GPT-4 Turbo Preview 1106 est la première édition textuelle nommée GPT-4 Turbo Preview d’OpenAI. Elle introduit une fenêtre de contexte de 128K, un meilleur suivi des instructions, le mode JSON et des mises à jour de l’appel de fonctions, notamment des demandes de plusieurs fonctions dans un même message. Sa sortie utile est une réponse textuelle, une proposition de code ou une fiche structurée pour l’application fondée sur le contenu fourni. Ce profil 1106 est distinct de Vision Preview et de la mise à jour 0125 ultérieure.
La publication de lancement précise une fenêtre de contexte de 128K et une connaissance des événements mondiaux jusqu’à avril 2023. Fournissez des éléments sources plus récents lorsque la tâche dépend d’informations actuelles. Un contexte plus grand peut contenir des documents sources ou du code connexes, mais la consigne doit toujours établir ce que le modèle doit en faire. Précisez la question, le contenu faisant autorité et la forme attendue de la réponse.
Pour comparer des documents, identifiez les versions et demandez les conditions modifiées avec les passages qui les étayent. Pour une tâche de programmation, incluez le comportement existant, la modification souhaitée et les contraintes d’interface pertinentes. Un résultat utile peut être un correctif ciblé ou l’explication d’un défaut avec le cas concret qui le révèle. Gardez le contenu sans rapport hors de la tâche afin de diriger l’attention du modèle vers les éléments sources qui changent le résultat.
Le fournisseur souligne un meilleur respect des instructions exigeant un format de réponse particulier. Une requête peut définir une explication ordonnée, un tableau ou une fiche lisible par une machine. Nommez les champs et expliquez quoi renvoyer lorsque la source ne permet pas d’établir une valeur. Un exemple de consigne de traitement de fiches peut demander un identifiant source, une condition extraite et le passage dont elle provient.
Le mode JSON contraint la réponse à un objet JSON syntaxiquement valide dans le processus Chat Completions du fournisseur. Un JSON valide n’établit pas que la fiche contient les bons champs ou des valeurs correctes. Gardez la validation par l’application et la vérification de la source distinctes du réglage de format, surtout lorsque l’étape suivante dépend d’un identifiant ou d’un statut particulier. Lorsque vous utilisez le mode JSON du fabricant, demandez explicitement au modèle de produire du JSON et incluez le mot « JSON » dans la conversation. Sans cette instruction, il peut émettre des caractères d’espacement jusqu’à la limite de jetons ; vérifiez qu’un objet complet a été renvoyé. Les fonctionnalités ultérieures de sortie contrainte par un schéma d’autres modèles constituent un mécanisme différent.
Le modèle peut produire des arguments pour les fonctions définies par l’application. La publication ajoute la possibilité de demander plusieurs fonctions dans un seul message, ce qui peut servir à une tâche nécessitant plus d’une recherche d’informations. Décrivez l’objectif et les entrées requises de chaque fonction, puis reliez les informations effectivement renvoyées à la réponse suivante. Le modèle sélectionne et décrit la demande ; l’application l’exécute.
Pour comparer deux fiches, une fonction peut récupérer les détails réels de chacune avant que l’assistant prépare la comparaison. Préservez l’association entre l’élément demandé et le résultat renvoyé. Lorsqu’une source manque ou qu’une opération échoue, conservez cette condition dans la réponse plutôt que d’annoncer un succès à partir des seuls arguments proposés.
Le réglage bêta seed présenté au lancement vise à produire des réponses reproductibles la plupart du temps. Utilisez-le avec le même contenu source et les mêmes autres réglages lorsque vous comparez une petite modification de consigne. Il ne garantit pas le déterminisme : examinez donc les deux réponses et conservez les conditions de production de chacune.
La publication d’origine distingue ce modèle Preview textuel de GPT-4 Turbo with Vision, de la génération d’images et des modèles de génération de parole. Fournissez par écrit les informations pertinentes d’un schéma pour ce profil au lieu de lui attribuer la capacité d’entrée du modèle Vision. La mise à jour Preview 0125 ultérieure vise une exécution plus complète des tâches et corrige un bug d’encodage ; l’édition 1106 précède ces changements. Conservez ensemble le modèle nommé, le contenu source, le format demandé et le résultat renvoyé lors de son évaluation.
", "aboutText": "GPT-4 Turbo Preview 1106 est la première édition textuelle nommée GPT-4 Turbo Preview d’OpenAI. Elle introduit une fenêtre de contexte de 128K, un meilleur suivi des instructions, le mode JSON et des mises à jour de l’appel de fonctions, notamment des demandes de plusieurs fonctions dans un même message. Sa sortie utile est une réponse textuelle, une proposition de code ou une fiche structurée pour l’application fondée sur le contenu fourni. Ce profil 1106 est distinct de Vision Preview et de la mise à jour 0125 ultérieure.\n\n### Réunir des textes connexes dans une tâche délimitée\n\nLa publication de lancement précise une fenêtre de contexte de 128K et une connaissance des événements mondiaux jusqu’à avril 2023. Fournissez des éléments sources plus récents lorsque la tâche dépend d’informations actuelles. Un contexte plus grand peut contenir des documents sources ou du code connexes, mais la consigne doit toujours établir ce que le modèle doit en faire. Précisez la question, le contenu faisant autorité et la forme attendue de la réponse.\n\nPour comparer des documents, identifiez les versions et demandez les conditions modifiées avec les passages qui les étayent. Pour une tâche de programmation, incluez le comportement existant, la modification souhaitée et les contraintes d’interface pertinentes. Un résultat utile peut être un correctif ciblé ou l’explication d’un défaut avec le cas concret qui le révèle. Gardez le contenu sans rapport hors de la tâche afin de diriger l’attention du modèle vers les éléments sources qui changent le résultat.\n\n### Respecter un format demandé\n\nLe fournisseur souligne un meilleur respect des instructions exigeant un format de réponse particulier. Une requête peut définir une explication ordonnée, un tableau ou une fiche lisible par une machine. Nommez les champs et expliquez quoi renvoyer lorsque la source ne permet pas d’établir une valeur. Un exemple de consigne de traitement de fiches peut demander un identifiant source, une condition extraite et le passage dont elle provient.\n\nLe mode JSON contraint la réponse à un objet JSON syntaxiquement valide dans le processus Chat Completions du fournisseur. Un JSON valide n’établit pas que la fiche contient les bons champs ou des valeurs correctes. Gardez la validation par l’application et la vérification de la source distinctes du réglage de format, surtout lorsque l’étape suivante dépend d’un identifiant ou d’un statut particulier. Lorsque vous utilisez le mode JSON du fabricant, demandez explicitement au modèle de produire du JSON et incluez le mot « JSON » dans la conversation. Sans cette instruction, il peut émettre des caractères d’espacement jusqu’à la limite de jetons ; vérifiez qu’un objet complet a été renvoyé. Les fonctionnalités ultérieures de sortie contrainte par un schéma d’autres modèles constituent un mécanisme différent.\n\n### Demander des fonctions avec des arguments utiles\n\nLe modèle peut produire des arguments pour les fonctions définies par l’application. La publication ajoute la possibilité de demander plusieurs fonctions dans un seul message, ce qui peut servir à une tâche nécessitant plus d’une recherche d’informations. Décrivez l’objectif et les entrées requises de chaque fonction, puis reliez les informations effectivement renvoyées à la réponse suivante. Le modèle sélectionne et décrit la demande ; l’application l’exécute.\n\nPour comparer deux fiches, une fonction peut récupérer les détails réels de chacune avant que l’assistant prépare la comparaison. Préservez l’association entre l’élément demandé et le résultat renvoyé. Lorsqu’une source manque ou qu’une opération échoue, conservez cette condition dans la réponse plutôt que d’annoncer un succès à partir des seuls arguments proposés.\n\n### Expériences reproductibles et édition sélectionnée\n\nLe réglage bêta seed présenté au lancement vise à produire des réponses reproductibles la plupart du temps. Utilisez-le avec le même contenu source et les mêmes autres réglages lorsque vous comparez une petite modification de consigne. Il ne garantit pas le déterminisme : examinez donc les deux réponses et conservez les conditions de production de chacune.\n\nLa publication d’origine distingue ce modèle Preview textuel de GPT-4 Turbo with Vision, de la génération d’images et des modèles de génération de parole. Fournissez par écrit les informations pertinentes d’un schéma pour ce profil au lieu de lui attribuer la capacité d’entrée du modèle Vision. La mise à jour Preview 0125 ultérieure vise une exécution plus complète des tâches et corrige un bug d’encodage ; l’édition 1106 précède ces changements. Conservez ensemble le modèle nommé, le contenu source, le format demandé et le résultat renvoyé lors de son évaluation.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.gpt-4-1106-previewGPT-4 Turbo Preview 1106 traite les tâches textuelles et de programmation à long contexte avec une fenêtre de contexte documentée de 128K. Le mode JSON et l’appel de fonctions aident à transformer le contenu fourni en réponses textuelles ou en fiches pour l’application, en gardant l’édition Preview exacte distincte des modèles de vision et des modèles ultérieurs.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-4 Turbo Preview 1106 est la première édition textuelle nommée GPT-4 Turbo Preview d’OpenAI. Elle introduit une fenêtre de contexte de 128K, un meilleur suivi des instructions, le mode JSON et des mises à jour de l’appel de fonctions, notamment des demandes de plusieurs fonctions dans un même message. Sa sortie utile est une réponse textuelle, une proposition de code ou une fiche structurée pour l’application fondée sur le contenu fourni. Ce profil 1106 est distinct de Vision Preview et de la mise à jour 0125 ultérieure.
La publication de lancement précise une fenêtre de contexte de 128K et une connaissance des événements mondiaux jusqu’à avril 2023. Fournissez des éléments sources plus récents lorsque la tâche dépend d’informations actuelles. Un contexte plus grand peut contenir des documents sources ou du code connexes, mais la consigne doit toujours établir ce que le modèle doit en faire. Précisez la question, le contenu faisant autorité et la forme attendue de la réponse.
Pour comparer des documents, identifiez les versions et demandez les conditions modifiées avec les passages qui les étayent. Pour une tâche de programmation, incluez le comportement existant, la modification souhaitée et les contraintes d’interface pertinentes. Un résultat utile peut être un correctif ciblé ou l’explication d’un défaut avec le cas concret qui le révèle. Gardez le contenu sans rapport hors de la tâche afin de diriger l’attention du modèle vers les éléments sources qui changent le résultat.
Le fournisseur souligne un meilleur respect des instructions exigeant un format de réponse particulier. Une requête peut définir une explication ordonnée, un tableau ou une fiche lisible par une machine. Nommez les champs et expliquez quoi renvoyer lorsque la source ne permet pas d’établir une valeur. Un exemple de consigne de traitement de fiches peut demander un identifiant source, une condition extraite et le passage dont elle provient.
Le mode JSON contraint la réponse à un objet JSON syntaxiquement valide dans le processus Chat Completions du fournisseur. Un JSON valide n’établit pas que la fiche contient les bons champs ou des valeurs correctes. Gardez la validation par l’application et la vérification de la source distinctes du réglage de format, surtout lorsque l’étape suivante dépend d’un identifiant ou d’un statut particulier. Lorsque vous utilisez le mode JSON du fabricant, demandez explicitement au modèle de produire du JSON et incluez le mot « JSON » dans la conversation. Sans cette instruction, il peut émettre des caractères d’espacement jusqu’à la limite de jetons ; vérifiez qu’un objet complet a été renvoyé. Les fonctionnalités ultérieures de sortie contrainte par un schéma d’autres modèles constituent un mécanisme différent.
Le modèle peut produire des arguments pour les fonctions définies par l’application. La publication ajoute la possibilité de demander plusieurs fonctions dans un seul message, ce qui peut servir à une tâche nécessitant plus d’une recherche d’informations. Décrivez l’objectif et les entrées requises de chaque fonction, puis reliez les informations effectivement renvoyées à la réponse suivante. Le modèle sélectionne et décrit la demande ; l’application l’exécute.
Pour comparer deux fiches, une fonction peut récupérer les détails réels de chacune avant que l’assistant prépare la comparaison. Préservez l’association entre l’élément demandé et le résultat renvoyé. Lorsqu’une source manque ou qu’une opération échoue, conservez cette condition dans la réponse plutôt que d’annoncer un succès à partir des seuls arguments proposés.
Le réglage bêta seed présenté au lancement vise à produire des réponses reproductibles la plupart du temps. Utilisez-le avec le même contenu source et les mêmes autres réglages lorsque vous comparez une petite modification de consigne. Il ne garantit pas le déterminisme : examinez donc les deux réponses et conservez les conditions de production de chacune.
La publication d’origine distingue ce modèle Preview textuel de GPT-4 Turbo with Vision, de la génération d’images et des modèles de génération de parole. Fournissez par écrit les informations pertinentes d’un schéma pour ce profil au lieu de lui attribuer la capacité d’entrée du modèle Vision. La mise à jour Preview 0125 ultérieure vise une exécution plus complète des tâches et corrige un bug d’encodage ; l’édition 1106 précède ces changements. Conservez ensemble le modèle nommé, le contenu source, le format demandé et le résultat renvoyé lors de son évaluation.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-4-1106-preview | 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.02 / 1K jetons Sortie · Jetons en sortie $0.06 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-4-1106-preview", "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='gpt-4-1106-preview',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='gpt-4-1106-preview',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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gpt-4-1106-preview
Utilisez les chemins de méthode indiqués ci-dessus.
gpt-4-1106-previewGPT-4 Turbo Preview 1106 traite les tâches textuelles et de programmation à long contexte avec une fenêtre de contexte documentée de 128K. Le mode JSON et l’appel de fonctions aident à transformer le contenu fourni en réponses textuelles ou en fiches pour l’application, en gardant l’édition Preview exacte distincte des modèles de vision et des modèles ultérieurs.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-4 Turbo Preview 1106 est la première édition textuelle nommée GPT-4 Turbo Preview d’OpenAI. Elle introduit une fenêtre de contexte de 128K, un meilleur suivi des instructions, le mode JSON et des mises à jour de l’appel de fonctions, notamment des demandes de plusieurs fonctions dans un même message. Sa sortie utile est une réponse textuelle, une proposition de code ou une fiche structurée pour l’application fondée sur le contenu fourni. Ce profil 1106 est distinct de Vision Preview et de la mise à jour 0125 ultérieure.
La publication de lancement précise une fenêtre de contexte de 128K et une connaissance des événements mondiaux jusqu’à avril 2023. Fournissez des éléments sources plus récents lorsque la tâche dépend d’informations actuelles. Un contexte plus grand peut contenir des documents sources ou du code connexes, mais la consigne doit toujours établir ce que le modèle doit en faire. Précisez la question, le contenu faisant autorité et la forme attendue de la réponse.
Pour comparer des documents, identifiez les versions et demandez les conditions modifiées avec les passages qui les étayent. Pour une tâche de programmation, incluez le comportement existant, la modification souhaitée et les contraintes d’interface pertinentes. Un résultat utile peut être un correctif ciblé ou l’explication d’un défaut avec le cas concret qui le révèle. Gardez le contenu sans rapport hors de la tâche afin de diriger l’attention du modèle vers les éléments sources qui changent le résultat.
Le fournisseur souligne un meilleur respect des instructions exigeant un format de réponse particulier. Une requête peut définir une explication ordonnée, un tableau ou une fiche lisible par une machine. Nommez les champs et expliquez quoi renvoyer lorsque la source ne permet pas d’établir une valeur. Un exemple de consigne de traitement de fiches peut demander un identifiant source, une condition extraite et le passage dont elle provient.
Le mode JSON contraint la réponse à un objet JSON syntaxiquement valide dans le processus Chat Completions du fournisseur. Un JSON valide n’établit pas que la fiche contient les bons champs ou des valeurs correctes. Gardez la validation par l’application et la vérification de la source distinctes du réglage de format, surtout lorsque l’étape suivante dépend d’un identifiant ou d’un statut particulier. Lorsque vous utilisez le mode JSON du fabricant, demandez explicitement au modèle de produire du JSON et incluez le mot « JSON » dans la conversation. Sans cette instruction, il peut émettre des caractères d’espacement jusqu’à la limite de jetons ; vérifiez qu’un objet complet a été renvoyé. Les fonctionnalités ultérieures de sortie contrainte par un schéma d’autres modèles constituent un mécanisme différent.
Le modèle peut produire des arguments pour les fonctions définies par l’application. La publication ajoute la possibilité de demander plusieurs fonctions dans un seul message, ce qui peut servir à une tâche nécessitant plus d’une recherche d’informations. Décrivez l’objectif et les entrées requises de chaque fonction, puis reliez les informations effectivement renvoyées à la réponse suivante. Le modèle sélectionne et décrit la demande ; l’application l’exécute.
Pour comparer deux fiches, une fonction peut récupérer les détails réels de chacune avant que l’assistant prépare la comparaison. Préservez l’association entre l’élément demandé et le résultat renvoyé. Lorsqu’une source manque ou qu’une opération échoue, conservez cette condition dans la réponse plutôt que d’annoncer un succès à partir des seuls arguments proposés.
Le réglage bêta seed présenté au lancement vise à produire des réponses reproductibles la plupart du temps. Utilisez-le avec le même contenu source et les mêmes autres réglages lorsque vous comparez une petite modification de consigne. Il ne garantit pas le déterminisme : examinez donc les deux réponses et conservez les conditions de production de chacune.
La publication d’origine distingue ce modèle Preview textuel de GPT-4 Turbo with Vision, de la génération d’images et des modèles de génération de parole. Fournissez par écrit les informations pertinentes d’un schéma pour ce profil au lieu de lui attribuer la capacité d’entrée du modèle Vision. La mise à jour Preview 0125 ultérieure vise une exécution plus complète des tâches et corrige un bug d’encodage ; l’édition 1106 précède ces changements. Conservez ensemble le modèle nommé, le contenu source, le format demandé et le résultat renvoyé lors de son évaluation.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-4-1106-preview | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.02 / 1K jetons Sortie · Jetons en sortie $0.06 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gpt-4-1106-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-1106-preview', '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-4-1106-preview', '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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra gpt-4-1106-preview
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.