Claude Sonnet 4.5 est l’édition Sonnet d’Anthropic axée sur le développement logiciel, les tâches complexes d’agents et l’utilisation d’un ordinateur, avec des améliorations du raisonnement et des mathématiques. Il accepte du texte et des images et génère du texte. La présentation décrit un travail prolongé en plusieurs étapes, la compréhension du code et des modifications qui concernent un projet plus large plutôt qu’une seule fonction isolée. Une consigne utile identifie le comportement attendu, les sources pertinentes et le livrable à produire : un correctif proposé, une explication d’implémentation, une analyse documentaire ou une réponse structurée.
Pour le développement logiciel, fournissez les contraintes du projet, les fichiers ou extraits pertinents, l’erreur observée et un exemple concret du résultat attendu. Demandez le code concerné et une explication de la façon dont la modification proposée traite cet exemple. Le développeur présente le modèle comme adapté à la création d’agents et à l’exécution de tâches de développement avec des outils. L’application qui l’entoure lit et modifie les fichiers, exécute une commande ou une vérification et renvoie sa sortie réelle ; le modèle raisonne à partir de ces éléments. Distinguez la modification proposée de la vérification effectuée dans le compte rendu final.
L’utilisation d’un ordinateur est une application distincte de ses capacités visuelles et d’agents. La présentation d’Anthropic montre des interactions avec un navigateur, la navigation entre des pages et le travail sur des feuilles de calcul dans un environnement connecté. Une consigne visuelle peut fournir une capture d’écran, identifier l’objectif et définir les actions autorisées par l’application. Celle-ci effectue ensuite l’interaction sélectionnée et renvoie l’écran modifié ou un autre résultat. De même, le modèle peut préparer du contenu et du code pour des documents, des feuilles de calcul et des diapositives, tandis que l’environnement produit le fichier achevé. La compréhension du texte et des images ne fait pas du modèle un générateur natif d’images ou d’audio.
La spécification exacte du développeur indique une fenêtre de contexte de 200K tokens et jusqu’à 64K tokens de sortie. Sa date limite de connaissances fiables est janvier 2025, distincte de la date limite plus récente des données d’entraînement indiquée sur la page. Dans une entrée longue, rendez clairs les limites des documents, les repères des pages, les unités et les identifiants du code, puis réservez de la place pour la réponse demandée et le raisonnement éventuel. Le développeur documente aussi la connaissance de l’espace de contexte pour cette édition : son workflow pris en charge suit l’espace restant au fil d’une conversation. Cela aide à gérer une tâche prolongée dans sa fenêtre ; cela ne lui donne pas la capacité plus grande d’une édition Sonnet ultérieure.
Sonnet 4.5 prend en charge les réponses ordinaires et le raisonnement approfondi manuel. Dans ce dernier mode, budget_tokens définit une cible pour le raisonnement interne avant la réponse visible. Le minimum documenté est de 1 024 tokens, et ce budget doit normalement rester inférieur à max_tokens, car le raisonnement et la réponse finale partagent la même limite de génération. Le budget est une cible, sans promesse de consommer exactement ce nombre de tokens. Cette édition ne dispose ni du mode de raisonnement adaptatif ni des réglages d’effort décrits pour les modèles Sonnet ultérieurs. Choisissez la profondeur d’analyse demandée et laissez assez de place pour une réponse finale utilisable.
La fonctionnalité bêta de raisonnement entrelacé du développeur permet à Sonnet 4.5 de raisonner entre les appels d’outils au cours d’un même tour, en utilisant les observations renvoyées pour décider de l’étape suivante. Elle nécessite la fonctionnalité bêta documentée dans le workflow Messages pris en charge. Dans ce cas, le budget de raisonnement peut dépasser max_tokens, car il couvre plusieurs blocs de raisonnement dans le même tour de l’assistant. Renvoyez les résultats des outils avec le contenu de raisonnement associé sans le modifier, y compris sa signature ; toute modification invalide ce contenu. Une tâche de recherche ou de débogage peut ainsi alterner une vérification proposée, le résultat réel renvoyé et une analyse actualisée, sans traiter une proposition textuelle comme une action accomplie.
Pour les éléments visuels, le développeur prend en charge JPEG, PNG, GIF et WebP et n’utilise que la première image d’une animation. Le niveau natif standard d’images utilisé par cette édition limite le côté le plus long à 1 568 pixels et les tokens visuels à 1 568 ; les images plus grandes sont réduites. Le guide d’images du développeur indique jusqu’à 100 images par requête API pour les modèles à contexte de 200K, avec des conditions de taille des images et de la requête globale qui peuvent être atteintes avant ce nombre. Placez les images avant la question lorsque c’est pratique, identifiez les images multiples et préservez les petits textes ou les libellés des graphiques. Le guide recommande des images nettes et assez de contexte autour du détail visible pour l’interpréter.
L’édition du contexte et un outil de mémoire ont été introduits avec ce modèle pour prendre en charge des workflows d’agents plus longs. Ce sont des moyens pris en charge par l’application pour conserver un état utile ou retirer d’anciens contenus d’outils ; il ne s’agit ni d’une mémoire illimitée du modèle ni de la fonctionnalité ultérieure de compactage côté serveur. Pour une tâche en plusieurs étapes, conservez les décisions déjà prises, la question en suspens et les éléments nécessaires à l’étape suivante. Anthropic décrit également une meilleure résistance aux instructions cachées dans des contenus externes, tout en précisant que les classificateurs propres au modèle peuvent parfois signaler des contenus anodins. Le résultat utile reste un livrable vérifiable lié aux éléments fournis, en distinguant les modes et limites exacts de Sonnet 4.5 de ceux des versions ultérieures.
", "aboutText": "Claude Sonnet 4.5 est l’édition Sonnet d’Anthropic axée sur le développement logiciel, les tâches complexes d’agents et l’utilisation d’un ordinateur, avec des améliorations du raisonnement et des mathématiques. Il accepte du texte et des images et génère du texte. La présentation décrit un travail prolongé en plusieurs étapes, la compréhension du code et des modifications qui concernent un projet plus large plutôt qu’une seule fonction isolée. Une consigne utile identifie le comportement attendu, les sources pertinentes et le livrable à produire : un correctif proposé, une explication d’implémentation, une analyse documentaire ou une réponse structurée.\n\nPour le développement logiciel, fournissez les contraintes du projet, les fichiers ou extraits pertinents, l’erreur observée et un exemple concret du résultat attendu. Demandez le code concerné et une explication de la façon dont la modification proposée traite cet exemple. Le développeur présente le modèle comme adapté à la création d’agents et à l’exécution de tâches de développement avec des outils. L’application qui l’entoure lit et modifie les fichiers, exécute une commande ou une vérification et renvoie sa sortie réelle ; le modèle raisonne à partir de ces éléments. Distinguez la modification proposée de la vérification effectuée dans le compte rendu final.\n\nL’utilisation d’un ordinateur est une application distincte de ses capacités visuelles et d’agents. La présentation d’Anthropic montre des interactions avec un navigateur, la navigation entre des pages et le travail sur des feuilles de calcul dans un environnement connecté. Une consigne visuelle peut fournir une capture d’écran, identifier l’objectif et définir les actions autorisées par l’application. Celle-ci effectue ensuite l’interaction sélectionnée et renvoie l’écran modifié ou un autre résultat. De même, le modèle peut préparer du contenu et du code pour des documents, des feuilles de calcul et des diapositives, tandis que l’environnement produit le fichier achevé. La compréhension du texte et des images ne fait pas du modèle un générateur natif d’images ou d’audio.\n\nLa spécification exacte du développeur indique une fenêtre de contexte de 200K tokens et jusqu’à 64K tokens de sortie. Sa date limite de connaissances fiables est janvier 2025, distincte de la date limite plus récente des données d’entraînement indiquée sur la page. Dans une entrée longue, rendez clairs les limites des documents, les repères des pages, les unités et les identifiants du code, puis réservez de la place pour la réponse demandée et le raisonnement éventuel. Le développeur documente aussi la connaissance de l’espace de contexte pour cette édition : son workflow pris en charge suit l’espace restant au fil d’une conversation. Cela aide à gérer une tâche prolongée dans sa fenêtre ; cela ne lui donne pas la capacité plus grande d’une édition Sonnet ultérieure.\n\nSonnet 4.5 prend en charge les réponses ordinaires et le raisonnement approfondi manuel. Dans ce dernier mode, budget_tokens définit une cible pour le raisonnement interne avant la réponse visible. Le minimum documenté est de 1 024 tokens, et ce budget doit normalement rester inférieur à max_tokens, car le raisonnement et la réponse finale partagent la même limite de génération. Le budget est une cible, sans promesse de consommer exactement ce nombre de tokens. Cette édition ne dispose ni du mode de raisonnement adaptatif ni des réglages d’effort décrits pour les modèles Sonnet ultérieurs. Choisissez la profondeur d’analyse demandée et laissez assez de place pour une réponse finale utilisable.\n\nLa fonctionnalité bêta de raisonnement entrelacé du développeur permet à Sonnet 4.5 de raisonner entre les appels d’outils au cours d’un même tour, en utilisant les observations renvoyées pour décider de l’étape suivante. Elle nécessite la fonctionnalité bêta documentée dans le workflow Messages pris en charge. Dans ce cas, le budget de raisonnement peut dépasser max_tokens, car il couvre plusieurs blocs de raisonnement dans le même tour de l’assistant. Renvoyez les résultats des outils avec le contenu de raisonnement associé sans le modifier, y compris sa signature ; toute modification invalide ce contenu. Une tâche de recherche ou de débogage peut ainsi alterner une vérification proposée, le résultat réel renvoyé et une analyse actualisée, sans traiter une proposition textuelle comme une action accomplie.\n\nPour les éléments visuels, le développeur prend en charge JPEG, PNG, GIF et WebP et n’utilise que la première image d’une animation. Le niveau natif standard d’images utilisé par cette édition limite le côté le plus long à 1 568 pixels et les tokens visuels à 1 568 ; les images plus grandes sont réduites. Le guide d’images du développeur indique jusqu’à 100 images par requête API pour les modèles à contexte de 200K, avec des conditions de taille des images et de la requête globale qui peuvent être atteintes avant ce nombre. Placez les images avant la question lorsque c’est pratique, identifiez les images multiples et préservez les petits textes ou les libellés des graphiques. Le guide recommande des images nettes et assez de contexte autour du détail visible pour l’interpréter.\n\nL’édition du contexte et un outil de mémoire ont été introduits avec ce modèle pour prendre en charge des workflows d’agents plus longs. Ce sont des moyens pris en charge par l’application pour conserver un état utile ou retirer d’anciens contenus d’outils ; il ne s’agit ni d’une mémoire illimitée du modèle ni de la fonctionnalité ultérieure de compactage côté serveur. Pour une tâche en plusieurs étapes, conservez les décisions déjà prises, la question en suspens et les éléments nécessaires à l’étape suivante. Anthropic décrit également une meilleure résistance aux instructions cachées dans des contenus externes, tout en précisant que les classificateurs propres au modèle peuvent parfois signaler des contenus anodins. Le résultat utile reste un livrable vérifiable lié aux éléments fournis, en distinguant les modes et limites exacts de Sonnet 4.5 de ceux des versions ultérieures.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c6f0c659f753398f00e55c4f2d7e7d69815759ccba167deaed6ec7957202fdb9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "claude-sonnet-4-5-20250929-thinkingClaude Sonnet 4.5 est le modèle texte et image d’Anthropic pour le développement logiciel, les agents complexes, l’utilisation d’un ordinateur et l’analyse. Il prend en charge les réponses directes ou le raisonnement approfondi manuel, avec un raisonnement entre les appels d’outils dans le workflow bêta documenté.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Claude Sonnet 4.5 est l’édition Sonnet d’Anthropic axée sur le développement logiciel, les tâches complexes d’agents et l’utilisation d’un ordinateur, avec des améliorations du raisonnement et des mathématiques. Il accepte du texte et des images et génère du texte. La présentation décrit un travail prolongé en plusieurs étapes, la compréhension du code et des modifications qui concernent un projet plus large plutôt qu’une seule fonction isolée. Une consigne utile identifie le comportement attendu, les sources pertinentes et le livrable à produire : un correctif proposé, une explication d’implémentation, une analyse documentaire ou une réponse structurée.
Pour le développement logiciel, fournissez les contraintes du projet, les fichiers ou extraits pertinents, l’erreur observée et un exemple concret du résultat attendu. Demandez le code concerné et une explication de la façon dont la modification proposée traite cet exemple. Le développeur présente le modèle comme adapté à la création d’agents et à l’exécution de tâches de développement avec des outils. L’application qui l’entoure lit et modifie les fichiers, exécute une commande ou une vérification et renvoie sa sortie réelle ; le modèle raisonne à partir de ces éléments. Distinguez la modification proposée de la vérification effectuée dans le compte rendu final.
L’utilisation d’un ordinateur est une application distincte de ses capacités visuelles et d’agents. La présentation d’Anthropic montre des interactions avec un navigateur, la navigation entre des pages et le travail sur des feuilles de calcul dans un environnement connecté. Une consigne visuelle peut fournir une capture d’écran, identifier l’objectif et définir les actions autorisées par l’application. Celle-ci effectue ensuite l’interaction sélectionnée et renvoie l’écran modifié ou un autre résultat. De même, le modèle peut préparer du contenu et du code pour des documents, des feuilles de calcul et des diapositives, tandis que l’environnement produit le fichier achevé. La compréhension du texte et des images ne fait pas du modèle un générateur natif d’images ou d’audio.
La spécification exacte du développeur indique une fenêtre de contexte de 200K tokens et jusqu’à 64K tokens de sortie. Sa date limite de connaissances fiables est janvier 2025, distincte de la date limite plus récente des données d’entraînement indiquée sur la page. Dans une entrée longue, rendez clairs les limites des documents, les repères des pages, les unités et les identifiants du code, puis réservez de la place pour la réponse demandée et le raisonnement éventuel. Le développeur documente aussi la connaissance de l’espace de contexte pour cette édition : son workflow pris en charge suit l’espace restant au fil d’une conversation. Cela aide à gérer une tâche prolongée dans sa fenêtre ; cela ne lui donne pas la capacité plus grande d’une édition Sonnet ultérieure.
Sonnet 4.5 prend en charge les réponses ordinaires et le raisonnement approfondi manuel. Dans ce dernier mode, budget_tokens définit une cible pour le raisonnement interne avant la réponse visible. Le minimum documenté est de 1 024 tokens, et ce budget doit normalement rester inférieur à max_tokens, car le raisonnement et la réponse finale partagent la même limite de génération. Le budget est une cible, sans promesse de consommer exactement ce nombre de tokens. Cette édition ne dispose ni du mode de raisonnement adaptatif ni des réglages d’effort décrits pour les modèles Sonnet ultérieurs. Choisissez la profondeur d’analyse demandée et laissez assez de place pour une réponse finale utilisable.
La fonctionnalité bêta de raisonnement entrelacé du développeur permet à Sonnet 4.5 de raisonner entre les appels d’outils au cours d’un même tour, en utilisant les observations renvoyées pour décider de l’étape suivante. Elle nécessite la fonctionnalité bêta documentée dans le workflow Messages pris en charge. Dans ce cas, le budget de raisonnement peut dépasser max_tokens, car il couvre plusieurs blocs de raisonnement dans le même tour de l’assistant. Renvoyez les résultats des outils avec le contenu de raisonnement associé sans le modifier, y compris sa signature ; toute modification invalide ce contenu. Une tâche de recherche ou de débogage peut ainsi alterner une vérification proposée, le résultat réel renvoyé et une analyse actualisée, sans traiter une proposition textuelle comme une action accomplie.
Pour les éléments visuels, le développeur prend en charge JPEG, PNG, GIF et WebP et n’utilise que la première image d’une animation. Le niveau natif standard d’images utilisé par cette édition limite le côté le plus long à 1 568 pixels et les tokens visuels à 1 568 ; les images plus grandes sont réduites. Le guide d’images du développeur indique jusqu’à 100 images par requête API pour les modèles à contexte de 200K, avec des conditions de taille des images et de la requête globale qui peuvent être atteintes avant ce nombre. Placez les images avant la question lorsque c’est pratique, identifiez les images multiples et préservez les petits textes ou les libellés des graphiques. Le guide recommande des images nettes et assez de contexte autour du détail visible pour l’interpréter.
L’édition du contexte et un outil de mémoire ont été introduits avec ce modèle pour prendre en charge des workflows d’agents plus longs. Ce sont des moyens pris en charge par l’application pour conserver un état utile ou retirer d’anciens contenus d’outils ; il ne s’agit ni d’une mémoire illimitée du modèle ni de la fonctionnalité ultérieure de compactage côté serveur. Pour une tâche en plusieurs étapes, conservez les décisions déjà prises, la question en suspens et les éléments nécessaires à l’étape suivante. Anthropic décrit également une meilleure résistance aux instructions cachées dans des contenus externes, tout en précisant que les classificateurs propres au modèle peuvent parfois signaler des contenus anodins. Le résultat utile reste un livrable vérifiable lié aux éléments fournis, en distinguant les modes et limites exacts de Sonnet 4.5 de ceux des versions ultérieures.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites claude-sonnet-4-5-20250929-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.006 / 1K tokens Sortie · Tokens en sortie $0.03 / 1K tokens Entrée · Lecture du cache $0.0006 / 1K tokens Entrée · Écriture dans le cache $0.0075 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"claude-sonnet-4-5-20250929-thinking","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="claude-sonnet-4-5-20250929-thinking", 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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra claude-sonnet-4-5-20250929-thinking
/chat/completions