GPT-4o est le modèle GPT polyvalent d’OpenAI pour la compréhension du texte et des images, la rédaction et les travaux applicatifs. Le « o » signifie « omni », tandis que ce modèle documenté accepte du texte et des images et renvoie du texte, notamment avec Structured Outputs. Une demande pratique peut associer des consignes écrites à des photographies, des captures d’écran ou des pages de documents et demander une explication claire, un livrable modifié ou des champs définis pour une autre étape applicative.
Pour un rapport, fournissez les documents sources et la décision que le rapport doit éclairer. Identifiez les dates pertinentes, les unités et les libellés des preuves, puis demandez une comparaison qui sépare les observations, les hypothèses et les informations manquantes. Pour une tâche visuelle, indiquez l’objet, le graphique ou l’état d’interface qui importe et incluez le contexte environnant. Pour une modification de code, fournissez le code concerné, le comportement souhaité et les contraintes à maintenir. Ces approches concrètes exploitent les capacités textuelles et visuelles du modèle sans compter sur la consigne pour sous-entendre toute la tâche.
Le profil GPT-4o actuel d’OpenAI indique une fenêtre de contexte de 128 000 jetons, une sortie maximale de 16 384 jetons et une date limite des connaissances au 1er octobre 2023. Le fournisseur répertorie séparément plusieurs versions datées de GPT-4o. La conversation, les éléments d’entrée et la réponse générée partagent le budget de contexte ; une vaste collection de documents nécessite donc toujours une organisation et de la place pour son livrable final. Les faits qui changent ou proviennent d’un système privé doivent être fournis directement ou obtenus au moyen d’un outil explicitement configuré.
Le guide de vision accepte PNG, JPEG, WebP et les GIF non animés. GPT-4o prend en charge les niveaux de détail d’image low, high et auto ; high et auto utilisent un traitement par tuiles. Agrandissez les petits libellés, gardez le texte à l’endroit et préservez la légende ou le schéma environnant lorsque vous interprétez un graphique. Les limites documentées concernent notamment la localisation spatiale précise, les décomptes approximatifs d’objets, certaines écritures non latines et les vues panoramiques ou en œil de poisson. Le modèle peut aussi décrire incorrectement une image ; conservez donc la source et demandez les observations précises qui étayent une interprétation. Dans le processus de vision documenté d’OpenAI, la charge utile totale de la requête est limitée à 512 MB et une requête peut inclure jusqu’à 1 500 images ; les images et le texte doivent également tenir dans le contexte du modèle.
Le processus d’entrée de fichiers d’OpenAI fournit à un modèle capable de vision le texte extrait et les images des pages des PDF. Les documents bureautiques autres que les PDF fournissent le texte extrait plutôt que leurs graphiques intégrés, et les feuilles de calcul sont enrichies à partir des 1 000 premières lignes au maximum de chaque feuille. Chaque fichier doit faire moins de 50 MB, avec un total maximal de 50 MB pour l’ensemble des fichiers d’une requête. Chat Completions prend en charge les parties de fichier PDF ; le processus Responses documenté accepte des formats de fichier supplémentaires. Choisissez une représentation PDF lorsque la fidélité visuelle importe et gardez les identifiants de source visibles dans le résultat.
La diffusion en continu peut renvoyer la réponse pendant sa génération. Structured Outputs contraint une réponse terminée au sous-ensemble pris en charge de JSON Schema, ce qui le rend utile pour l’extraction documentaire ou un objet applicatif doté de champs définis. Le mode JSON porte uniquement sur la validité du JSON. Définissez les types attendus, les valeurs autorisées et le traitement de l’absence de preuves, puis gérez séparément les refus explicites ou les réponses incomplètes. Un schéma n’établit pas l’exactitude factuelle d’une valeur ; les champs demandés doivent donc rester traçables jusqu’aux éléments fournis.
Le fournisseur prend en charge l’appel de fonctions, la recherche sur le Web, la recherche dans les fichiers, l’interprétation de code et les connexions MCP. Les fonctions personnalisées nécessitent des descriptions pertinentes et des schémas d’arguments ; l’application exécute l’action demandée et renvoie son résultat pour l’étape suivante du modèle. GPT-4o peut aussi diriger un outil distinct de génération d’images dans un processus Responses configuré. Une image créée par un outil constitue un livrable propre, tandis que la réponse native documentée de GPT-4o est textuelle. L’explication finale d’un agent doit utiliser les observations réellement récupérées ou calculées plutôt que de traiter un appel d’outil proposé comme une opération terminée.
Predicted Outputs est disponible pour GPT-4o lors de la régénération de texte ou de code largement connu avec de petites modifications. Fournissez le contenu existant et une modification précise, puis examinez le livrable renvoyé. Ce parcours uniquement textuel ne se combine pas avec l’appel de fonctions et exclut logprobs, max_completion_tokens et plusieurs autres contrôles. Une requête utilisant des outils constitue un choix distinct lorsque la réponse dépend de nouvelles informations provenant d’une opération externe.
OpenAI documente l’ajustement fin pour GPT-4o, et son guide d’optimisation nomme spécifiquement la version du 6 août 2024 pour l’ajustement fin visuel avec des exemples d’images. Ce processus de personnalisation propre à une version est distinct d’une requête ordinaire à l’alias du modèle. Pour la rédaction, l’analyse ou l’extraction quotidienne, commencez par des consignes utiles et un exemple de la sortie souhaitée. Un échange suivant peut résoudre un fait manquant, réviser un champ ou affiner le même livrable tout en préservant les preuves et les contraintes de la tâche.
", "aboutText": "GPT-4o est le modèle GPT polyvalent d’OpenAI pour la compréhension du texte et des images, la rédaction et les travaux applicatifs. Le « o » signifie « omni », tandis que ce modèle documenté accepte du texte et des images et renvoie du texte, notamment avec Structured Outputs. Une demande pratique peut associer des consignes écrites à des photographies, des captures d’écran ou des pages de documents et demander une explication claire, un livrable modifié ou des champs définis pour une autre étape applicative.\n\nPour un rapport, fournissez les documents sources et la décision que le rapport doit éclairer. Identifiez les dates pertinentes, les unités et les libellés des preuves, puis demandez une comparaison qui sépare les observations, les hypothèses et les informations manquantes. Pour une tâche visuelle, indiquez l’objet, le graphique ou l’état d’interface qui importe et incluez le contexte environnant. Pour une modification de code, fournissez le code concerné, le comportement souhaité et les contraintes à maintenir. Ces approches concrètes exploitent les capacités textuelles et visuelles du modèle sans compter sur la consigne pour sous-entendre toute la tâche.\n\nLe profil GPT-4o actuel d’OpenAI indique une fenêtre de contexte de 128 000 jetons, une sortie maximale de 16 384 jetons et une date limite des connaissances au 1er octobre 2023. Le fournisseur répertorie séparément plusieurs versions datées de GPT-4o. La conversation, les éléments d’entrée et la réponse générée partagent le budget de contexte ; une vaste collection de documents nécessite donc toujours une organisation et de la place pour son livrable final. Les faits qui changent ou proviennent d’un système privé doivent être fournis directement ou obtenus au moyen d’un outil explicitement configuré.\n\nLe guide de vision accepte PNG, JPEG, WebP et les GIF non animés. GPT-4o prend en charge les niveaux de détail d’image low, high et auto ; high et auto utilisent un traitement par tuiles. Agrandissez les petits libellés, gardez le texte à l’endroit et préservez la légende ou le schéma environnant lorsque vous interprétez un graphique. Les limites documentées concernent notamment la localisation spatiale précise, les décomptes approximatifs d’objets, certaines écritures non latines et les vues panoramiques ou en œil de poisson. Le modèle peut aussi décrire incorrectement une image ; conservez donc la source et demandez les observations précises qui étayent une interprétation. Dans le processus de vision documenté d’OpenAI, la charge utile totale de la requête est limitée à 512 MB et une requête peut inclure jusqu’à 1 500 images ; les images et le texte doivent également tenir dans le contexte du modèle.\n\nLe processus d’entrée de fichiers d’OpenAI fournit à un modèle capable de vision le texte extrait et les images des pages des PDF. Les documents bureautiques autres que les PDF fournissent le texte extrait plutôt que leurs graphiques intégrés, et les feuilles de calcul sont enrichies à partir des 1 000 premières lignes au maximum de chaque feuille. Chaque fichier doit faire moins de 50 MB, avec un total maximal de 50 MB pour l’ensemble des fichiers d’une requête. Chat Completions prend en charge les parties de fichier PDF ; le processus Responses documenté accepte des formats de fichier supplémentaires. Choisissez une représentation PDF lorsque la fidélité visuelle importe et gardez les identifiants de source visibles dans le résultat.\n\nLa diffusion en continu peut renvoyer la réponse pendant sa génération. Structured Outputs contraint une réponse terminée au sous-ensemble pris en charge de JSON Schema, ce qui le rend utile pour l’extraction documentaire ou un objet applicatif doté de champs définis. Le mode JSON porte uniquement sur la validité du JSON. Définissez les types attendus, les valeurs autorisées et le traitement de l’absence de preuves, puis gérez séparément les refus explicites ou les réponses incomplètes. Un schéma n’établit pas l’exactitude factuelle d’une valeur ; les champs demandés doivent donc rester traçables jusqu’aux éléments fournis.\n\nLe fournisseur prend en charge l’appel de fonctions, la recherche sur le Web, la recherche dans les fichiers, l’interprétation de code et les connexions MCP. Les fonctions personnalisées nécessitent des descriptions pertinentes et des schémas d’arguments ; l’application exécute l’action demandée et renvoie son résultat pour l’étape suivante du modèle. GPT-4o peut aussi diriger un outil distinct de génération d’images dans un processus Responses configuré. Une image créée par un outil constitue un livrable propre, tandis que la réponse native documentée de GPT-4o est textuelle. L’explication finale d’un agent doit utiliser les observations réellement récupérées ou calculées plutôt que de traiter un appel d’outil proposé comme une opération terminée.\n\nPredicted Outputs est disponible pour GPT-4o lors de la régénération de texte ou de code largement connu avec de petites modifications. Fournissez le contenu existant et une modification précise, puis examinez le livrable renvoyé. Ce parcours uniquement textuel ne se combine pas avec l’appel de fonctions et exclut logprobs, max_completion_tokens et plusieurs autres contrôles. Une requête utilisant des outils constitue un choix distinct lorsque la réponse dépend de nouvelles informations provenant d’une opération externe.\n\nOpenAI documente l’ajustement fin pour GPT-4o, et son guide d’optimisation nomme spécifiquement la version du 6 août 2024 pour l’ajustement fin visuel avec des exemples d’images. Ce processus de personnalisation propre à une version est distinct d’une requête ordinaire à l’alias du modèle. Pour la rédaction, l’analyse ou l’extraction quotidienne, commencez par des consignes utiles et un exemple de la sortie souhaitée. Un échange suivant peut résoudre un fait manquant, réviser un champ ou affiner le même livrable tout en préservant les preuves et les contraintes de la tâche.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8072b7ae4a45b1ffa5517f162cb06790ffec7eebca7949ca119f252380e4af21", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "openai/gpt-4o:batchGPT-4o combine la compréhension du texte et des images avec la rédaction, la programmation, Structured Outputs et les outils applicatifs. Utilisez-le pour élaborer une réponse fondée sur des preuves, interpréter des éléments visuels ou renvoyer des champs définis à partir d’un ensemble substantiel de sources.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-4o est le modèle GPT polyvalent d’OpenAI pour la compréhension du texte et des images, la rédaction et les travaux applicatifs. Le « o » signifie « omni », tandis que ce modèle documenté accepte du texte et des images et renvoie du texte, notamment avec Structured Outputs. Une demande pratique peut associer des consignes écrites à des photographies, des captures d’écran ou des pages de documents et demander une explication claire, un livrable modifié ou des champs définis pour une autre étape applicative.
Pour un rapport, fournissez les documents sources et la décision que le rapport doit éclairer. Identifiez les dates pertinentes, les unités et les libellés des preuves, puis demandez une comparaison qui sépare les observations, les hypothèses et les informations manquantes. Pour une tâche visuelle, indiquez l’objet, le graphique ou l’état d’interface qui importe et incluez le contexte environnant. Pour une modification de code, fournissez le code concerné, le comportement souhaité et les contraintes à maintenir. Ces approches concrètes exploitent les capacités textuelles et visuelles du modèle sans compter sur la consigne pour sous-entendre toute la tâche.
Le profil GPT-4o actuel d’OpenAI indique une fenêtre de contexte de 128 000 jetons, une sortie maximale de 16 384 jetons et une date limite des connaissances au 1er octobre 2023. Le fournisseur répertorie séparément plusieurs versions datées de GPT-4o. La conversation, les éléments d’entrée et la réponse générée partagent le budget de contexte ; une vaste collection de documents nécessite donc toujours une organisation et de la place pour son livrable final. Les faits qui changent ou proviennent d’un système privé doivent être fournis directement ou obtenus au moyen d’un outil explicitement configuré.
Le guide de vision accepte PNG, JPEG, WebP et les GIF non animés. GPT-4o prend en charge les niveaux de détail d’image low, high et auto ; high et auto utilisent un traitement par tuiles. Agrandissez les petits libellés, gardez le texte à l’endroit et préservez la légende ou le schéma environnant lorsque vous interprétez un graphique. Les limites documentées concernent notamment la localisation spatiale précise, les décomptes approximatifs d’objets, certaines écritures non latines et les vues panoramiques ou en œil de poisson. Le modèle peut aussi décrire incorrectement une image ; conservez donc la source et demandez les observations précises qui étayent une interprétation. Dans le processus de vision documenté d’OpenAI, la charge utile totale de la requête est limitée à 512 MB et une requête peut inclure jusqu’à 1 500 images ; les images et le texte doivent également tenir dans le contexte du modèle.
Le processus d’entrée de fichiers d’OpenAI fournit à un modèle capable de vision le texte extrait et les images des pages des PDF. Les documents bureautiques autres que les PDF fournissent le texte extrait plutôt que leurs graphiques intégrés, et les feuilles de calcul sont enrichies à partir des 1 000 premières lignes au maximum de chaque feuille. Chaque fichier doit faire moins de 50 MB, avec un total maximal de 50 MB pour l’ensemble des fichiers d’une requête. Chat Completions prend en charge les parties de fichier PDF ; le processus Responses documenté accepte des formats de fichier supplémentaires. Choisissez une représentation PDF lorsque la fidélité visuelle importe et gardez les identifiants de source visibles dans le résultat.
La diffusion en continu peut renvoyer la réponse pendant sa génération. Structured Outputs contraint une réponse terminée au sous-ensemble pris en charge de JSON Schema, ce qui le rend utile pour l’extraction documentaire ou un objet applicatif doté de champs définis. Le mode JSON porte uniquement sur la validité du JSON. Définissez les types attendus, les valeurs autorisées et le traitement de l’absence de preuves, puis gérez séparément les refus explicites ou les réponses incomplètes. Un schéma n’établit pas l’exactitude factuelle d’une valeur ; les champs demandés doivent donc rester traçables jusqu’aux éléments fournis.
Le fournisseur prend en charge l’appel de fonctions, la recherche sur le Web, la recherche dans les fichiers, l’interprétation de code et les connexions MCP. Les fonctions personnalisées nécessitent des descriptions pertinentes et des schémas d’arguments ; l’application exécute l’action demandée et renvoie son résultat pour l’étape suivante du modèle. GPT-4o peut aussi diriger un outil distinct de génération d’images dans un processus Responses configuré. Une image créée par un outil constitue un livrable propre, tandis que la réponse native documentée de GPT-4o est textuelle. L’explication finale d’un agent doit utiliser les observations réellement récupérées ou calculées plutôt que de traiter un appel d’outil proposé comme une opération terminée.
Predicted Outputs est disponible pour GPT-4o lors de la régénération de texte ou de code largement connu avec de petites modifications. Fournissez le contenu existant et une modification précise, puis examinez le livrable renvoyé. Ce parcours uniquement textuel ne se combine pas avec l’appel de fonctions et exclut logprobs, max_completion_tokens et plusieurs autres contrôles. Une requête utilisant des outils constitue un choix distinct lorsque la réponse dépend de nouvelles informations provenant d’une opération externe.
OpenAI documente l’ajustement fin pour GPT-4o, et son guide d’optimisation nomme spécifiquement la version du 6 août 2024 pour l’ajustement fin visuel avec des exemples d’images. Ce processus de personnalisation propre à une version est distinct d’une requête ordinaire à l’alias du modèle. Pour la rédaction, l’analyse ou l’extraction quotidienne, commencez par des consignes utiles et un exemple de la sortie souhaitée. Un échange suivant peut résoudre un fait manquant, réviser un champ ou affiner le même livrable tout en préservant les preuves et les contraintes de la tâche.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-4o:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites openai/gpt-4o:batch, openai/gpt-4o | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites openai | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0025 / 1K jetons Sortie · Jetons en sortie $0.01 / 1K jetons Entrée · Lecture du cache $0.00125 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0025 / 1K jetons Sortie · Jetons en sortie $0.01 / 1K jetons Entrée · Lecture du cache $0.00125 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-4o:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-4o:batch', 'openai/gpt-4o']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4o:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRésolvez le problème d’admission avant d’envoyer une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne remplacez pas les prix par d’autres. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra openai/gpt-4o:batch
Utilisez les chemins de méthode indiqués ci-dessus.