o3-mini es un modelo compacto de razonamiento de OpenAI. Recibe texto y produce texto, con especial atención a resolver un problema antes de responder. Un asistente técnico puede utilizarlo para examinar una función que falla, comparar posibles explicaciones de una observación o desarrollar una argumentación matemática. Proporciona las pruebas pertinentes y define qué debe demostrar la respuesta.
Para diagnosticar un fallo de código, proporciona la función, sus entradas, el fallo observado y el comportamiento esperado. Pide el cambio más pequeño que resuelva esa diferencia, seguido de casos de prueba que permitan distinguir la propuesta del comportamiento actual. Excluye del enunciado los archivos ajenos al problema, salvo que afecten al fallo. El código devuelto es una propuesta que debe inspeccionarse y ejecutarse en el entorno de desarrollo.
Para un cálculo, indica las unidades, los supuestos y la precisión requerida. Pide el resultado junto con las relaciones utilizadas para obtenerlo. Para una pregunta científica o de ingeniería, aporta las observaciones y pregunta qué conclusiones se desprenden de ellas y qué medición adicional permitiría distinguir entre explicaciones alternativas. Así, una respuesta larga sigue vinculada a una tarea verificable.
OpenAI documenta Structured Outputs y llamadas a funciones para o3-mini. Una tarea estructurada puede especificar los campos que necesita el siguiente paso, como un diagnóstico, las observaciones que lo respaldan y una prueba propuesta. Define cómo debe aparecer un valor ausente y comprueba después los campos devueltos con el material aportado antes de utilizarlos.
Las llamadas a funciones permiten al modelo solicitar una función expuesta por una aplicación. La aplicación proporciona las definiciones de las funciones, ejecuta una llamada seleccionada y devuelve su resultado. Describe cada función con suficiente precisión para que sus entradas y consecuencias queden claras. Una llamada solicitada y una operación ejecutada son pasos distintos; conserva el resultado real de la operación al preparar la siguiente instrucción.
El fabricante indica una ventana de contexto de 200.000 tokens y una salida máxima de 100.000 tokens para la versión documentada. Son presupuestos distintos: una colección extensa de material fuente también debe dejar espacio para la respuesta. Adapta la longitud del resultado solicitado a la tarea, ya sea un parche pequeño o una explicación más larga.
Las entradas y salidas del modelo de esta edición son texto. Para las pruebas contenidas en un documento o una imagen, prepara el texto legible pertinente y conserva las etiquetas de sus fuentes. Numera los fragmentos o las zonas de código que quieras comparar y pide que la respuesta conserve esos identificadores. De ese modo, el resultado se puede contrastar con el material exacto que lo respalda.
", "aboutText": "o3-mini es un modelo compacto de razonamiento de OpenAI. Recibe texto y produce texto, con especial atención a resolver un problema antes de responder. Un asistente técnico puede utilizarlo para examinar una función que falla, comparar posibles explicaciones de una observación o desarrollar una argumentación matemática. Proporciona las pruebas pertinentes y define qué debe demostrar la respuesta.\n\n### Razonamiento sobre un problema concreto\n\nPara diagnosticar un fallo de código, proporciona la función, sus entradas, el fallo observado y el comportamiento esperado. Pide el cambio más pequeño que resuelva esa diferencia, seguido de casos de prueba que permitan distinguir la propuesta del comportamiento actual. Excluye del enunciado los archivos ajenos al problema, salvo que afecten al fallo. El código devuelto es una propuesta que debe inspeccionarse y ejecutarse en el entorno de desarrollo.\n\nPara un cálculo, indica las unidades, los supuestos y la precisión requerida. Pide el resultado junto con las relaciones utilizadas para obtenerlo. Para una pregunta científica o de ingeniería, aporta las observaciones y pregunta qué conclusiones se desprenden de ellas y qué medición adicional permitiría distinguir entre explicaciones alternativas. Así, una respuesta larga sigue vinculada a una tarea verificable.\n\n### Respuestas estructuradas y funciones\n\nOpenAI documenta Structured Outputs y llamadas a funciones para o3-mini. Una tarea estructurada puede especificar los campos que necesita el siguiente paso, como un diagnóstico, las observaciones que lo respaldan y una prueba propuesta. Define cómo debe aparecer un valor ausente y comprueba después los campos devueltos con el material aportado antes de utilizarlos.\n\nLas llamadas a funciones permiten al modelo solicitar una función expuesta por una aplicación. La aplicación proporciona las definiciones de las funciones, ejecuta una llamada seleccionada y devuelve su resultado. Describe cada función con suficiente precisión para que sus entradas y consecuencias queden claras. Una llamada solicitada y una operación ejecutada son pasos distintos; conserva el resultado real de la operación al preparar la siguiente instrucción.\n\n### Planifica el contexto de trabajo\n\nEl fabricante indica una ventana de contexto de 200.000 tokens y una salida máxima de 100.000 tokens para la versión documentada. Son presupuestos distintos: una colección extensa de material fuente también debe dejar espacio para la respuesta. Adapta la longitud del resultado solicitado a la tarea, ya sea un parche pequeño o una explicación más larga.\n\nLas entradas y salidas del modelo de esta edición son texto. Para las pruebas contenidas en un documento o una imagen, prepara el texto legible pertinente y conserva las etiquetas de sus fuentes. Numera los fragmentos o las zonas de código que quieras comparar y pide que la respuesta conserve esos identificadores. De ese modo, el resultado se puede contrastar con el material exacto que lo respalda.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Locate an off-by-one defect\n\nDiagnose this Python function: 'def first_three(xs): return xs[:2]'. Requirement: return up to the first three elements without changing xs. Show the smallest correction and tests for a four-element list, a two-element list and an empty list. Explain the slice boundary in one sentence. Treat the tests as proposals until run.A one-line correction, three assert tests and a sentence explaining the exclusive slice endpoint.The four-element case returns three elements while shorter lists remain safe and the original list stays unchanged.o3-minio3-mini es el modelo compacto de razonamiento de OpenAI para resolver problemas mediante texto. Úsalo para diagnosticar un fallo de código, desarrollar una argumentación matemática o elaborar una explicación técnica, con una pregunta clara y las pruebas necesarias para comprobar la respuesta.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
o3-mini es un modelo compacto de razonamiento de OpenAI. Recibe texto y produce texto, con especial atención a resolver un problema antes de responder. Un asistente técnico puede utilizarlo para examinar una función que falla, comparar posibles explicaciones de una observación o desarrollar una argumentación matemática. Proporciona las pruebas pertinentes y define qué debe demostrar la respuesta.
Para diagnosticar un fallo de código, proporciona la función, sus entradas, el fallo observado y el comportamiento esperado. Pide el cambio más pequeño que resuelva esa diferencia, seguido de casos de prueba que permitan distinguir la propuesta del comportamiento actual. Excluye del enunciado los archivos ajenos al problema, salvo que afecten al fallo. El código devuelto es una propuesta que debe inspeccionarse y ejecutarse en el entorno de desarrollo.
Para un cálculo, indica las unidades, los supuestos y la precisión requerida. Pide el resultado junto con las relaciones utilizadas para obtenerlo. Para una pregunta científica o de ingeniería, aporta las observaciones y pregunta qué conclusiones se desprenden de ellas y qué medición adicional permitiría distinguir entre explicaciones alternativas. Así, una respuesta larga sigue vinculada a una tarea verificable.
OpenAI documenta Structured Outputs y llamadas a funciones para o3-mini. Una tarea estructurada puede especificar los campos que necesita el siguiente paso, como un diagnóstico, las observaciones que lo respaldan y una prueba propuesta. Define cómo debe aparecer un valor ausente y comprueba después los campos devueltos con el material aportado antes de utilizarlos.
Las llamadas a funciones permiten al modelo solicitar una función expuesta por una aplicación. La aplicación proporciona las definiciones de las funciones, ejecuta una llamada seleccionada y devuelve su resultado. Describe cada función con suficiente precisión para que sus entradas y consecuencias queden claras. Una llamada solicitada y una operación ejecutada son pasos distintos; conserva el resultado real de la operación al preparar la siguiente instrucción.
El fabricante indica una ventana de contexto de 200.000 tokens y una salida máxima de 100.000 tokens para la versión documentada. Son presupuestos distintos: una colección extensa de material fuente también debe dejar espacio para la respuesta. Adapta la longitud del resultado solicitado a la tarea, ya sea un parche pequeño o una explicación más larga.
Las entradas y salidas del modelo de esta edición son texto. Para las pruebas contenidas en un documento o una imagen, prepara el texto legible pertinente y conserva las etiquetas de sus fuentes. Numera los fragmentos o las zonas de código que quieras comparar y pide que la respuesta conserve esos identificadores. De ese modo, el resultado se puede contrastar con el material exacto que lo respalda.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites o3-mini | 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 $0.0022 / 1K tokens Salida · Tokens de salida $0.0088 / 1K tokens Entrada · Lectura de caché $0.0011 / 1K tokens Entrada · Escritura en caché $0 / 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 inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0022 / 1K tokens Salida · Tokens de salida $0.0088 / 1K tokens Entrada · Lectura de caché $0.0011 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"o3-mini","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="o3-mini", 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 o3-mini, openai/o3-mini
/chat/completions
o3-minio3-mini es el modelo compacto de razonamiento de OpenAI para resolver problemas mediante texto. Úsalo para diagnosticar un fallo de código, desarrollar una argumentación matemática o elaborar una explicación técnica, con una pregunta clara y las pruebas necesarias para comprobar la respuesta.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
o3-mini es un modelo compacto de razonamiento de OpenAI. Recibe texto y produce texto, con especial atención a resolver un problema antes de responder. Un asistente técnico puede utilizarlo para examinar una función que falla, comparar posibles explicaciones de una observación o desarrollar una argumentación matemática. Proporciona las pruebas pertinentes y define qué debe demostrar la respuesta.
Para diagnosticar un fallo de código, proporciona la función, sus entradas, el fallo observado y el comportamiento esperado. Pide el cambio más pequeño que resuelva esa diferencia, seguido de casos de prueba que permitan distinguir la propuesta del comportamiento actual. Excluye del enunciado los archivos ajenos al problema, salvo que afecten al fallo. El código devuelto es una propuesta que debe inspeccionarse y ejecutarse en el entorno de desarrollo.
Para un cálculo, indica las unidades, los supuestos y la precisión requerida. Pide el resultado junto con las relaciones utilizadas para obtenerlo. Para una pregunta científica o de ingeniería, aporta las observaciones y pregunta qué conclusiones se desprenden de ellas y qué medición adicional permitiría distinguir entre explicaciones alternativas. Así, una respuesta larga sigue vinculada a una tarea verificable.
OpenAI documenta Structured Outputs y llamadas a funciones para o3-mini. Una tarea estructurada puede especificar los campos que necesita el siguiente paso, como un diagnóstico, las observaciones que lo respaldan y una prueba propuesta. Define cómo debe aparecer un valor ausente y comprueba después los campos devueltos con el material aportado antes de utilizarlos.
Las llamadas a funciones permiten al modelo solicitar una función expuesta por una aplicación. La aplicación proporciona las definiciones de las funciones, ejecuta una llamada seleccionada y devuelve su resultado. Describe cada función con suficiente precisión para que sus entradas y consecuencias queden claras. Una llamada solicitada y una operación ejecutada son pasos distintos; conserva el resultado real de la operación al preparar la siguiente instrucción.
El fabricante indica una ventana de contexto de 200.000 tokens y una salida máxima de 100.000 tokens para la versión documentada. Son presupuestos distintos: una colección extensa de material fuente también debe dejar espacio para la respuesta. Adapta la longitud del resultado solicitado a la tarea, ya sea un parche pequeño o una explicación más larga.
Las entradas y salidas del modelo de esta edición son texto. Para las pruebas contenidas en un documento o una imagen, prepara el texto legible pertinente y conserva las etiquetas de sus fuentes. Numera los fragmentos o las zonas de código que quieras comparar y pide que la respuesta conserve esos identificadores. De ese modo, el resultado se puede contrastar con el material exacto que lo respalda.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites o3-mini | 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 $0.0022 / 1K tokens Salida · Tokens de salida $0.0088 / 1K tokens Entrada · Lectura de caché $0.0011 / 1K tokens Entrada · Escritura en caché $0 / 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 inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0022 / 1K tokens Salida · Tokens de salida $0.0088 / 1K tokens Entrada · Lectura de caché $0.0011 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "o3-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'o3-mini', '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': 'o3-mini', '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 o3-mini, openai/o3-mini
/chat/completions
openai/o3-minio3-mini es el modelo compacto de razonamiento de OpenAI para resolver problemas mediante texto. Úsalo para diagnosticar un fallo de código, desarrollar una argumentación matemática o elaborar una explicación técnica, con una pregunta clara y las pruebas necesarias para comprobar la respuesta.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
o3-mini es un modelo compacto de razonamiento de OpenAI. Recibe texto y produce texto, con especial atención a resolver un problema antes de responder. Un asistente técnico puede utilizarlo para examinar una función que falla, comparar posibles explicaciones de una observación o desarrollar una argumentación matemática. Proporciona las pruebas pertinentes y define qué debe demostrar la respuesta.
Para diagnosticar un fallo de código, proporciona la función, sus entradas, el fallo observado y el comportamiento esperado. Pide el cambio más pequeño que resuelva esa diferencia, seguido de casos de prueba que permitan distinguir la propuesta del comportamiento actual. Excluye del enunciado los archivos ajenos al problema, salvo que afecten al fallo. El código devuelto es una propuesta que debe inspeccionarse y ejecutarse en el entorno de desarrollo.
Para un cálculo, indica las unidades, los supuestos y la precisión requerida. Pide el resultado junto con las relaciones utilizadas para obtenerlo. Para una pregunta científica o de ingeniería, aporta las observaciones y pregunta qué conclusiones se desprenden de ellas y qué medición adicional permitiría distinguir entre explicaciones alternativas. Así, una respuesta larga sigue vinculada a una tarea verificable.
OpenAI documenta Structured Outputs y llamadas a funciones para o3-mini. Una tarea estructurada puede especificar los campos que necesita el siguiente paso, como un diagnóstico, las observaciones que lo respaldan y una prueba propuesta. Define cómo debe aparecer un valor ausente y comprueba después los campos devueltos con el material aportado antes de utilizarlos.
Las llamadas a funciones permiten al modelo solicitar una función expuesta por una aplicación. La aplicación proporciona las definiciones de las funciones, ejecuta una llamada seleccionada y devuelve su resultado. Describe cada función con suficiente precisión para que sus entradas y consecuencias queden claras. Una llamada solicitada y una operación ejecutada son pasos distintos; conserva el resultado real de la operación al preparar la siguiente instrucción.
El fabricante indica una ventana de contexto de 200.000 tokens y una salida máxima de 100.000 tokens para la versión documentada. Son presupuestos distintos: una colección extensa de material fuente también debe dejar espacio para la respuesta. Adapta la longitud del resultado solicitado a la tarea, ya sea un parche pequeño o una explicación más larga.
Las entradas y salidas del modelo de esta edición son texto. Para las pruebas contenidas en un documento o una imagen, prepara el texto legible pertinente y conserva las etiquetas de sus fuentes. Numera los fragmentos o las zonas de código que quieras comparar y pide que la respuesta conserve esos identificadores. De ese modo, el resultado se puede contrastar con el material exacto que lo respalda.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/o3-mini | 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 $0.0022 / 1K tokens Salida · Tokens de salida $0.0088 / 1K tokens Entrada · Lectura de caché $0.0011 / 1K tokens Entrada · Escritura en caché $0 / 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 inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0022 / 1K tokens Salida · Tokens de salida $0.0088 / 1K tokens Entrada · Lectura de caché $0.0011 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-mini", "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-mini',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-mini',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 o3-mini, openai/o3-mini
/chat/completions
openai/o3-minio3-mini es el modelo compacto de razonamiento de OpenAI para resolver problemas mediante texto. Úsalo para diagnosticar un fallo de código, desarrollar una argumentación matemática o elaborar una explicación técnica, con una pregunta clara y las pruebas necesarias para comprobar la respuesta.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
o3-mini es un modelo compacto de razonamiento de OpenAI. Recibe texto y produce texto, con especial atención a resolver un problema antes de responder. Un asistente técnico puede utilizarlo para examinar una función que falla, comparar posibles explicaciones de una observación o desarrollar una argumentación matemática. Proporciona las pruebas pertinentes y define qué debe demostrar la respuesta.
Para diagnosticar un fallo de código, proporciona la función, sus entradas, el fallo observado y el comportamiento esperado. Pide el cambio más pequeño que resuelva esa diferencia, seguido de casos de prueba que permitan distinguir la propuesta del comportamiento actual. Excluye del enunciado los archivos ajenos al problema, salvo que afecten al fallo. El código devuelto es una propuesta que debe inspeccionarse y ejecutarse en el entorno de desarrollo.
Para un cálculo, indica las unidades, los supuestos y la precisión requerida. Pide el resultado junto con las relaciones utilizadas para obtenerlo. Para una pregunta científica o de ingeniería, aporta las observaciones y pregunta qué conclusiones se desprenden de ellas y qué medición adicional permitiría distinguir entre explicaciones alternativas. Así, una respuesta larga sigue vinculada a una tarea verificable.
OpenAI documenta Structured Outputs y llamadas a funciones para o3-mini. Una tarea estructurada puede especificar los campos que necesita el siguiente paso, como un diagnóstico, las observaciones que lo respaldan y una prueba propuesta. Define cómo debe aparecer un valor ausente y comprueba después los campos devueltos con el material aportado antes de utilizarlos.
Las llamadas a funciones permiten al modelo solicitar una función expuesta por una aplicación. La aplicación proporciona las definiciones de las funciones, ejecuta una llamada seleccionada y devuelve su resultado. Describe cada función con suficiente precisión para que sus entradas y consecuencias queden claras. Una llamada solicitada y una operación ejecutada son pasos distintos; conserva el resultado real de la operación al preparar la siguiente instrucción.
El fabricante indica una ventana de contexto de 200.000 tokens y una salida máxima de 100.000 tokens para la versión documentada. Son presupuestos distintos: una colección extensa de material fuente también debe dejar espacio para la respuesta. Adapta la longitud del resultado solicitado a la tarea, ya sea un parche pequeño o una explicación más larga.
Las entradas y salidas del modelo de esta edición son texto. Para las pruebas contenidas en un documento o una imagen, prepara el texto legible pertinente y conserva las etiquetas de sus fuentes. Numera los fragmentos o las zonas de código que quieras comparar y pide que la respuesta conserve esos identificadores. De ese modo, el resultado se puede contrastar con el material exacto que lo respalda.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/o3-mini | 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 $0.0022 / 1K tokens Salida · Tokens de salida $0.0088 / 1K tokens Entrada · Lectura de caché $0.0011 / 1K tokens Entrada · Escritura en caché $0 / 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 inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0022 / 1K tokens Salida · Tokens de salida $0.0088 / 1K tokens Entrada · Lectura de caché $0.0011 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "openai/o3-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-mini', '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-mini', '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 o3-mini, openai/o3-mini
/chat/completions
Ejemplo técnico en inglés
Locate an off-by-one defect\n\nDiagnose this Python function: 'def first_three(xs): return xs[:2]'. Requirement: return up to the first three elements without changing xs. Show the smallest correction and tests for a four-element list, a two-element list and an empty list. Explain the slice boundary in one sentence. Treat the tests as proposals until run.A one-line correction, three assert tests and a sentence explaining the exclusive slice endpoint.The four-element case returns three elements while shorter lists remain safe and the original list stays unchanged.