GPT-4.1 Nano est le membre le plus rapide de la famille GPT-4.1 d’OpenAI, conçu pour suivre les instructions et appeler des outils sans étape de raisonnement distincte. Il accepte du texte et des images et produit du texte. Nano convient à une opération bien définie pour laquelle l’application a besoin d’une réponse compacte, d’un ensemble de champs ou de la prochaine demande d’outil, plutôt que d’une étude approfondie.
Un exemple utile consiste à classer des messages entrants selon un ensemble de catégories fourni. Expliquez chaque catégorie, montrez comment représenter les messages ambigus ou hors périmètre et demandez la catégorie avec la formulation source qui la justifie. Pour une extraction, définissez les noms des champs, les valeurs autorisées et le traitement des informations manquantes. Pour une courte tâche de rédaction, fournissez les faits et demandez le passage précis nécessaire à l’étape suivante de l’application. Les exemples et les contraintes doivent rester assez courts pour demeurer clairs, même lorsque le corpus source est volumineux.
Le fournisseur indique une fenêtre de contexte de 1 047 576 tokens, une sortie maximale de 32 768 tokens et une date limite des connaissances au 1er juin 2024. Ces spécifications correspondent à la fenêtre de GPT-4.1 Mini, tout en préservant l’identité distincte de Nano et son rôle axé sur la réactivité. Identifiez les documents et les sections de conversation, n’incluez que le contexte pertinent pour l’opération et réservez de la place pour la réponse complète. Des résultats de recherche ou des textes de référence fournis peuvent apporter des faits plus récents que les connaissances acquises par le modèle.
Nano prend en charge le streaming et Structured Outputs. Une réponse finale contrainte par un schéma remplit un autre rôle qu’un appel de fonction : l’une fournit à l’application un résultat terminé, tandis que l’autre lui demande d’exécuter une opération. Structured Outputs prend en charge un sous-ensemble de JSON Schema ; définissez les propriétés obligatoires et une représentation claire des valeurs inconnues. Traitez séparément les refus et les réponses incomplètes, et vérifiez les valeurs extraites au regard de l’entrée, sans assimiler une structure valide à une conclusion correcte.
L’ensemble d’outils documenté comprend l’appel de fonctions, la recherche dans les fichiers, l’interprétation de code, les connexions MCP et un outil distinct de génération d’images. L’application fournit les descriptions et les schémas des outils, exécute les fonctions personnalisées et renvoie leurs résultats réels. Pour la version figée de Nano du 14 avril 2025, OpenAI recommande expressément de désactiver les appels d’outils parallèles, car le modèle peut demander le même outil plusieurs fois au cours d’un même tour. Il s’agit d’une considération d’exécution propre à cette version, et non d’une raison d’interpréter plusieurs appels proposés comme des actions accomplies.
Les images en entrée ajoutent des éléments visuels à une tâche textuelle, par exemple pour lire une étiquette visible ou décrire l’état affiché dans une capture d’écran. Utilisez des images PNG, JPEG, WebP ou GIF non animées prises en charge, gardez le texte lisible et précisez l’observation importante. Le guide de vision signale des difficultés avec les textes petits ou inclinés, les relations spatiales précises, le comptage d’objets et certaines écritures non latines. Ajoutez le contexte environnant lorsqu’un recadrage isolé rendrait une étiquette ou un schéma ambigu. La réponse propre de Nano est du texte ; un outil de génération d’images renvoie son résultat distinct. Dans le processus de vision documenté par OpenAI, la charge utile totale de la requête est limitée à 512 MB et une requête peut inclure jusqu’à 1 500 images ; les images et le texte doivent également tenir dans le contexte du modèle.
Dans le processus de fichiers du fournisseur, un modèle capable de traiter des images reçoit à la fois le texte extrait et les images des pages des PDF. Les autres formats de documents apportent du texte extrait, et l’enrichissement des feuilles de calcul considère jusqu’aux 1 000 premières lignes de chaque feuille. Un fichier doit faire moins de 50 MB, avec un total maximal de 50 MB pour l’ensemble de la requête. Chat Completions prend en charge les parties de fichier PDF, tandis que le processus Responses documenté accepte d’autres types de fichiers. Les graphiques intégrés aux documents non PDF ne sont pas transmis comme contenu visuel ; une représentation PDF est donc utile lorsque les éléments visuels comptent.
OpenAI documente la mise en cache des prompts pour Nano et Predicted Outputs pour la série GPT-4.1 Nano. La mise en cache des prompts réutilise un préfixe d’entrée admissible dans le service du fournisseur. Predicted Outputs fournit à la place un texte de sortie en grande partie connu pour une modification, par exemple la révision d’un document ou d’un fichier de code en préservant ses parties inchangées. Ce processus de prédiction est uniquement textuel et exclut notamment l’appel de fonctions, logprobs et max_completion_tokens, parmi d’autres réglages. Choisissez le processus adapté à l’opération réelle et gardez son résultat associé à la source d’origine.
Le fournisseur documente également l’ajustement fin supervisé et l’optimisation directe des préférences pour la version nommée de GPT-4.1 Nano. Les exemples d’entraînement et les réponses préférées par rapport aux réponses rejetées adaptent un modèle à une tâche récurrente ; ils sont distincts du contexte fourni à une requête ordinaire. Pour une étape pratique d’extraction ou de classification, commencez par des catégories claires, des exemples et un format final explicite, puis examinez si les champs renvoyés préservent les faits dont l’étape suivante aura besoin.
", "aboutText": "GPT-4.1 Nano est le membre le plus rapide de la famille GPT-4.1 d’OpenAI, conçu pour suivre les instructions et appeler des outils sans étape de raisonnement distincte. Il accepte du texte et des images et produit du texte. Nano convient à une opération bien définie pour laquelle l’application a besoin d’une réponse compacte, d’un ensemble de champs ou de la prochaine demande d’outil, plutôt que d’une étude approfondie.\n\nUn exemple utile consiste à classer des messages entrants selon un ensemble de catégories fourni. Expliquez chaque catégorie, montrez comment représenter les messages ambigus ou hors périmètre et demandez la catégorie avec la formulation source qui la justifie. Pour une extraction, définissez les noms des champs, les valeurs autorisées et le traitement des informations manquantes. Pour une courte tâche de rédaction, fournissez les faits et demandez le passage précis nécessaire à l’étape suivante de l’application. Les exemples et les contraintes doivent rester assez courts pour demeurer clairs, même lorsque le corpus source est volumineux.\n\nLe fournisseur indique une fenêtre de contexte de 1 047 576 tokens, une sortie maximale de 32 768 tokens et une date limite des connaissances au 1er juin 2024. Ces spécifications correspondent à la fenêtre de GPT-4.1 Mini, tout en préservant l’identité distincte de Nano et son rôle axé sur la réactivité. Identifiez les documents et les sections de conversation, n’incluez que le contexte pertinent pour l’opération et réservez de la place pour la réponse complète. Des résultats de recherche ou des textes de référence fournis peuvent apporter des faits plus récents que les connaissances acquises par le modèle.\n\nNano prend en charge le streaming et Structured Outputs. Une réponse finale contrainte par un schéma remplit un autre rôle qu’un appel de fonction : l’une fournit à l’application un résultat terminé, tandis que l’autre lui demande d’exécuter une opération. Structured Outputs prend en charge un sous-ensemble de JSON Schema ; définissez les propriétés obligatoires et une représentation claire des valeurs inconnues. Traitez séparément les refus et les réponses incomplètes, et vérifiez les valeurs extraites au regard de l’entrée, sans assimiler une structure valide à une conclusion correcte.\n\nL’ensemble d’outils documenté comprend l’appel de fonctions, la recherche dans les fichiers, l’interprétation de code, les connexions MCP et un outil distinct de génération d’images. L’application fournit les descriptions et les schémas des outils, exécute les fonctions personnalisées et renvoie leurs résultats réels. Pour la version figée de Nano du 14 avril 2025, OpenAI recommande expressément de désactiver les appels d’outils parallèles, car le modèle peut demander le même outil plusieurs fois au cours d’un même tour. Il s’agit d’une considération d’exécution propre à cette version, et non d’une raison d’interpréter plusieurs appels proposés comme des actions accomplies.\n\nLes images en entrée ajoutent des éléments visuels à une tâche textuelle, par exemple pour lire une étiquette visible ou décrire l’état affiché dans une capture d’écran. Utilisez des images PNG, JPEG, WebP ou GIF non animées prises en charge, gardez le texte lisible et précisez l’observation importante. Le guide de vision signale des difficultés avec les textes petits ou inclinés, les relations spatiales précises, le comptage d’objets et certaines écritures non latines. Ajoutez le contexte environnant lorsqu’un recadrage isolé rendrait une étiquette ou un schéma ambigu. La réponse propre de Nano est du texte ; un outil de génération d’images renvoie son résultat distinct. Dans le processus de vision documenté par OpenAI, la charge utile totale de la requête est limitée à 512 MB et une requête peut inclure jusqu’à 1 500 images ; les images et le texte doivent également tenir dans le contexte du modèle.\n\nDans le processus de fichiers du fournisseur, un modèle capable de traiter des images reçoit à la fois le texte extrait et les images des pages des PDF. Les autres formats de documents apportent du texte extrait, et l’enrichissement des feuilles de calcul considère jusqu’aux 1 000 premières lignes de chaque feuille. Un fichier doit faire moins de 50 MB, avec un total maximal de 50 MB pour l’ensemble de la requête. Chat Completions prend en charge les parties de fichier PDF, tandis que le processus Responses documenté accepte d’autres types de fichiers. Les graphiques intégrés aux documents non PDF ne sont pas transmis comme contenu visuel ; une représentation PDF est donc utile lorsque les éléments visuels comptent.\n\nOpenAI documente la mise en cache des prompts pour Nano et Predicted Outputs pour la série GPT-4.1 Nano. La mise en cache des prompts réutilise un préfixe d’entrée admissible dans le service du fournisseur. Predicted Outputs fournit à la place un texte de sortie en grande partie connu pour une modification, par exemple la révision d’un document ou d’un fichier de code en préservant ses parties inchangées. Ce processus de prédiction est uniquement textuel et exclut notamment l’appel de fonctions, logprobs et max_completion_tokens, parmi d’autres réglages. Choisissez le processus adapté à l’opération réelle et gardez son résultat associé à la source d’origine.\n\nLe fournisseur documente également l’ajustement fin supervisé et l’optimisation directe des préférences pour la version nommée de GPT-4.1 Nano. Les exemples d’entraînement et les réponses préférées par rapport aux réponses rejetées adaptent un modèle à une tâche récurrente ; ils sont distincts du contexte fourni à une requête ordinaire. Pour une étape pratique d’extraction ou de classification, commencez par des catégories claires, des exemples et un format final explicite, puis examinez si les champs renvoyés préservent les faits dont l’étape suivante aura besoin.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bb33ee0b41416f93c429aa95544b36953279afba17263f85924b9869a56f7003", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "openai/gpt-4.1-nano:batchGPT-4.1 Nano est le membre compact et réactif de la famille GPT-4.1 pour les tâches textuelles et visuelles définies avec précision. Son grand contexte, Structured Outputs et l’appel de fonctions permettent la classification, l’extraction et des étapes ciblées dans une application.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-4.1 Nano est le membre le plus rapide de la famille GPT-4.1 d’OpenAI, conçu pour suivre les instructions et appeler des outils sans étape de raisonnement distincte. Il accepte du texte et des images et produit du texte. Nano convient à une opération bien définie pour laquelle l’application a besoin d’une réponse compacte, d’un ensemble de champs ou de la prochaine demande d’outil, plutôt que d’une étude approfondie.
Un exemple utile consiste à classer des messages entrants selon un ensemble de catégories fourni. Expliquez chaque catégorie, montrez comment représenter les messages ambigus ou hors périmètre et demandez la catégorie avec la formulation source qui la justifie. Pour une extraction, définissez les noms des champs, les valeurs autorisées et le traitement des informations manquantes. Pour une courte tâche de rédaction, fournissez les faits et demandez le passage précis nécessaire à l’étape suivante de l’application. Les exemples et les contraintes doivent rester assez courts pour demeurer clairs, même lorsque le corpus source est volumineux.
Le fournisseur indique une fenêtre de contexte de 1 047 576 tokens, une sortie maximale de 32 768 tokens et une date limite des connaissances au 1er juin 2024. Ces spécifications correspondent à la fenêtre de GPT-4.1 Mini, tout en préservant l’identité distincte de Nano et son rôle axé sur la réactivité. Identifiez les documents et les sections de conversation, n’incluez que le contexte pertinent pour l’opération et réservez de la place pour la réponse complète. Des résultats de recherche ou des textes de référence fournis peuvent apporter des faits plus récents que les connaissances acquises par le modèle.
Nano prend en charge le streaming et Structured Outputs. Une réponse finale contrainte par un schéma remplit un autre rôle qu’un appel de fonction : l’une fournit à l’application un résultat terminé, tandis que l’autre lui demande d’exécuter une opération. Structured Outputs prend en charge un sous-ensemble de JSON Schema ; définissez les propriétés obligatoires et une représentation claire des valeurs inconnues. Traitez séparément les refus et les réponses incomplètes, et vérifiez les valeurs extraites au regard de l’entrée, sans assimiler une structure valide à une conclusion correcte.
L’ensemble d’outils documenté comprend l’appel de fonctions, la recherche dans les fichiers, l’interprétation de code, les connexions MCP et un outil distinct de génération d’images. L’application fournit les descriptions et les schémas des outils, exécute les fonctions personnalisées et renvoie leurs résultats réels. Pour la version figée de Nano du 14 avril 2025, OpenAI recommande expressément de désactiver les appels d’outils parallèles, car le modèle peut demander le même outil plusieurs fois au cours d’un même tour. Il s’agit d’une considération d’exécution propre à cette version, et non d’une raison d’interpréter plusieurs appels proposés comme des actions accomplies.
Les images en entrée ajoutent des éléments visuels à une tâche textuelle, par exemple pour lire une étiquette visible ou décrire l’état affiché dans une capture d’écran. Utilisez des images PNG, JPEG, WebP ou GIF non animées prises en charge, gardez le texte lisible et précisez l’observation importante. Le guide de vision signale des difficultés avec les textes petits ou inclinés, les relations spatiales précises, le comptage d’objets et certaines écritures non latines. Ajoutez le contexte environnant lorsqu’un recadrage isolé rendrait une étiquette ou un schéma ambigu. La réponse propre de Nano est du texte ; un outil de génération d’images renvoie son résultat distinct. Dans le processus de vision documenté par OpenAI, la charge utile totale de la requête est limitée à 512 MB et une requête peut inclure jusqu’à 1 500 images ; les images et le texte doivent également tenir dans le contexte du modèle.
Dans le processus de fichiers du fournisseur, un modèle capable de traiter des images reçoit à la fois le texte extrait et les images des pages des PDF. Les autres formats de documents apportent du texte extrait, et l’enrichissement des feuilles de calcul considère jusqu’aux 1 000 premières lignes de chaque feuille. Un fichier doit faire moins de 50 MB, avec un total maximal de 50 MB pour l’ensemble de la requête. Chat Completions prend en charge les parties de fichier PDF, tandis que le processus Responses documenté accepte d’autres types de fichiers. Les graphiques intégrés aux documents non PDF ne sont pas transmis comme contenu visuel ; une représentation PDF est donc utile lorsque les éléments visuels comptent.
OpenAI documente la mise en cache des prompts pour Nano et Predicted Outputs pour la série GPT-4.1 Nano. La mise en cache des prompts réutilise un préfixe d’entrée admissible dans le service du fournisseur. Predicted Outputs fournit à la place un texte de sortie en grande partie connu pour une modification, par exemple la révision d’un document ou d’un fichier de code en préservant ses parties inchangées. Ce processus de prédiction est uniquement textuel et exclut notamment l’appel de fonctions, logprobs et max_completion_tokens, parmi d’autres réglages. Choisissez le processus adapté à l’opération réelle et gardez son résultat associé à la source d’origine.
Le fournisseur documente également l’ajustement fin supervisé et l’optimisation directe des préférences pour la version nommée de GPT-4.1 Nano. Les exemples d’entraînement et les réponses préférées par rapport aux réponses rejetées adaptent un modèle à une tâche récurrente ; ils sont distincts du contexte fourni à une requête ordinaire. Pour une étape pratique d’extraction ou de classification, commencez par des catégories claires, des exemples et un format final explicite, puis examinez si les champs renvoyés préservent les faits dont l’étape suivante aura besoin.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-4.1-nano:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites openai/gpt-4.1-nano:batch, openai/gpt-4.1-nano | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites openai | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.000025 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.000025 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-4.1-nano:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-4.1-nano:batch', 'openai/gpt-4.1-nano']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4.1-nano:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRéglez les conditions d’admission avant une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne substituez pas d’autres prix. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra openai/gpt-4.1-nano:batch
Utilisez les chemins de méthode indiqués ci-dessus.