6-luna-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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 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 |
| ConfiguraciónTramo 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.0024 / 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 |
| ConfiguraciónTramo 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 $0.0008 / 1K tokens Salida · Tokens de salida $0.0036 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché $0.001 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "openai/gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/gpt-5.6-luna-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/gpt-5.6-luna-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 las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
Ejemplo técnico en inglés
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.