GPT-5.5 Pro est l’édition Pro distincte de GPT-5.5 d’OpenAI. Elle utilise davantage de calcul pour traiter les questions difficiles et élaborer une réponse plus approfondie. Le modèle accepte du texte et des images et produit du texte. Son identité de modèle Pro nommé diffère de la sélection du mode d’exécution Pro sur un modèle de base GPT-5.6 ou GPT-6.
La présentation de la famille GPT-5.5 décrit la programmation, la recherche, l’analyse de données et les travaux professionnels riches en documents. Elle présente spécifiquement Pro comme un choix pour les questions exigeantes et les résultats plus complets et structurés. Une tâche peut par exemple consister à rapprocher plusieurs documents de projet, à identifier les exigences interdépendantes et à élaborer une recommandation dont les conditions sont explicites. Pour du code, fournissez le comportement attendu, l’implémentation existante et les contraintes qu’une modification proposée doit préserver.
OpenAI indique pour GPT-5.5 Pro une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances documentée au 1er décembre 2025. Ses choix d’effort de raisonnement sont medium, high et xhigh ; high est la valeur par défaut. Le raisonnement utilise de l’espace en tokens aux côtés de la réponse visible. Une longue requête professionnelle doit donc inclure les preuves pertinentes et laisser de la place pour l’analyse du modèle et le livrable final.
Le fournisseur documente GPT-5.5 Pro pour les requêtes Responses, y compris via Batch, afin de permettre des interactions avec le modèle sur plusieurs tours avant la réponse. Les requêtes difficiles peuvent prendre plusieurs minutes. OpenAI recommande l’exécution en arrière-plan pour les travaux longs : l’application reçoit un identifiant de réponse, suit le statut de la requête et récupère le résultat terminé. Utilisez ce processus pour suivre une requête longue jusqu’à son résultat terminé.
La fiche du modèle mentionne Structured Outputs, l’appel de fonctions, la recherche sur le Web et dans les fichiers, les outils de génération d’images, les images en entrée et la prise en charge de MCP. Ses outils comprennent également un interpréteur de code et l’exécution de commandes dans un environnement hébergé. L’application fournit l’environnement de travail et exécute les opérations, puis renvoie leurs résultats réels afin que le modèle puisse poursuivre. Un programme proposé, une action demandée et le résultat d’une action exécutée doivent être traités comme des livrables distincts lors de la préparation de la réponse finale.
Donnez au modèle une question claire, les sources et un critère d’achèvement. Pour une analyse technique, demandez les dépendances concernées, l’approche proposée et les preuves nécessaires pour la vérifier. Pour une décision documentaire, identifiez les critères de comparaison et demandez que les faits fournis, la conclusion et les conditions non résolues restent distincts. Si une image apporte des preuves essentielles, indiquez le détail pertinent. Un résultat final utile est une note de décision précise, une proposition de code ou une explication analytique reliée aux éléments et à l’objectif fournis.
", "aboutText": "GPT-5.5 Pro est l’édition Pro distincte de GPT-5.5 d’OpenAI. Elle utilise davantage de calcul pour traiter les questions difficiles et élaborer une réponse plus approfondie. Le modèle accepte du texte et des images et produit du texte. Son identité de modèle Pro nommé diffère de la sélection du mode d’exécution Pro sur un modèle de base GPT-5.6 ou GPT-6.\n\nLa présentation de la famille GPT-5.5 décrit la programmation, la recherche, l’analyse de données et les travaux professionnels riches en documents. Elle présente spécifiquement Pro comme un choix pour les questions exigeantes et les résultats plus complets et structurés. Une tâche peut par exemple consister à rapprocher plusieurs documents de projet, à identifier les exigences interdépendantes et à élaborer une recommandation dont les conditions sont explicites. Pour du code, fournissez le comportement attendu, l’implémentation existante et les contraintes qu’une modification proposée doit préserver.\n\nOpenAI indique pour GPT-5.5 Pro une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances documentée au 1er décembre 2025. Ses choix d’effort de raisonnement sont medium, high et xhigh ; high est la valeur par défaut. Le raisonnement utilise de l’espace en tokens aux côtés de la réponse visible. Une longue requête professionnelle doit donc inclure les preuves pertinentes et laisser de la place pour l’analyse du modèle et le livrable final.\n\nLe fournisseur documente GPT-5.5 Pro pour les requêtes Responses, y compris via Batch, afin de permettre des interactions avec le modèle sur plusieurs tours avant la réponse. Les requêtes difficiles peuvent prendre plusieurs minutes. OpenAI recommande l’exécution en arrière-plan pour les travaux longs : l’application reçoit un identifiant de réponse, suit le statut de la requête et récupère le résultat terminé. Utilisez ce processus pour suivre une requête longue jusqu’à son résultat terminé.\n\nLa fiche du modèle mentionne Structured Outputs, l’appel de fonctions, la recherche sur le Web et dans les fichiers, les outils de génération d’images, les images en entrée et la prise en charge de MCP. Ses outils comprennent également un interpréteur de code et l’exécution de commandes dans un environnement hébergé. L’application fournit l’environnement de travail et exécute les opérations, puis renvoie leurs résultats réels afin que le modèle puisse poursuivre. Un programme proposé, une action demandée et le résultat d’une action exécutée doivent être traités comme des livrables distincts lors de la préparation de la réponse finale.\n\nDonnez au modèle une question claire, les sources et un critère d’achèvement. Pour une analyse technique, demandez les dépendances concernées, l’approche proposée et les preuves nécessaires pour la vérifier. Pour une décision documentaire, identifiez les critères de comparaison et demandez que les faits fournis, la conclusion et les conditions non résolues restent distincts. Si une image apporte des preuves essentielles, indiquez le détail pertinent. Un résultat final utile est une note de décision précise, une proposition de code ou une explication analytique reliée aux éléments et à l’objectif fournis.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile a staged delivery decision\n\nReconcile these project notes. D1: launch requires a trained support team. D2: training requires a finished user guide. D3: the guide is drafted but its setup instructions remain unverified. The manager proposes launching tomorrow because the draft exists. Return the dependency chain, the unsupported readiness claim and the evidence needed for a launch decision.A source-linked dependency analysis and a conditional decision memo.A draft guide must not be treated as verified instructions or completed support training.openai/gpt-5.5-proL’édition distincte GPT-5.5 Pro utilise davantage de calcul pour le raisonnement difficile et l’analyse professionnelle. Elle accepte du texte et des images et élabore un résultat textuel via l’interface Responses du fournisseur, y compris pour les requêtes Batch.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-5.5 Pro est l’édition Pro distincte de GPT-5.5 d’OpenAI. Elle utilise davantage de calcul pour traiter les questions difficiles et élaborer une réponse plus approfondie. Le modèle accepte du texte et des images et produit du texte. Son identité de modèle Pro nommé diffère de la sélection du mode d’exécution Pro sur un modèle de base GPT-5.6 ou GPT-6.
La présentation de la famille GPT-5.5 décrit la programmation, la recherche, l’analyse de données et les travaux professionnels riches en documents. Elle présente spécifiquement Pro comme un choix pour les questions exigeantes et les résultats plus complets et structurés. Une tâche peut par exemple consister à rapprocher plusieurs documents de projet, à identifier les exigences interdépendantes et à élaborer une recommandation dont les conditions sont explicites. Pour du code, fournissez le comportement attendu, l’implémentation existante et les contraintes qu’une modification proposée doit préserver.
OpenAI indique pour GPT-5.5 Pro une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances documentée au 1er décembre 2025. Ses choix d’effort de raisonnement sont medium, high et xhigh ; high est la valeur par défaut. Le raisonnement utilise de l’espace en tokens aux côtés de la réponse visible. Une longue requête professionnelle doit donc inclure les preuves pertinentes et laisser de la place pour l’analyse du modèle et le livrable final.
Le fournisseur documente GPT-5.5 Pro pour les requêtes Responses, y compris via Batch, afin de permettre des interactions avec le modèle sur plusieurs tours avant la réponse. Les requêtes difficiles peuvent prendre plusieurs minutes. OpenAI recommande l’exécution en arrière-plan pour les travaux longs : l’application reçoit un identifiant de réponse, suit le statut de la requête et récupère le résultat terminé. Utilisez ce processus pour suivre une requête longue jusqu’à son résultat terminé.
La fiche du modèle mentionne Structured Outputs, l’appel de fonctions, la recherche sur le Web et dans les fichiers, les outils de génération d’images, les images en entrée et la prise en charge de MCP. Ses outils comprennent également un interpréteur de code et l’exécution de commandes dans un environnement hébergé. L’application fournit l’environnement de travail et exécute les opérations, puis renvoie leurs résultats réels afin que le modèle puisse poursuivre. Un programme proposé, une action demandée et le résultat d’une action exécutée doivent être traités comme des livrables distincts lors de la préparation de la réponse finale.
Donnez au modèle une question claire, les sources et un critère d’achèvement. Pour une analyse technique, demandez les dépendances concernées, l’approche proposée et les preuves nécessaires pour la vérifier. Pour une décision documentaire, identifiez les critères de comparaison et demandez que les faits fournis, la conclusion et les conditions non résolues restent distincts. Si une image apporte des preuves essentielles, indiquez le détail pertinent. Un résultat final utile est une note de décision précise, une proposition de code ou une explication analytique reliée aux éléments et à l’objectif fournis.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-5.5-pro | 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 $0.06 / 1K tokens Sortie · Tokens en sortie $0.36 / 1K tokens Entrée · Lecture du cache — / 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 incluse272 000 | Coût Entrée · Tokens en entrée $0.06 / 1K tokens Sortie · Tokens en sortie $0.36 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de272 000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.12 / 1K tokens Sortie · Tokens en sortie $0.54 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.5-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-5.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-5.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 openai/gpt-5.5-pro
Utilisez les chemins de méthode indiqués ci-dessus.
openai/gpt-5.5-proL’édition distincte GPT-5.5 Pro utilise davantage de calcul pour le raisonnement difficile et l’analyse professionnelle. Elle accepte du texte et des images et élabore un résultat textuel via l’interface Responses du fournisseur, y compris pour les requêtes Batch.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-5.5 Pro est l’édition Pro distincte de GPT-5.5 d’OpenAI. Elle utilise davantage de calcul pour traiter les questions difficiles et élaborer une réponse plus approfondie. Le modèle accepte du texte et des images et produit du texte. Son identité de modèle Pro nommé diffère de la sélection du mode d’exécution Pro sur un modèle de base GPT-5.6 ou GPT-6.
La présentation de la famille GPT-5.5 décrit la programmation, la recherche, l’analyse de données et les travaux professionnels riches en documents. Elle présente spécifiquement Pro comme un choix pour les questions exigeantes et les résultats plus complets et structurés. Une tâche peut par exemple consister à rapprocher plusieurs documents de projet, à identifier les exigences interdépendantes et à élaborer une recommandation dont les conditions sont explicites. Pour du code, fournissez le comportement attendu, l’implémentation existante et les contraintes qu’une modification proposée doit préserver.
OpenAI indique pour GPT-5.5 Pro une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances documentée au 1er décembre 2025. Ses choix d’effort de raisonnement sont medium, high et xhigh ; high est la valeur par défaut. Le raisonnement utilise de l’espace en tokens aux côtés de la réponse visible. Une longue requête professionnelle doit donc inclure les preuves pertinentes et laisser de la place pour l’analyse du modèle et le livrable final.
Le fournisseur documente GPT-5.5 Pro pour les requêtes Responses, y compris via Batch, afin de permettre des interactions avec le modèle sur plusieurs tours avant la réponse. Les requêtes difficiles peuvent prendre plusieurs minutes. OpenAI recommande l’exécution en arrière-plan pour les travaux longs : l’application reçoit un identifiant de réponse, suit le statut de la requête et récupère le résultat terminé. Utilisez ce processus pour suivre une requête longue jusqu’à son résultat terminé.
La fiche du modèle mentionne Structured Outputs, l’appel de fonctions, la recherche sur le Web et dans les fichiers, les outils de génération d’images, les images en entrée et la prise en charge de MCP. Ses outils comprennent également un interpréteur de code et l’exécution de commandes dans un environnement hébergé. L’application fournit l’environnement de travail et exécute les opérations, puis renvoie leurs résultats réels afin que le modèle puisse poursuivre. Un programme proposé, une action demandée et le résultat d’une action exécutée doivent être traités comme des livrables distincts lors de la préparation de la réponse finale.
Donnez au modèle une question claire, les sources et un critère d’achèvement. Pour une analyse technique, demandez les dépendances concernées, l’approche proposée et les preuves nécessaires pour la vérifier. Pour une décision documentaire, identifiez les critères de comparaison et demandez que les faits fournis, la conclusion et les conditions non résolues restent distincts. Si une image apporte des preuves essentielles, indiquez le détail pertinent. Un résultat final utile est une note de décision précise, une proposition de code ou une explication analytique reliée aux éléments et à l’objectif fournis.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-5.5-pro | 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 $0.06 / 1K tokens Sortie · Tokens en sortie $0.36 / 1K tokens Entrée · Lecture du cache — / 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 incluse272 000 | Coût Entrée · Tokens en entrée $0.06 / 1K tokens Sortie · Tokens en sortie $0.36 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de272 000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.12 / 1K tokens Sortie · Tokens en sortie $0.54 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "openai/gpt-5.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 openai/gpt-5.5-pro
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile a staged delivery decision\n\nReconcile these project notes. D1: launch requires a trained support team. D2: training requires a finished user guide. D3: the guide is drafted but its setup instructions remain unverified. The manager proposes launching tomorrow because the draft exists. Return the dependency chain, the unsupported readiness claim and the evidence needed for a launch decision.A source-linked dependency analysis and a conditional decision memo.A draft guide must not be treated as verified instructions or completed support training.