GPT-5.3-Codex est le modèle d’OpenAI spécialisé dans la programmation par agents dans Codex et les environnements similaires reliés à des outils. Il combine la programmation, le raisonnement et les connaissances professionnelles, accepte du texte et des images et produit du texte. Son rôle va de la génération de code à l’examen d’un projet, aux décisions fondées sur les preuves issues des outils et à la poursuite d’une tâche technique au fil des étapes suivantes.
La présentation décrit l’implémentation, le débogage, les tests et d’autres travaux sur l’ensemble du cycle de vie logiciel, notamment les exigences produit, les documents techniques et l’analyse de données. Pour une demande de programmation, donnez au modèle le comportement à implémenter, les éléments pertinents du projet et les contraintes à préserver. Une tâche peut par exemple consister à suivre comment une entrée aboutit à son résultat, à identifier les dépendances concernées et à élaborer un correctif coordonné avec une explication du comportement affecté.
Les travaux d’interface peuvent combiner les consignes écrites avec des captures d’écran ou d’autres références visuelles. Identifiez l’interaction ou la mise en page qui importe et le résultat attendu pour l’utilisateur. Dans un environnement de programmation, le contenu des fichiers, la sortie des commandes et les résultats des vérifications deviennent des preuves pour la décision suivante. L’application exécute les outils et renvoie la sortie réelle ; le modèle doit distinguer une modification proposée d’une modification effectuée et vérifiée dans cet environnement.
OpenAI indique une fenêtre de contexte de 400 000 tokens, une entrée maximale de 272 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 31 août 2025. Le modèle prend en charge les efforts de raisonnement low, medium, high et xhigh. Le guide de rédaction de prompts dédié recommande medium comme point de départ pratique pour la programmation interactive et un effort supérieur pour les travaux difficiles. Son interface documentée est Responses, avec la diffusion en continu, Structured Outputs, l’appel de fonctions, les images en entrée, la recherche sur le Web et la mise en cache des prompts. L’ensemble exact d’outils de la fiche du modèle comprend les fonctions, la recherche sur le Web, l’exécution de commandes dans un environnement hébergé et les compétences.
Le guide Codex dédié documente une prise en charge native de la compaction pour les parcours longs. Lorsque la conversation s’allonge, l’application peut produire un contexte compacté qui conserve les éléments clés de l’état antérieur pour les requêtes ultérieures. Le guide exige aussi de préserver les informations de phase des messages de l’assistant : les commentaires intermédiaires commentary et la réponse finale final ont des rôles différents, et la perte de cette distinction peut provoquer un arrêt prématuré ou dégrader le comportement. Un message de progression doit donc rester un message de progression plutôt que d’être traité comme le résultat terminé de la tâche.
La présentation décrit la possibilité de guider le modèle et d’interagir avec lui pendant le travail dans l’environnement Codex. Fournissez des corrections ou des exigences supplémentaires tout en gardant explicites l’objectif d’origine et les preuves pertinentes. Elle décrit également une surveillance automatique et des contrôles pour les requêtes évaluées comme des travaux de cybersécurité présentant un risque supérieur. Ces contrôles du fournisseur sont distincts des autorisations et des outils fournis par un environnement de travail particulier.
Définissez ce que doit contenir une tâche terminée. Pour corriger un bug, fournissez l’échec observé et le comportement attendu, puis demandez les fichiers concernés, la modification significative et le résultat des vérifications réellement effectuées. Pour une revue, demandez des problèmes concrets reliés au comportement attendu. Un livrable final utile relie le travail proposé ou terminé à la demande d’origine et énumère les preuves obtenues, ainsi que toute étape précise encore non résolue.
", "aboutText": "GPT-5.3-Codex est le modèle d’OpenAI spécialisé dans la programmation par agents dans Codex et les environnements similaires reliés à des outils. Il combine la programmation, le raisonnement et les connaissances professionnelles, accepte du texte et des images et produit du texte. Son rôle va de la génération de code à l’examen d’un projet, aux décisions fondées sur les preuves issues des outils et à la poursuite d’une tâche technique au fil des étapes suivantes.\n\nLa présentation décrit l’implémentation, le débogage, les tests et d’autres travaux sur l’ensemble du cycle de vie logiciel, notamment les exigences produit, les documents techniques et l’analyse de données. Pour une demande de programmation, donnez au modèle le comportement à implémenter, les éléments pertinents du projet et les contraintes à préserver. Une tâche peut par exemple consister à suivre comment une entrée aboutit à son résultat, à identifier les dépendances concernées et à élaborer un correctif coordonné avec une explication du comportement affecté.\n\nLes travaux d’interface peuvent combiner les consignes écrites avec des captures d’écran ou d’autres références visuelles. Identifiez l’interaction ou la mise en page qui importe et le résultat attendu pour l’utilisateur. Dans un environnement de programmation, le contenu des fichiers, la sortie des commandes et les résultats des vérifications deviennent des preuves pour la décision suivante. L’application exécute les outils et renvoie la sortie réelle ; le modèle doit distinguer une modification proposée d’une modification effectuée et vérifiée dans cet environnement.\n\nOpenAI indique une fenêtre de contexte de 400 000 tokens, une entrée maximale de 272 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 31 août 2025. Le modèle prend en charge les efforts de raisonnement low, medium, high et xhigh. Le guide de rédaction de prompts dédié recommande medium comme point de départ pratique pour la programmation interactive et un effort supérieur pour les travaux difficiles. Son interface documentée est Responses, avec la diffusion en continu, Structured Outputs, l’appel de fonctions, les images en entrée, la recherche sur le Web et la mise en cache des prompts. L’ensemble exact d’outils de la fiche du modèle comprend les fonctions, la recherche sur le Web, l’exécution de commandes dans un environnement hébergé et les compétences.\n\nLe guide Codex dédié documente une prise en charge native de la compaction pour les parcours longs. Lorsque la conversation s’allonge, l’application peut produire un contexte compacté qui conserve les éléments clés de l’état antérieur pour les requêtes ultérieures. Le guide exige aussi de préserver les informations de phase des messages de l’assistant : les commentaires intermédiaires commentary et la réponse finale final ont des rôles différents, et la perte de cette distinction peut provoquer un arrêt prématuré ou dégrader le comportement. Un message de progression doit donc rester un message de progression plutôt que d’être traité comme le résultat terminé de la tâche.\n\nLa présentation décrit la possibilité de guider le modèle et d’interagir avec lui pendant le travail dans l’environnement Codex. Fournissez des corrections ou des exigences supplémentaires tout en gardant explicites l’objectif d’origine et les preuves pertinentes. Elle décrit également une surveillance automatique et des contrôles pour les requêtes évaluées comme des travaux de cybersécurité présentant un risque supérieur. Ces contrôles du fournisseur sont distincts des autorisations et des outils fournis par un environnement de travail particulier.\n\nDéfinissez ce que doit contenir une tâche terminée. Pour corriger un bug, fournissez l’échec observé et le comportement attendu, puis demandez les fichiers concernés, la modification significative et le résultat des vérifications réellement effectuées. Pour une revue, demandez des problèmes concrets reliés au comportement attendu. Un livrable final utile relie le travail proposé ou terminé à la demande d’origine et énumère les preuves obtenues, ainsi que toute étape précise encore non résolue.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Patch a parser and its caller\n\nPropose a coordinated patch for two Python excerpts. parser.py: def parse_line(line): return line.split(":"). runner.py: key, value = parse_line(line). A value may contain colons; blank lines must be skipped. For "title:a:b", preserve value "a:b". Return both changed excerpts and tests for a colon-bearing value, a blank line and a missing delimiter.Two focused code changes with a clear malformed-line contract and tests covering the three supplied cases.Check that the parser and caller agree on skipped and malformed lines and that value colons are preserved.gpt-5.3-codexUn modèle spécialisé Codex pour la programmation par agents et les tâches techniques de longue durée. Il accepte du texte et des images, exploite les résultats des outils et prend en charge la compaction afin qu’une tâche puisse se poursuivre au-delà d’une seule fenêtre de contexte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-5.3-Codex est le modèle d’OpenAI spécialisé dans la programmation par agents dans Codex et les environnements similaires reliés à des outils. Il combine la programmation, le raisonnement et les connaissances professionnelles, accepte du texte et des images et produit du texte. Son rôle va de la génération de code à l’examen d’un projet, aux décisions fondées sur les preuves issues des outils et à la poursuite d’une tâche technique au fil des étapes suivantes.
La présentation décrit l’implémentation, le débogage, les tests et d’autres travaux sur l’ensemble du cycle de vie logiciel, notamment les exigences produit, les documents techniques et l’analyse de données. Pour une demande de programmation, donnez au modèle le comportement à implémenter, les éléments pertinents du projet et les contraintes à préserver. Une tâche peut par exemple consister à suivre comment une entrée aboutit à son résultat, à identifier les dépendances concernées et à élaborer un correctif coordonné avec une explication du comportement affecté.
Les travaux d’interface peuvent combiner les consignes écrites avec des captures d’écran ou d’autres références visuelles. Identifiez l’interaction ou la mise en page qui importe et le résultat attendu pour l’utilisateur. Dans un environnement de programmation, le contenu des fichiers, la sortie des commandes et les résultats des vérifications deviennent des preuves pour la décision suivante. L’application exécute les outils et renvoie la sortie réelle ; le modèle doit distinguer une modification proposée d’une modification effectuée et vérifiée dans cet environnement.
OpenAI indique une fenêtre de contexte de 400 000 tokens, une entrée maximale de 272 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 31 août 2025. Le modèle prend en charge les efforts de raisonnement low, medium, high et xhigh. Le guide de rédaction de prompts dédié recommande medium comme point de départ pratique pour la programmation interactive et un effort supérieur pour les travaux difficiles. Son interface documentée est Responses, avec la diffusion en continu, Structured Outputs, l’appel de fonctions, les images en entrée, la recherche sur le Web et la mise en cache des prompts. L’ensemble exact d’outils de la fiche du modèle comprend les fonctions, la recherche sur le Web, l’exécution de commandes dans un environnement hébergé et les compétences.
Le guide Codex dédié documente une prise en charge native de la compaction pour les parcours longs. Lorsque la conversation s’allonge, l’application peut produire un contexte compacté qui conserve les éléments clés de l’état antérieur pour les requêtes ultérieures. Le guide exige aussi de préserver les informations de phase des messages de l’assistant : les commentaires intermédiaires commentary et la réponse finale final ont des rôles différents, et la perte de cette distinction peut provoquer un arrêt prématuré ou dégrader le comportement. Un message de progression doit donc rester un message de progression plutôt que d’être traité comme le résultat terminé de la tâche.
La présentation décrit la possibilité de guider le modèle et d’interagir avec lui pendant le travail dans l’environnement Codex. Fournissez des corrections ou des exigences supplémentaires tout en gardant explicites l’objectif d’origine et les preuves pertinentes. Elle décrit également une surveillance automatique et des contrôles pour les requêtes évaluées comme des travaux de cybersécurité présentant un risque supérieur. Ces contrôles du fournisseur sont distincts des autorisations et des outils fournis par un environnement de travail particulier.
Définissez ce que doit contenir une tâche terminée. Pour corriger un bug, fournissez l’échec observé et le comportement attendu, puis demandez les fichiers concernés, la modification significative et le résultat des vérifications réellement effectuées. Pour une revue, demandez des problèmes concrets reliés au comportement attendu. Un livrable final utile relie le travail proposé ou terminé à la demande d’origine et énumère les preuves obtenues, ainsi que toute étape précise encore non résolue.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-5.3-codex | 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.
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 $0.0035 / 1K tokens Sortie · Tokens en sortie $0.028 / 1K tokens Entrée · Lecture du cache $0.00035 / 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 $0.0035 / 1K tokens Sortie · Tokens en sortie $0.028 / 1K tokens Entrée · Lecture du cache $0.00035 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.3-codex","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gpt-5.3-codex", 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 gpt-5.3-codex, openai/gpt-5.3-codex
/chat/completions
gpt-5.3-codexUn modèle spécialisé Codex pour la programmation par agents et les tâches techniques de longue durée. Il accepte du texte et des images, exploite les résultats des outils et prend en charge la compaction afin qu’une tâche puisse se poursuivre au-delà d’une seule fenêtre de contexte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-5.3-Codex est le modèle d’OpenAI spécialisé dans la programmation par agents dans Codex et les environnements similaires reliés à des outils. Il combine la programmation, le raisonnement et les connaissances professionnelles, accepte du texte et des images et produit du texte. Son rôle va de la génération de code à l’examen d’un projet, aux décisions fondées sur les preuves issues des outils et à la poursuite d’une tâche technique au fil des étapes suivantes.
La présentation décrit l’implémentation, le débogage, les tests et d’autres travaux sur l’ensemble du cycle de vie logiciel, notamment les exigences produit, les documents techniques et l’analyse de données. Pour une demande de programmation, donnez au modèle le comportement à implémenter, les éléments pertinents du projet et les contraintes à préserver. Une tâche peut par exemple consister à suivre comment une entrée aboutit à son résultat, à identifier les dépendances concernées et à élaborer un correctif coordonné avec une explication du comportement affecté.
Les travaux d’interface peuvent combiner les consignes écrites avec des captures d’écran ou d’autres références visuelles. Identifiez l’interaction ou la mise en page qui importe et le résultat attendu pour l’utilisateur. Dans un environnement de programmation, le contenu des fichiers, la sortie des commandes et les résultats des vérifications deviennent des preuves pour la décision suivante. L’application exécute les outils et renvoie la sortie réelle ; le modèle doit distinguer une modification proposée d’une modification effectuée et vérifiée dans cet environnement.
OpenAI indique une fenêtre de contexte de 400 000 tokens, une entrée maximale de 272 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 31 août 2025. Le modèle prend en charge les efforts de raisonnement low, medium, high et xhigh. Le guide de rédaction de prompts dédié recommande medium comme point de départ pratique pour la programmation interactive et un effort supérieur pour les travaux difficiles. Son interface documentée est Responses, avec la diffusion en continu, Structured Outputs, l’appel de fonctions, les images en entrée, la recherche sur le Web et la mise en cache des prompts. L’ensemble exact d’outils de la fiche du modèle comprend les fonctions, la recherche sur le Web, l’exécution de commandes dans un environnement hébergé et les compétences.
Le guide Codex dédié documente une prise en charge native de la compaction pour les parcours longs. Lorsque la conversation s’allonge, l’application peut produire un contexte compacté qui conserve les éléments clés de l’état antérieur pour les requêtes ultérieures. Le guide exige aussi de préserver les informations de phase des messages de l’assistant : les commentaires intermédiaires commentary et la réponse finale final ont des rôles différents, et la perte de cette distinction peut provoquer un arrêt prématuré ou dégrader le comportement. Un message de progression doit donc rester un message de progression plutôt que d’être traité comme le résultat terminé de la tâche.
La présentation décrit la possibilité de guider le modèle et d’interagir avec lui pendant le travail dans l’environnement Codex. Fournissez des corrections ou des exigences supplémentaires tout en gardant explicites l’objectif d’origine et les preuves pertinentes. Elle décrit également une surveillance automatique et des contrôles pour les requêtes évaluées comme des travaux de cybersécurité présentant un risque supérieur. Ces contrôles du fournisseur sont distincts des autorisations et des outils fournis par un environnement de travail particulier.
Définissez ce que doit contenir une tâche terminée. Pour corriger un bug, fournissez l’échec observé et le comportement attendu, puis demandez les fichiers concernés, la modification significative et le résultat des vérifications réellement effectuées. Pour une revue, demandez des problèmes concrets reliés au comportement attendu. Un livrable final utile relie le travail proposé ou terminé à la demande d’origine et énumère les preuves obtenues, ainsi que toute étape précise encore non résolue.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-5.3-codex | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
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 $0.0035 / 1K tokens Sortie · Tokens en sortie $0.028 / 1K tokens Entrée · Lecture du cache $0.00035 / 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 $0.0035 / 1K tokens Sortie · Tokens en sortie $0.028 / 1K tokens Entrée · Lecture du cache $0.00035 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gpt-5.3-codex",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5.3-codex', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5.3-codex', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
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 |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_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 gpt-5.3-codex, openai/gpt-5.3-codex
/chat/completions
openai/gpt-5.3-codexUn modèle spécialisé Codex pour la programmation par agents et les tâches techniques de longue durée. Il accepte du texte et des images, exploite les résultats des outils et prend en charge la compaction afin qu’une tâche puisse se poursuivre au-delà d’une seule fenêtre de contexte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-5.3-Codex est le modèle d’OpenAI spécialisé dans la programmation par agents dans Codex et les environnements similaires reliés à des outils. Il combine la programmation, le raisonnement et les connaissances professionnelles, accepte du texte et des images et produit du texte. Son rôle va de la génération de code à l’examen d’un projet, aux décisions fondées sur les preuves issues des outils et à la poursuite d’une tâche technique au fil des étapes suivantes.
La présentation décrit l’implémentation, le débogage, les tests et d’autres travaux sur l’ensemble du cycle de vie logiciel, notamment les exigences produit, les documents techniques et l’analyse de données. Pour une demande de programmation, donnez au modèle le comportement à implémenter, les éléments pertinents du projet et les contraintes à préserver. Une tâche peut par exemple consister à suivre comment une entrée aboutit à son résultat, à identifier les dépendances concernées et à élaborer un correctif coordonné avec une explication du comportement affecté.
Les travaux d’interface peuvent combiner les consignes écrites avec des captures d’écran ou d’autres références visuelles. Identifiez l’interaction ou la mise en page qui importe et le résultat attendu pour l’utilisateur. Dans un environnement de programmation, le contenu des fichiers, la sortie des commandes et les résultats des vérifications deviennent des preuves pour la décision suivante. L’application exécute les outils et renvoie la sortie réelle ; le modèle doit distinguer une modification proposée d’une modification effectuée et vérifiée dans cet environnement.
OpenAI indique une fenêtre de contexte de 400 000 tokens, une entrée maximale de 272 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 31 août 2025. Le modèle prend en charge les efforts de raisonnement low, medium, high et xhigh. Le guide de rédaction de prompts dédié recommande medium comme point de départ pratique pour la programmation interactive et un effort supérieur pour les travaux difficiles. Son interface documentée est Responses, avec la diffusion en continu, Structured Outputs, l’appel de fonctions, les images en entrée, la recherche sur le Web et la mise en cache des prompts. L’ensemble exact d’outils de la fiche du modèle comprend les fonctions, la recherche sur le Web, l’exécution de commandes dans un environnement hébergé et les compétences.
Le guide Codex dédié documente une prise en charge native de la compaction pour les parcours longs. Lorsque la conversation s’allonge, l’application peut produire un contexte compacté qui conserve les éléments clés de l’état antérieur pour les requêtes ultérieures. Le guide exige aussi de préserver les informations de phase des messages de l’assistant : les commentaires intermédiaires commentary et la réponse finale final ont des rôles différents, et la perte de cette distinction peut provoquer un arrêt prématuré ou dégrader le comportement. Un message de progression doit donc rester un message de progression plutôt que d’être traité comme le résultat terminé de la tâche.
La présentation décrit la possibilité de guider le modèle et d’interagir avec lui pendant le travail dans l’environnement Codex. Fournissez des corrections ou des exigences supplémentaires tout en gardant explicites l’objectif d’origine et les preuves pertinentes. Elle décrit également une surveillance automatique et des contrôles pour les requêtes évaluées comme des travaux de cybersécurité présentant un risque supérieur. Ces contrôles du fournisseur sont distincts des autorisations et des outils fournis par un environnement de travail particulier.
Définissez ce que doit contenir une tâche terminée. Pour corriger un bug, fournissez l’échec observé et le comportement attendu, puis demandez les fichiers concernés, la modification significative et le résultat des vérifications réellement effectuées. Pour une revue, demandez des problèmes concrets reliés au comportement attendu. Un livrable final utile relie le travail proposé ou terminé à la demande d’origine et énumère les preuves obtenues, ainsi que toute étape précise encore non résolue.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-5.3-codex | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
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.
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 $0.0035 / 1K tokens Sortie · Tokens en sortie $0.028 / 1K tokens Entrée · Lecture du cache $0.00035 / 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 $0.0035 / 1K tokens Sortie · Tokens en sortie $0.028 / 1K tokens Entrée · Lecture du cache $0.00035 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.3-codex", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-5.3-codex',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-5.3-codex',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 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 gpt-5.3-codex, openai/gpt-5.3-codex
/chat/completions
openai/gpt-5.3-codexUn modèle spécialisé Codex pour la programmation par agents et les tâches techniques de longue durée. Il accepte du texte et des images, exploite les résultats des outils et prend en charge la compaction afin qu’une tâche puisse se poursuivre au-delà d’une seule fenêtre de contexte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-5.3-Codex est le modèle d’OpenAI spécialisé dans la programmation par agents dans Codex et les environnements similaires reliés à des outils. Il combine la programmation, le raisonnement et les connaissances professionnelles, accepte du texte et des images et produit du texte. Son rôle va de la génération de code à l’examen d’un projet, aux décisions fondées sur les preuves issues des outils et à la poursuite d’une tâche technique au fil des étapes suivantes.
La présentation décrit l’implémentation, le débogage, les tests et d’autres travaux sur l’ensemble du cycle de vie logiciel, notamment les exigences produit, les documents techniques et l’analyse de données. Pour une demande de programmation, donnez au modèle le comportement à implémenter, les éléments pertinents du projet et les contraintes à préserver. Une tâche peut par exemple consister à suivre comment une entrée aboutit à son résultat, à identifier les dépendances concernées et à élaborer un correctif coordonné avec une explication du comportement affecté.
Les travaux d’interface peuvent combiner les consignes écrites avec des captures d’écran ou d’autres références visuelles. Identifiez l’interaction ou la mise en page qui importe et le résultat attendu pour l’utilisateur. Dans un environnement de programmation, le contenu des fichiers, la sortie des commandes et les résultats des vérifications deviennent des preuves pour la décision suivante. L’application exécute les outils et renvoie la sortie réelle ; le modèle doit distinguer une modification proposée d’une modification effectuée et vérifiée dans cet environnement.
OpenAI indique une fenêtre de contexte de 400 000 tokens, une entrée maximale de 272 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 31 août 2025. Le modèle prend en charge les efforts de raisonnement low, medium, high et xhigh. Le guide de rédaction de prompts dédié recommande medium comme point de départ pratique pour la programmation interactive et un effort supérieur pour les travaux difficiles. Son interface documentée est Responses, avec la diffusion en continu, Structured Outputs, l’appel de fonctions, les images en entrée, la recherche sur le Web et la mise en cache des prompts. L’ensemble exact d’outils de la fiche du modèle comprend les fonctions, la recherche sur le Web, l’exécution de commandes dans un environnement hébergé et les compétences.
Le guide Codex dédié documente une prise en charge native de la compaction pour les parcours longs. Lorsque la conversation s’allonge, l’application peut produire un contexte compacté qui conserve les éléments clés de l’état antérieur pour les requêtes ultérieures. Le guide exige aussi de préserver les informations de phase des messages de l’assistant : les commentaires intermédiaires commentary et la réponse finale final ont des rôles différents, et la perte de cette distinction peut provoquer un arrêt prématuré ou dégrader le comportement. Un message de progression doit donc rester un message de progression plutôt que d’être traité comme le résultat terminé de la tâche.
La présentation décrit la possibilité de guider le modèle et d’interagir avec lui pendant le travail dans l’environnement Codex. Fournissez des corrections ou des exigences supplémentaires tout en gardant explicites l’objectif d’origine et les preuves pertinentes. Elle décrit également une surveillance automatique et des contrôles pour les requêtes évaluées comme des travaux de cybersécurité présentant un risque supérieur. Ces contrôles du fournisseur sont distincts des autorisations et des outils fournis par un environnement de travail particulier.
Définissez ce que doit contenir une tâche terminée. Pour corriger un bug, fournissez l’échec observé et le comportement attendu, puis demandez les fichiers concernés, la modification significative et le résultat des vérifications réellement effectuées. Pour une revue, demandez des problèmes concrets reliés au comportement attendu. Un livrable final utile relie le travail proposé ou terminé à la demande d’origine et énumère les preuves obtenues, ainsi que toute étape précise encore non résolue.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-5.3-codex | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
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 $0.0035 / 1K tokens Sortie · Tokens en sortie $0.028 / 1K tokens Entrée · Lecture du cache $0.00035 / 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 $0.0035 / 1K tokens Sortie · Tokens en sortie $0.028 / 1K tokens Entrée · Lecture du cache $0.00035 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "openai/gpt-5.3-codex",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.3-codex', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.3-codex', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
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 |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_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 gpt-5.3-codex, openai/gpt-5.3-codex
/chat/completions
Exemple technique en anglais
Patch a parser and its caller\n\nPropose a coordinated patch for two Python excerpts. parser.py: def parse_line(line): return line.split(":"). runner.py: key, value = parse_line(line). A value may contain colons; blank lines must be skipped. For "title:a:b", preserve value "a:b". Return both changed excerpts and tests for a colon-bearing value, a blank line and a missing delimiter.Two focused code changes with a clear malformed-line contract and tests covering the three supplied cases.Check that the parser and caller agree on skipped and malformed lines and that value colons are preserved.