GPT-5.6 Luna Pro désigne le modèle GPT-5.6 Luna d’OpenAI avec raisonnement Pro. L’édition de base Luna est conçue pour les tâches ciblées à fort volume et correspond approximativement au niveau nano des familles GPT-5 antérieures. Elle accepte du texte et des images et produit du texte. Pro ajoute du travail du modèle pour élaborer la réponse finale ; il s’agit d’un mode d’exécution plutôt que d’un remplacement de l’édition de base.
Un usage pratique consiste à extraire un ensemble défini d’informations d’un document dont les règles comprennent des exceptions. Fournissez le document et les champs nécessaires, identifiez les passages prioritaires et expliquez comment traiter une valeur absente. Une demande peut par exemple viser à extraire le sujet du document, les conditions pertinentes pour une demande et la prochaine question nécessaire pour la compléter. Demandez une explication d’une exception avec les champs extraits afin de pouvoir comparer le résultat à la source.
Pour les éléments visuels, fournissez une page ou une capture d’écran claire et identifiez le détail ou le libellé précis qui éclaire la tâche. Pour rédiger une réponse, fournissez la demande, les règles qui encadrent la réponse et les faits à conserver. Définissez le ton et la longueur souhaités, puis demandez une réponse concise plutôt qu’une discussion sans limites. Cette préparation relie le rôle ciblé de Luna à un résultat textuel concret.
OpenAI indique pour GPT-5.6 Luna une fenêtre de contexte de 1 050 000 jetons, une entrée maximale de 922 000 jetons et une sortie maximale de 128 000 jetons, avec une date limite des connaissances au 16 février 2026. Les choix d’effort de raisonnement de base sont none, low, medium, high, xhigh et max ; medium est la valeur par défaut. Le mode et l’effort sont indépendants : Pro détermine le travail supplémentaire du modèle, tandis que l’effort contrôle la quantité de raisonnement au sein du mode. Le raisonnement utilise également de l’espace dans le contexte ; prévoyez donc de la place pour l’analyse et la réponse visible.
Le fabricant documente Pro dans l’API Responses pour les tâches difficiles pouvant accepter davantage de latence et d’activité du modèle. Le modèle de base propose la diffusion en continu, Structured Outputs, l’appel de fonctions, la recherche sur le Web et dans les fichiers, les images en entrée et la mise en cache de l’entrée. Son ensemble d’outils comprend la génération d’images, l’interprétation de code, l’exécution de commandes dans un environnement hébergé et l’application de correctifs, les compétences, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Les opérations d’outils nécessitent l’environnement correspondant ; une application exécute les actions et fournit les résultats réels pour poursuivre le travail.
Précisez un livrable final utile : les champs requis, la règle qui étaye une décision et les questions encore ouvertes. Par exemple, demandez un projet de réponse avec les faits du document sur lesquels il s’appuie, puis affinez la réponse après avoir fourni les informations manquantes. Gardez visible la distinction entre une action proposée et une action terminée par un outil. Ce processus donne à l’analyse supplémentaire de Pro un objectif précis dans une tâche Luna délimitée.
", "aboutText": "GPT-5.6 Luna Pro désigne le modèle GPT-5.6 Luna d’OpenAI avec raisonnement Pro. L’édition de base Luna est conçue pour les tâches ciblées à fort volume et correspond approximativement au niveau nano des familles GPT-5 antérieures. Elle accepte du texte et des images et produit du texte. Pro ajoute du travail du modèle pour élaborer la réponse finale ; il s’agit d’un mode d’exécution plutôt que d’un remplacement de l’édition de base.\n\nUn usage pratique consiste à extraire un ensemble défini d’informations d’un document dont les règles comprennent des exceptions. Fournissez le document et les champs nécessaires, identifiez les passages prioritaires et expliquez comment traiter une valeur absente. Une demande peut par exemple viser à extraire le sujet du document, les conditions pertinentes pour une demande et la prochaine question nécessaire pour la compléter. Demandez une explication d’une exception avec les champs extraits afin de pouvoir comparer le résultat à la source.\n\nPour les éléments visuels, fournissez une page ou une capture d’écran claire et identifiez le détail ou le libellé précis qui éclaire la tâche. Pour rédiger une réponse, fournissez la demande, les règles qui encadrent la réponse et les faits à conserver. Définissez le ton et la longueur souhaités, puis demandez une réponse concise plutôt qu’une discussion sans limites. Cette préparation relie le rôle ciblé de Luna à un résultat textuel concret.\n\nOpenAI indique pour GPT-5.6 Luna une fenêtre de contexte de 1 050 000 jetons, une entrée maximale de 922 000 jetons et une sortie maximale de 128 000 jetons, avec une date limite des connaissances au 16 février 2026. Les choix d’effort de raisonnement de base sont none, low, medium, high, xhigh et max ; medium est la valeur par défaut. Le mode et l’effort sont indépendants : Pro détermine le travail supplémentaire du modèle, tandis que l’effort contrôle la quantité de raisonnement au sein du mode. Le raisonnement utilise également de l’espace dans le contexte ; prévoyez donc de la place pour l’analyse et la réponse visible.\n\nLe fabricant documente Pro dans l’API Responses pour les tâches difficiles pouvant accepter davantage de latence et d’activité du modèle. Le modèle de base propose la diffusion en continu, Structured Outputs, l’appel de fonctions, la recherche sur le Web et dans les fichiers, les images en entrée et la mise en cache de l’entrée. Son ensemble d’outils comprend la génération d’images, l’interprétation de code, l’exécution de commandes dans un environnement hébergé et l’application de correctifs, les compétences, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Les opérations d’outils nécessitent l’environnement correspondant ; une application exécute les actions et fournit les résultats réels pour poursuivre le travail.\n\nPrécisez un livrable final utile : les champs requis, la règle qui étaye une décision et les questions encore ouvertes. Par exemple, demandez un projet de réponse avec les faits du document sur lesquels il s’appuie, puis affinez la réponse après avoir fourni les informations manquantes. Gardez visible la distinction entre une action proposée et une action terminée par un outil. Ce processus donne à l’analyse supplémentaire de Pro un objectif précis dans une tâche Luna délimitée.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b287e5c661e3294bbc26439269c3c93bf8ff068857b538075dd8c60a7d0fbff2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "openai/gpt-5.6-luna-pro:batchGPT-5.6 Luna avec raisonnement Pro pour les tâches ciblées nécessitant une analyse supplémentaire. Fournissez du texte ou des images et des règles explicites pour produire un résultat d’extraction, une réponse concise ou l’explication d’une exception.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-5.6 Luna Pro désigne le modèle GPT-5.6 Luna d’OpenAI avec raisonnement Pro. L’édition de base Luna est conçue pour les tâches ciblées à fort volume et correspond approximativement au niveau nano des familles GPT-5 antérieures. Elle accepte du texte et des images et produit du texte. Pro ajoute du travail du modèle pour élaborer la réponse finale ; il s’agit d’un mode d’exécution plutôt que d’un remplacement de l’édition de base.
Un usage pratique consiste à extraire un ensemble défini d’informations d’un document dont les règles comprennent des exceptions. Fournissez le document et les champs nécessaires, identifiez les passages prioritaires et expliquez comment traiter une valeur absente. Une demande peut par exemple viser à extraire le sujet du document, les conditions pertinentes pour une demande et la prochaine question nécessaire pour la compléter. Demandez une explication d’une exception avec les champs extraits afin de pouvoir comparer le résultat à la source.
Pour les éléments visuels, fournissez une page ou une capture d’écran claire et identifiez le détail ou le libellé précis qui éclaire la tâche. Pour rédiger une réponse, fournissez la demande, les règles qui encadrent la réponse et les faits à conserver. Définissez le ton et la longueur souhaités, puis demandez une réponse concise plutôt qu’une discussion sans limites. Cette préparation relie le rôle ciblé de Luna à un résultat textuel concret.
OpenAI indique pour GPT-5.6 Luna une fenêtre de contexte de 1 050 000 jetons, une entrée maximale de 922 000 jetons et une sortie maximale de 128 000 jetons, avec une date limite des connaissances au 16 février 2026. Les choix d’effort de raisonnement de base sont none, low, medium, high, xhigh et max ; medium est la valeur par défaut. Le mode et l’effort sont indépendants : Pro détermine le travail supplémentaire du modèle, tandis que l’effort contrôle la quantité de raisonnement au sein du mode. Le raisonnement utilise également de l’espace dans le contexte ; prévoyez donc de la place pour l’analyse et la réponse visible.
Le fabricant documente Pro dans l’API Responses pour les tâches difficiles pouvant accepter davantage de latence et d’activité du modèle. Le modèle de base propose la diffusion en continu, Structured Outputs, l’appel de fonctions, la recherche sur le Web et dans les fichiers, les images en entrée et la mise en cache de l’entrée. Son ensemble d’outils comprend la génération d’images, l’interprétation de code, l’exécution de commandes dans un environnement hébergé et l’application de correctifs, les compétences, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Les opérations d’outils nécessitent l’environnement correspondant ; une application exécute les actions et fournit les résultats réels pour poursuivre le travail.
Précisez un livrable final utile : les champs requis, la règle qui étaye une décision et les questions encore ouvertes. Par exemple, demandez un projet de réponse avec les faits du document sur lesquels il s’appuie, puis affinez la réponse après avoir fourni les informations manquantes. Gardez visible la distinction entre une action proposée et une action terminée par un outil. Ce processus donne à l’analyse supplémentaire de Pro un objectif précis dans une tâche Luna délimitée.
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-5.6-luna-pro: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-5.6-luna-pro:batch, openai/gpt-5.6-luna-pro | 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 $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0.00002 / 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 incluse272 000 | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0.00002 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de272 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0018 / 1K jetons Entrée · Lecture du cache $0.00004 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-5.6-luna-pro: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-5.6-luna-pro:batch', 'openai/gpt-5.6-luna-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-luna-pro: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-5.6-luna-pro:batch
Utilisez les chemins de méthode indiqués ci-dessus.