GPT-5.1 est le modèle généraliste d’OpenAI pour la programmation et les tâches d’agents avec un raisonnement configurable. Il accepte du texte et des images et produit du texte. La présentation destinée aux développeurs décrit un raisonnement adaptatif : le modèle fait varier le travail consacré à l’analyse selon la complexité de la tâche. L’édition de base GPT-5.1 est distincte des éditions Chat et Codex de la même famille.
Pour la programmation, fournissez le comportement attendu, les fichiers pertinents et les contraintes qu’une modification proposée doit préserver. Une demande peut par exemple consister à examiner comment un composant traite une entrée, à identifier la dépendance à examiner et à élaborer une modification ciblée avec une explication claire. Pour une tâche documentaire, fournissez les éléments d’origine, le lecteur et les faits requis, puis demandez un passage modifié ou une analyse comprenant les sections spécifiées.
Le fournisseur documente un réglage sans raisonnement pour les tâches qui n’exigent pas une analyse approfondie, aux côtés des efforts de raisonnement low, medium et high ; none est la valeur par défaut. Sa présentation recommande de choisir le niveau de raisonnement selon la complexité de la tâche. Cela permet à une application de distinguer une extraction simple ou une réponse brève d’une tâche comportant plusieurs conditions interdépendantes, sans changer l’identité du modèle de base.
La fiche du modèle d’OpenAI indique une fenêtre de contexte de 400 000 jetons, une sortie maximale de 128 000 jetons et une date limite des connaissances au 30 septembre 2024. Le raisonnement occupe de l’espace avec l’entrée et la réponse finale. Organisez une requête longue autour des preuves utiles et des critères de réussite. Si une image éclaire la tâche, identifiez le schéma, l’état d’interface ou le détail pertinent et incluez le contexte écrit nécessaire pour l’interpréter.
La fiche du modèle mentionne les interfaces Responses, Chat Completions et Batch, la diffusion en continu, Structured Outputs, l’appel de fonctions, les fichiers et images en entrée, la recherche sur le Web et dans les fichiers et la mise en cache de l’entrée. La documentation actuelle de mise en cache comprend une conservation prolongée facultative jusqu’à 24 heures pour ce modèle. Le fournisseur mentionne également la génération d’images, l’interprétation de code, l’application de correctifs et les connexions MCP. La présentation destinée aux développeurs documente un outil de correctifs qui propose des modifications structurées de fichiers et un outil de ligne de commande qui propose des commandes. L’application applique ou exécute ces opérations et renvoie leurs résultats réels, permettant de poursuivre les modifications et leur examen.
La présentation met également l’accent sur la possibilité de guider la programmation et sur les mises à jour utiles pendant les séquences d’appels d’outils. Définissez ce que la tâche doit terminer, les actions disponibles et les preuves permettant de vérifier le résultat. Pour une modification, demandez le comportement concerné, les changements significatifs et les vérifications réellement effectuées. Pour un document, demandez une version concrète reliée aux faits fournis. Un livrable final utile explicite le résultat et son fondement tout en gardant les actions proposées distinctes des opérations terminées.
", "aboutText": "GPT-5.1 est le modèle généraliste d’OpenAI pour la programmation et les tâches d’agents avec un raisonnement configurable. Il accepte du texte et des images et produit du texte. La présentation destinée aux développeurs décrit un raisonnement adaptatif : le modèle fait varier le travail consacré à l’analyse selon la complexité de la tâche. L’édition de base GPT-5.1 est distincte des éditions Chat et Codex de la même famille.\n\nPour la programmation, fournissez le comportement attendu, les fichiers pertinents et les contraintes qu’une modification proposée doit préserver. Une demande peut par exemple consister à examiner comment un composant traite une entrée, à identifier la dépendance à examiner et à élaborer une modification ciblée avec une explication claire. Pour une tâche documentaire, fournissez les éléments d’origine, le lecteur et les faits requis, puis demandez un passage modifié ou une analyse comprenant les sections spécifiées.\n\nLe fournisseur documente un réglage sans raisonnement pour les tâches qui n’exigent pas une analyse approfondie, aux côtés des efforts de raisonnement low, medium et high ; none est la valeur par défaut. Sa présentation recommande de choisir le niveau de raisonnement selon la complexité de la tâche. Cela permet à une application de distinguer une extraction simple ou une réponse brève d’une tâche comportant plusieurs conditions interdépendantes, sans changer l’identité du modèle de base.\n\nLa fiche du modèle d’OpenAI indique une fenêtre de contexte de 400 000 jetons, une sortie maximale de 128 000 jetons et une date limite des connaissances au 30 septembre 2024. Le raisonnement occupe de l’espace avec l’entrée et la réponse finale. Organisez une requête longue autour des preuves utiles et des critères de réussite. Si une image éclaire la tâche, identifiez le schéma, l’état d’interface ou le détail pertinent et incluez le contexte écrit nécessaire pour l’interpréter.\n\nLa fiche du modèle mentionne les interfaces Responses, Chat Completions et Batch, la diffusion en continu, Structured Outputs, l’appel de fonctions, les fichiers et images en entrée, la recherche sur le Web et dans les fichiers et la mise en cache de l’entrée. La documentation actuelle de mise en cache comprend une conservation prolongée facultative jusqu’à 24 heures pour ce modèle. Le fournisseur mentionne également la génération d’images, l’interprétation de code, l’application de correctifs et les connexions MCP. La présentation destinée aux développeurs documente un outil de correctifs qui propose des modifications structurées de fichiers et un outil de ligne de commande qui propose des commandes. L’application applique ou exécute ces opérations et renvoie leurs résultats réels, permettant de poursuivre les modifications et leur examen.\n\nLa présentation met également l’accent sur la possibilité de guider la programmation et sur les mises à jour utiles pendant les séquences d’appels d’outils. Définissez ce que la tâche doit terminer, les actions disponibles et les preuves permettant de vérifier le résultat. Pour une modification, demandez le comportement concerné, les changements significatifs et les vérifications réellement effectuées. Pour un document, demandez une version concrète reliée aux faits fournis. Un livrable final utile explicite le résultat et son fondement tout en gardant les actions proposées distinctes des opérations terminées.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "533b79b2f7ce12896230300eccb6bf61bab12bbd19abf370b9f127a8a03b3f64", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "openai/gpt-5.1:batchGPT-5.1 combine la programmation et les travaux d’agents avec un raisonnement adaptatif. Il accepte du texte et des images et peut élaborer une modification de code, un document ou un résultat relié à des outils, avec un réglage sans raisonnement pour les tâches qui ne nécessitent pas une analyse approfondie.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-5.1 est le modèle généraliste d’OpenAI pour la programmation et les tâches d’agents avec un raisonnement configurable. Il accepte du texte et des images et produit du texte. La présentation destinée aux développeurs décrit un raisonnement adaptatif : le modèle fait varier le travail consacré à l’analyse selon la complexité de la tâche. L’édition de base GPT-5.1 est distincte des éditions Chat et Codex de la même famille.
Pour la programmation, fournissez le comportement attendu, les fichiers pertinents et les contraintes qu’une modification proposée doit préserver. Une demande peut par exemple consister à examiner comment un composant traite une entrée, à identifier la dépendance à examiner et à élaborer une modification ciblée avec une explication claire. Pour une tâche documentaire, fournissez les éléments d’origine, le lecteur et les faits requis, puis demandez un passage modifié ou une analyse comprenant les sections spécifiées.
Le fournisseur documente un réglage sans raisonnement pour les tâches qui n’exigent pas une analyse approfondie, aux côtés des efforts de raisonnement low, medium et high ; none est la valeur par défaut. Sa présentation recommande de choisir le niveau de raisonnement selon la complexité de la tâche. Cela permet à une application de distinguer une extraction simple ou une réponse brève d’une tâche comportant plusieurs conditions interdépendantes, sans changer l’identité du modèle de base.
La fiche du modèle d’OpenAI indique une fenêtre de contexte de 400 000 jetons, une sortie maximale de 128 000 jetons et une date limite des connaissances au 30 septembre 2024. Le raisonnement occupe de l’espace avec l’entrée et la réponse finale. Organisez une requête longue autour des preuves utiles et des critères de réussite. Si une image éclaire la tâche, identifiez le schéma, l’état d’interface ou le détail pertinent et incluez le contexte écrit nécessaire pour l’interpréter.
La fiche du modèle mentionne les interfaces Responses, Chat Completions et Batch, la diffusion en continu, Structured Outputs, l’appel de fonctions, les fichiers et images en entrée, la recherche sur le Web et dans les fichiers et la mise en cache de l’entrée. La documentation actuelle de mise en cache comprend une conservation prolongée facultative jusqu’à 24 heures pour ce modèle. Le fournisseur mentionne également la génération d’images, l’interprétation de code, l’application de correctifs et les connexions MCP. La présentation destinée aux développeurs documente un outil de correctifs qui propose des modifications structurées de fichiers et un outil de ligne de commande qui propose des commandes. L’application applique ou exécute ces opérations et renvoie leurs résultats réels, permettant de poursuivre les modifications et leur examen.
La présentation met également l’accent sur la possibilité de guider la programmation et sur les mises à jour utiles pendant les séquences d’appels d’outils. Définissez ce que la tâche doit terminer, les actions disponibles et les preuves permettant de vérifier le résultat. Pour une modification, demandez le comportement concerné, les changements significatifs et les vérifications réellement effectuées. Pour un document, demandez une version concrète reliée aux faits fournis. Un livrable final utile explicite le résultat et son fondement tout en gardant les actions proposées distinctes des opérations terminées.
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-5.1: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-5.1:batch, openai/gpt-5.1 | 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 $0.00125 / 1K jetons Sortie · Jetons en sortie $0.01 / 1K jetons Entrée · Lecture du cache $0.000125 / 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 $0.00125 / 1K jetons Sortie · Jetons en sortie $0.01 / 1K jetons Entrée · Lecture du cache $0.000125 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-5.1: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-5.1:batch', 'openai/gpt-5.1']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.1: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-5.1:batch
Utilisez les chemins de méthode indiqués ci-dessus.