gpt-oss-120b est le modèle de langage à poids ouverts de plus grande taille d’OpenAI pour le raisonnement généraliste, la programmation et le travail avec des agents. Il reçoit et produit du texte. Le concepteur publie 117 milliards de paramètres au total, dont 5,1 milliards de paramètres actifs par token dans une architecture de mélange d’experts. C’est l’édition 120b de la famille, distincte de gpt-oss-20b et des modèles Safeguard spécialisés.
La publication décrit un corpus d’entraînement composé uniquement de texte, principalement en anglais, axé sur les STEM, la programmation et les connaissances générales. Un exemple de tâche consiste à analyser un algorithme à partir de son code et des conditions énoncées : expliquer les relations importantes, comparer des approches possibles et produire une proposition concrète d’implémentation. Pour une décision sur un document, fournissez le matériau et les critères, puis demandez une conclusion liée aux éléments probants fournis.
L’architecture publiée d’OpenAI possède 36 couches, 128 experts et quatre experts actifs par token. La publication originale utilise MXFP4 pour les poids du mélange d’experts et décrit le modèle fonctionnant sur un seul GPU de 80 GB. OpenAI publie les poids sous Apache 2.0 et prend en charge l’ajustement fin pour des usages spécialisés. Ce sont des propriétés du modèle et du format publiés par le concepteur, plutôt qu’une description du déploiement particulier d’une application.
La documentation du modèle indique une fenêtre de contexte de 131 072 tokens et une sortie générée maximale de 131 072 tokens, avec une date limite des connaissances au 1er juin 2024. L’entrée, le raisonnement et la sortie doivent tenir dans le contexte disponible. Les niveaux de raisonnement pris en charge sont low, medium et high, ce qui permet à une tâche de demander une courte réponse de dialogue ou une analyse plus approfondie. OpenAI exige le format Harmony, qui sépare l’analyse interne de la réponse finale ; le concepteur précise que l’analyse brute est destinée aux développeurs plutôt qu’à un affichage direct aux utilisateurs finaux.
Le concepteur documente les appels de fonctions, la navigation web, l’exécution de code Python par des outils et Structured Outputs. Sa fiche de modèle répertorie aussi le streaming, avec des fonctions, un interpréteur de code, MCP et la recherche dans l’environnement d’outils documenté. Les applications fournissent les opérations, exécutent leurs actions et renvoient des résultats réels. Un calcul ou une recherche peut ensuite servir d’élément probant pour une autre étape de raisonnement, tandis qu’une demande d’outil proposée reste distincte d’une opération exécutée.
Préparez un objectif clair, des définitions et le résultat final utile : une explication, une proposition de code, une formule ou un ensemble structuré de constatations. Identifiez les faits qui doivent survivre à une transformation et la manière de représenter les informations manquantes. Une réponse finale utile relie sa conclusion aux conditions fournies et à tout résultat réel d’outil. Pour un échange suivant, reprenez les éléments probants importants et la décision qui reste à prendre dans la requête suivante.
", "aboutText": "gpt-oss-120b est le modèle de langage à poids ouverts de plus grande taille d’OpenAI pour le raisonnement généraliste, la programmation et le travail avec des agents. Il reçoit et produit du texte. Le concepteur publie 117 milliards de paramètres au total, dont 5,1 milliards de paramètres actifs par token dans une architecture de mélange d’experts. C’est l’édition 120b de la famille, distincte de gpt-oss-20b et des modèles Safeguard spécialisés.\n\nLa publication décrit un corpus d’entraînement composé uniquement de texte, principalement en anglais, axé sur les STEM, la programmation et les connaissances générales. Un exemple de tâche consiste à analyser un algorithme à partir de son code et des conditions énoncées : expliquer les relations importantes, comparer des approches possibles et produire une proposition concrète d’implémentation. Pour une décision sur un document, fournissez le matériau et les critères, puis demandez une conclusion liée aux éléments probants fournis.\n\nL’architecture publiée d’OpenAI possède 36 couches, 128 experts et quatre experts actifs par token. La publication originale utilise MXFP4 pour les poids du mélange d’experts et décrit le modèle fonctionnant sur un seul GPU de 80 GB. OpenAI publie les poids sous Apache 2.0 et prend en charge l’ajustement fin pour des usages spécialisés. Ce sont des propriétés du modèle et du format publiés par le concepteur, plutôt qu’une description du déploiement particulier d’une application.\n\nLa documentation du modèle indique une fenêtre de contexte de 131 072 tokens et une sortie générée maximale de 131 072 tokens, avec une date limite des connaissances au 1er juin 2024. L’entrée, le raisonnement et la sortie doivent tenir dans le contexte disponible. Les niveaux de raisonnement pris en charge sont low, medium et high, ce qui permet à une tâche de demander une courte réponse de dialogue ou une analyse plus approfondie. OpenAI exige le format Harmony, qui sépare l’analyse interne de la réponse finale ; le concepteur précise que l’analyse brute est destinée aux développeurs plutôt qu’à un affichage direct aux utilisateurs finaux.\n\nLe concepteur documente les appels de fonctions, la navigation web, l’exécution de code Python par des outils et Structured Outputs. Sa fiche de modèle répertorie aussi le streaming, avec des fonctions, un interpréteur de code, MCP et la recherche dans l’environnement d’outils documenté. Les applications fournissent les opérations, exécutent leurs actions et renvoient des résultats réels. Un calcul ou une recherche peut ensuite servir d’élément probant pour une autre étape de raisonnement, tandis qu’une demande d’outil proposée reste distincte d’une opération exécutée.\n\nPréparez un objectif clair, des définitions et le résultat final utile : une explication, une proposition de code, une formule ou un ensemble structuré de constatations. Identifiez les faits qui doivent survivre à une transformation et la manière de représenter les informations manquantes. Une réponse finale utile relie sa conclusion aux conditions fournies et à tout résultat réel d’outil. Pour un échange suivant, reprenez les éléments probants importants et la décision qui reste à prendre dans la requête suivante.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.gpt-oss-120bLe modèle gpt-oss à poids ouverts de plus grande taille d’OpenAI utilise un raisonnement à mélange d’experts pour le texte, la programmation et le travail avec des agents. Il prend en charge les efforts de raisonnement low, medium et high, les appels de fonctions et Structured Outputs dans un environnement connecté à des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
gpt-oss-120b est le modèle de langage à poids ouverts de plus grande taille d’OpenAI pour le raisonnement généraliste, la programmation et le travail avec des agents. Il reçoit et produit du texte. Le concepteur publie 117 milliards de paramètres au total, dont 5,1 milliards de paramètres actifs par token dans une architecture de mélange d’experts. C’est l’édition 120b de la famille, distincte de gpt-oss-20b et des modèles Safeguard spécialisés.
La publication décrit un corpus d’entraînement composé uniquement de texte, principalement en anglais, axé sur les STEM, la programmation et les connaissances générales. Un exemple de tâche consiste à analyser un algorithme à partir de son code et des conditions énoncées : expliquer les relations importantes, comparer des approches possibles et produire une proposition concrète d’implémentation. Pour une décision sur un document, fournissez le matériau et les critères, puis demandez une conclusion liée aux éléments probants fournis.
L’architecture publiée d’OpenAI possède 36 couches, 128 experts et quatre experts actifs par token. La publication originale utilise MXFP4 pour les poids du mélange d’experts et décrit le modèle fonctionnant sur un seul GPU de 80 GB. OpenAI publie les poids sous Apache 2.0 et prend en charge l’ajustement fin pour des usages spécialisés. Ce sont des propriétés du modèle et du format publiés par le concepteur, plutôt qu’une description du déploiement particulier d’une application.
La documentation du modèle indique une fenêtre de contexte de 131 072 tokens et une sortie générée maximale de 131 072 tokens, avec une date limite des connaissances au 1er juin 2024. L’entrée, le raisonnement et la sortie doivent tenir dans le contexte disponible. Les niveaux de raisonnement pris en charge sont low, medium et high, ce qui permet à une tâche de demander une courte réponse de dialogue ou une analyse plus approfondie. OpenAI exige le format Harmony, qui sépare l’analyse interne de la réponse finale ; le concepteur précise que l’analyse brute est destinée aux développeurs plutôt qu’à un affichage direct aux utilisateurs finaux.
Le concepteur documente les appels de fonctions, la navigation web, l’exécution de code Python par des outils et Structured Outputs. Sa fiche de modèle répertorie aussi le streaming, avec des fonctions, un interpréteur de code, MCP et la recherche dans l’environnement d’outils documenté. Les applications fournissent les opérations, exécutent leurs actions et renvoient des résultats réels. Un calcul ou une recherche peut ensuite servir d’élément probant pour une autre étape de raisonnement, tandis qu’une demande d’outil proposée reste distincte d’une opération exécutée.
Préparez un objectif clair, des définitions et le résultat final utile : une explication, une proposition de code, une formule ou un ensemble structuré de constatations. Identifiez les faits qui doivent survivre à une transformation et la manière de représenter les informations manquantes. Une réponse finale utile relie sa conclusion aux conditions fournies et à tout résultat réel d’outil. Pour un échange suivant, reprenez les éléments probants importants et la décision qui reste à prendre dans la requête suivante.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-oss-120b | 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00015 / 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-oss-120b","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-oss-120b", 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-oss-120b, openai/gpt-oss-120b
/chat/completions
gpt-oss-120bLe modèle gpt-oss à poids ouverts de plus grande taille d’OpenAI utilise un raisonnement à mélange d’experts pour le texte, la programmation et le travail avec des agents. Il prend en charge les efforts de raisonnement low, medium et high, les appels de fonctions et Structured Outputs dans un environnement connecté à des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
gpt-oss-120b est le modèle de langage à poids ouverts de plus grande taille d’OpenAI pour le raisonnement généraliste, la programmation et le travail avec des agents. Il reçoit et produit du texte. Le concepteur publie 117 milliards de paramètres au total, dont 5,1 milliards de paramètres actifs par token dans une architecture de mélange d’experts. C’est l’édition 120b de la famille, distincte de gpt-oss-20b et des modèles Safeguard spécialisés.
La publication décrit un corpus d’entraînement composé uniquement de texte, principalement en anglais, axé sur les STEM, la programmation et les connaissances générales. Un exemple de tâche consiste à analyser un algorithme à partir de son code et des conditions énoncées : expliquer les relations importantes, comparer des approches possibles et produire une proposition concrète d’implémentation. Pour une décision sur un document, fournissez le matériau et les critères, puis demandez une conclusion liée aux éléments probants fournis.
L’architecture publiée d’OpenAI possède 36 couches, 128 experts et quatre experts actifs par token. La publication originale utilise MXFP4 pour les poids du mélange d’experts et décrit le modèle fonctionnant sur un seul GPU de 80 GB. OpenAI publie les poids sous Apache 2.0 et prend en charge l’ajustement fin pour des usages spécialisés. Ce sont des propriétés du modèle et du format publiés par le concepteur, plutôt qu’une description du déploiement particulier d’une application.
La documentation du modèle indique une fenêtre de contexte de 131 072 tokens et une sortie générée maximale de 131 072 tokens, avec une date limite des connaissances au 1er juin 2024. L’entrée, le raisonnement et la sortie doivent tenir dans le contexte disponible. Les niveaux de raisonnement pris en charge sont low, medium et high, ce qui permet à une tâche de demander une courte réponse de dialogue ou une analyse plus approfondie. OpenAI exige le format Harmony, qui sépare l’analyse interne de la réponse finale ; le concepteur précise que l’analyse brute est destinée aux développeurs plutôt qu’à un affichage direct aux utilisateurs finaux.
Le concepteur documente les appels de fonctions, la navigation web, l’exécution de code Python par des outils et Structured Outputs. Sa fiche de modèle répertorie aussi le streaming, avec des fonctions, un interpréteur de code, MCP et la recherche dans l’environnement d’outils documenté. Les applications fournissent les opérations, exécutent leurs actions et renvoient des résultats réels. Un calcul ou une recherche peut ensuite servir d’élément probant pour une autre étape de raisonnement, tandis qu’une demande d’outil proposée reste distincte d’une opération exécutée.
Préparez un objectif clair, des définitions et le résultat final utile : une explication, une proposition de code, une formule ou un ensemble structuré de constatations. Identifiez les faits qui doivent survivre à une transformation et la manière de représenter les informations manquantes. Une réponse finale utile relie sa conclusion aux conditions fournies et à tout résultat réel d’outil. Pour un échange suivant, reprenez les éléments probants importants et la décision qui reste à prendre dans la requête suivante.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-oss-120b | 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00015 / 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-oss-120b', '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-oss-120b', '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-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bLe modèle gpt-oss à poids ouverts de plus grande taille d’OpenAI utilise un raisonnement à mélange d’experts pour le texte, la programmation et le travail avec des agents. Il prend en charge les efforts de raisonnement low, medium et high, les appels de fonctions et Structured Outputs dans un environnement connecté à des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
gpt-oss-120b est le modèle de langage à poids ouverts de plus grande taille d’OpenAI pour le raisonnement généraliste, la programmation et le travail avec des agents. Il reçoit et produit du texte. Le concepteur publie 117 milliards de paramètres au total, dont 5,1 milliards de paramètres actifs par token dans une architecture de mélange d’experts. C’est l’édition 120b de la famille, distincte de gpt-oss-20b et des modèles Safeguard spécialisés.
La publication décrit un corpus d’entraînement composé uniquement de texte, principalement en anglais, axé sur les STEM, la programmation et les connaissances générales. Un exemple de tâche consiste à analyser un algorithme à partir de son code et des conditions énoncées : expliquer les relations importantes, comparer des approches possibles et produire une proposition concrète d’implémentation. Pour une décision sur un document, fournissez le matériau et les critères, puis demandez une conclusion liée aux éléments probants fournis.
L’architecture publiée d’OpenAI possède 36 couches, 128 experts et quatre experts actifs par token. La publication originale utilise MXFP4 pour les poids du mélange d’experts et décrit le modèle fonctionnant sur un seul GPU de 80 GB. OpenAI publie les poids sous Apache 2.0 et prend en charge l’ajustement fin pour des usages spécialisés. Ce sont des propriétés du modèle et du format publiés par le concepteur, plutôt qu’une description du déploiement particulier d’une application.
La documentation du modèle indique une fenêtre de contexte de 131 072 tokens et une sortie générée maximale de 131 072 tokens, avec une date limite des connaissances au 1er juin 2024. L’entrée, le raisonnement et la sortie doivent tenir dans le contexte disponible. Les niveaux de raisonnement pris en charge sont low, medium et high, ce qui permet à une tâche de demander une courte réponse de dialogue ou une analyse plus approfondie. OpenAI exige le format Harmony, qui sépare l’analyse interne de la réponse finale ; le concepteur précise que l’analyse brute est destinée aux développeurs plutôt qu’à un affichage direct aux utilisateurs finaux.
Le concepteur documente les appels de fonctions, la navigation web, l’exécution de code Python par des outils et Structured Outputs. Sa fiche de modèle répertorie aussi le streaming, avec des fonctions, un interpréteur de code, MCP et la recherche dans l’environnement d’outils documenté. Les applications fournissent les opérations, exécutent leurs actions et renvoient des résultats réels. Un calcul ou une recherche peut ensuite servir d’élément probant pour une autre étape de raisonnement, tandis qu’une demande d’outil proposée reste distincte d’une opération exécutée.
Préparez un objectif clair, des définitions et le résultat final utile : une explication, une proposition de code, une formule ou un ensemble structuré de constatations. Identifiez les faits qui doivent survivre à une transformation et la manière de représenter les informations manquantes. Une réponse finale utile relie sa conclusion aux conditions fournies et à tout résultat réel d’outil. Pour un échange suivant, reprenez les éléments probants importants et la décision qui reste à prendre dans la requête suivante.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-oss-120b | 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00015 / 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-oss-120b", "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-oss-120b',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-oss-120b',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-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bLe modèle gpt-oss à poids ouverts de plus grande taille d’OpenAI utilise un raisonnement à mélange d’experts pour le texte, la programmation et le travail avec des agents. Il prend en charge les efforts de raisonnement low, medium et high, les appels de fonctions et Structured Outputs dans un environnement connecté à des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
gpt-oss-120b est le modèle de langage à poids ouverts de plus grande taille d’OpenAI pour le raisonnement généraliste, la programmation et le travail avec des agents. Il reçoit et produit du texte. Le concepteur publie 117 milliards de paramètres au total, dont 5,1 milliards de paramètres actifs par token dans une architecture de mélange d’experts. C’est l’édition 120b de la famille, distincte de gpt-oss-20b et des modèles Safeguard spécialisés.
La publication décrit un corpus d’entraînement composé uniquement de texte, principalement en anglais, axé sur les STEM, la programmation et les connaissances générales. Un exemple de tâche consiste à analyser un algorithme à partir de son code et des conditions énoncées : expliquer les relations importantes, comparer des approches possibles et produire une proposition concrète d’implémentation. Pour une décision sur un document, fournissez le matériau et les critères, puis demandez une conclusion liée aux éléments probants fournis.
L’architecture publiée d’OpenAI possède 36 couches, 128 experts et quatre experts actifs par token. La publication originale utilise MXFP4 pour les poids du mélange d’experts et décrit le modèle fonctionnant sur un seul GPU de 80 GB. OpenAI publie les poids sous Apache 2.0 et prend en charge l’ajustement fin pour des usages spécialisés. Ce sont des propriétés du modèle et du format publiés par le concepteur, plutôt qu’une description du déploiement particulier d’une application.
La documentation du modèle indique une fenêtre de contexte de 131 072 tokens et une sortie générée maximale de 131 072 tokens, avec une date limite des connaissances au 1er juin 2024. L’entrée, le raisonnement et la sortie doivent tenir dans le contexte disponible. Les niveaux de raisonnement pris en charge sont low, medium et high, ce qui permet à une tâche de demander une courte réponse de dialogue ou une analyse plus approfondie. OpenAI exige le format Harmony, qui sépare l’analyse interne de la réponse finale ; le concepteur précise que l’analyse brute est destinée aux développeurs plutôt qu’à un affichage direct aux utilisateurs finaux.
Le concepteur documente les appels de fonctions, la navigation web, l’exécution de code Python par des outils et Structured Outputs. Sa fiche de modèle répertorie aussi le streaming, avec des fonctions, un interpréteur de code, MCP et la recherche dans l’environnement d’outils documenté. Les applications fournissent les opérations, exécutent leurs actions et renvoient des résultats réels. Un calcul ou une recherche peut ensuite servir d’élément probant pour une autre étape de raisonnement, tandis qu’une demande d’outil proposée reste distincte d’une opération exécutée.
Préparez un objectif clair, des définitions et le résultat final utile : une explication, une proposition de code, une formule ou un ensemble structuré de constatations. Identifiez les faits qui doivent survivre à une transformation et la manière de représenter les informations manquantes. Une réponse finale utile relie sa conclusion aux conditions fournies et à tout résultat réel d’outil. Pour un échange suivant, reprenez les éléments probants importants et la décision qui reste à prendre dans la requête suivante.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-oss-120b | 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00015 / 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "openai/gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-oss-120b', '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-oss-120b', '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-oss-120b, openai/gpt-oss-120b
/chat/completions
Exemple technique en anglais
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.