GPT-5.6 Luna est le modèle ciblé d’OpenAI pour les tâches à fort volume de la famille GPT-5.6. Le fabricant rapproche son rôle de la catégorie de modèles plus petits utilisée dans les familles GPT-5 antérieures, tout en maintenant l’identité propre du modèle Luna. Il accepte du texte et des images et génère du texte, notamment des explications, des reformulations, des classifications et des enregistrements structurés.
Confiez au modèle une opération définie et les critères d’un résultat utile. Pour une extraction, indiquez les champs, les unités et la convention pour les valeurs manquantes. Pour une classification, fournissez le sens des catégories et précisez la marche à suivre lorsqu’aucune ne convient. Exemple d’instruction : « Extrayez les valeurs de spécification de ce passage, préservez leurs unités et identifiez la phrase qui étaye chaque champ. »
Une réponse d’assistance doit utiliser les informations fournies sur le produit ou la politique et respecter la langue exigée par l’utilisateur. Pour une question visuelle, identifiez l’image pertinente et le détail visible. Gardez le résultat suffisamment concis pour son usage ultérieur sans omettre une valeur source ou une réserve requise.
Le fournisseur prend en charge les efforts none, low, medium, high, xhigh et max, avec medium par défaut. Standard est le mode de raisonnement par défaut, tandis que Pro est un réglage d’exécution distinct qui ajoute du travail du modèle. L’effort et le mode sont indépendants ; une tâche directe courante et une comparaison plus approfondie peuvent donc nécessiter des préparations différentes tout en conservant le même profil Luna nommé.
Le guide de raisonnement indique que GPT-5.6 réintègre par défaut le raisonnement disponible des tours précédents, avec un réglage de contexte pris en charge qui sélectionne ce comportement. Cela influe sur les éléments conservés au fil d’une tâche en plusieurs étapes ; ce n’est pas une mémoire illimitée. Gardez les faits acceptés, les libellés de source et le livrable requis clairs lors des échanges suivants.
OpenAI indique un contexte de 1 050 000 jetons, une entrée maximale de 922 000 jetons et une sortie maximale de 128 000 jetons. La date limite des connaissances documentée est le 16 février 2026. Le raisonnement et la réponse finale partagent le budget de génération, et tous les éléments de la tâche doivent tenir dans le contexte. Une requête peut se terminer avant qu’une réponse visible soit complète si ces budgets sont épuisés.
La fiche du modèle mentionne Structured Outputs, la diffusion en continu et l’appel de fonctions. L’écosystème d’outils du fournisseur comprend la recherche sur le Web et dans les fichiers, les outils de génération d’images, un interpréteur de code, les opérations de ligne de commande et d’application de correctifs, les compétences, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Un enregistrement structuré doit toujours contenir des valeurs fondées sur l’entrée réelle ; la validité du JSON ne suffit pas à établir l’exactitude factuelle.
Une application fournit les fonctions, effectue les opérations sélectionnées et renvoie les observations. Une recherche peut fournir un champ manquant avant que Luna ne rédige la réponse. Conservez le résultat avec sa source et son opération et distinguez une action proposée d’un travail réellement exécuté. La sortie propre du modèle est textuelle, tandis qu’une image générée par un outil constitue un livrable distinct.
Reliez les affirmations dépendant des sources aux documents faisant autorité et définissez quand l’opération est terminée. Un bon livrable est l’enregistrement, l’explication ou le passage révisé demandé, avec les noms obligatoires et les preuves intacts. Le rôle ciblé de Luna, sa plage d’effort prise en charge et son profil en mode standard restent distincts de Terra, de Sol, de l’exécution Pro et des versions GPT-6 ultérieures.
", "aboutText": "GPT-5.6 Luna est le modèle ciblé d’OpenAI pour les tâches à fort volume de la famille GPT-5.6. Le fabricant rapproche son rôle de la catégorie de modèles plus petits utilisée dans les familles GPT-5 antérieures, tout en maintenant l’identité propre du modèle Luna. Il accepte du texte et des images et génère du texte, notamment des explications, des reformulations, des classifications et des enregistrements structurés.\n\n### Une tâche répétée précise\n\nConfiez au modèle une opération définie et les critères d’un résultat utile. Pour une extraction, indiquez les champs, les unités et la convention pour les valeurs manquantes. Pour une classification, fournissez le sens des catégories et précisez la marche à suivre lorsqu’aucune ne convient. Exemple d’instruction : « Extrayez les valeurs de spécification de ce passage, préservez leurs unités et identifiez la phrase qui étaye chaque champ. »\n\nUne réponse d’assistance doit utiliser les informations fournies sur le produit ou la politique et respecter la langue exigée par l’utilisateur. Pour une question visuelle, identifiez l’image pertinente et le détail visible. Gardez le résultat suffisamment concis pour son usage ultérieur sans omettre une valeur source ou une réserve requise.\n\n### Réglages de raisonnement et contexte conservé\n\nLe fournisseur prend en charge les efforts none, low, medium, high, xhigh et max, avec medium par défaut. Standard est le mode de raisonnement par défaut, tandis que Pro est un réglage d’exécution distinct qui ajoute du travail du modèle. L’effort et le mode sont indépendants ; une tâche directe courante et une comparaison plus approfondie peuvent donc nécessiter des préparations différentes tout en conservant le même profil Luna nommé.\n\nLe guide de raisonnement indique que GPT-5.6 réintègre par défaut le raisonnement disponible des tours précédents, avec un réglage de contexte pris en charge qui sélectionne ce comportement. Cela influe sur les éléments conservés au fil d’une tâche en plusieurs étapes ; ce n’est pas une mémoire illimitée. Gardez les faits acceptés, les libellés de source et le livrable requis clairs lors des échanges suivants.\n\n### Contexte et connaissances\n\nOpenAI indique un contexte de 1 050 000 jetons, une entrée maximale de 922 000 jetons et une sortie maximale de 128 000 jetons. La date limite des connaissances documentée est le 16 février 2026. Le raisonnement et la réponse finale partagent le budget de génération, et tous les éléments de la tâche doivent tenir dans le contexte. Une requête peut se terminer avant qu’une réponse visible soit complète si ces budgets sont épuisés.\n\n### Réponses structurées et outils\n\nLa fiche du modèle mentionne Structured Outputs, la diffusion en continu et l’appel de fonctions. L’écosystème d’outils du fournisseur comprend la recherche sur le Web et dans les fichiers, les outils de génération d’images, un interpréteur de code, les opérations de ligne de commande et d’application de correctifs, les compétences, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Un enregistrement structuré doit toujours contenir des valeurs fondées sur l’entrée réelle ; la validité du JSON ne suffit pas à établir l’exactitude factuelle.\n\nUne application fournit les fonctions, effectue les opérations sélectionnées et renvoie les observations. Une recherche peut fournir un champ manquant avant que Luna ne rédige la réponse. Conservez le résultat avec sa source et son opération et distinguez une action proposée d’un travail réellement exécuté. La sortie propre du modèle est textuelle, tandis qu’une image générée par un outil constitue un livrable distinct.\n\n### Un résultat utile\n\nReliez les affirmations dépendant des sources aux documents faisant autorité et définissez quand l’opération est terminée. Un bon livrable est l’enregistrement, l’explication ou le passage révisé demandé, avec les noms obligatoires et les preuves intacts. Le rôle ciblé de Luna, sa plage d’effort prise en charge et son profil en mode standard restent distincts de Terra, de Sol, de l’exécution Pro et des versions GPT-6 ultérieures.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6a9670a5fc291850295aaf218f72ec04d1bf86a449fe462310c790630a493c85", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "openai/gpt-5.6-luna:batchGPT-5.6 Luna est le modèle ciblé d’OpenAI pour les tâches répétées à fort volume. Il accepte du texte et des images et renvoie des réponses ou des enregistrements structurés, avec un raisonnement facultatif, des outils guidés par les sources et un contexte de 1 050 000 jetons distinct de son réglage d’exécution Pro.
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 est le modèle ciblé d’OpenAI pour les tâches à fort volume de la famille GPT-5.6. Le fabricant rapproche son rôle de la catégorie de modèles plus petits utilisée dans les familles GPT-5 antérieures, tout en maintenant l’identité propre du modèle Luna. Il accepte du texte et des images et génère du texte, notamment des explications, des reformulations, des classifications et des enregistrements structurés.
Confiez au modèle une opération définie et les critères d’un résultat utile. Pour une extraction, indiquez les champs, les unités et la convention pour les valeurs manquantes. Pour une classification, fournissez le sens des catégories et précisez la marche à suivre lorsqu’aucune ne convient. Exemple d’instruction : « Extrayez les valeurs de spécification de ce passage, préservez leurs unités et identifiez la phrase qui étaye chaque champ. »
Une réponse d’assistance doit utiliser les informations fournies sur le produit ou la politique et respecter la langue exigée par l’utilisateur. Pour une question visuelle, identifiez l’image pertinente et le détail visible. Gardez le résultat suffisamment concis pour son usage ultérieur sans omettre une valeur source ou une réserve requise.
Le fournisseur prend en charge les efforts none, low, medium, high, xhigh et max, avec medium par défaut. Standard est le mode de raisonnement par défaut, tandis que Pro est un réglage d’exécution distinct qui ajoute du travail du modèle. L’effort et le mode sont indépendants ; une tâche directe courante et une comparaison plus approfondie peuvent donc nécessiter des préparations différentes tout en conservant le même profil Luna nommé.
Le guide de raisonnement indique que GPT-5.6 réintègre par défaut le raisonnement disponible des tours précédents, avec un réglage de contexte pris en charge qui sélectionne ce comportement. Cela influe sur les éléments conservés au fil d’une tâche en plusieurs étapes ; ce n’est pas une mémoire illimitée. Gardez les faits acceptés, les libellés de source et le livrable requis clairs lors des échanges suivants.
OpenAI indique un contexte de 1 050 000 jetons, une entrée maximale de 922 000 jetons et une sortie maximale de 128 000 jetons. La date limite des connaissances documentée est le 16 février 2026. Le raisonnement et la réponse finale partagent le budget de génération, et tous les éléments de la tâche doivent tenir dans le contexte. Une requête peut se terminer avant qu’une réponse visible soit complète si ces budgets sont épuisés.
La fiche du modèle mentionne Structured Outputs, la diffusion en continu et l’appel de fonctions. L’écosystème d’outils du fournisseur comprend la recherche sur le Web et dans les fichiers, les outils de génération d’images, un interpréteur de code, les opérations de ligne de commande et d’application de correctifs, les compétences, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Un enregistrement structuré doit toujours contenir des valeurs fondées sur l’entrée réelle ; la validité du JSON ne suffit pas à établir l’exactitude factuelle.
Une application fournit les fonctions, effectue les opérations sélectionnées et renvoie les observations. Une recherche peut fournir un champ manquant avant que Luna ne rédige la réponse. Conservez le résultat avec sa source et son opération et distinguez une action proposée d’un travail réellement exécuté. La sortie propre du modèle est textuelle, tandis qu’une image générée par un outil constitue un livrable distinct.
Reliez les affirmations dépendant des sources aux documents faisant autorité et définissez quand l’opération est terminée. Un bon livrable est l’enregistrement, l’explication ou le passage révisé demandé, avec les noms obligatoires et les preuves intacts. Le rôle ciblé de Luna, sa plage d’effort prise en charge et son profil en mode standard restent distincts de Terra, de Sol, de l’exécution Pro et des versions GPT-6 ultérieures.
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: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:batch, openai/gpt-5.6-luna | 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: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:batch', 'openai/gpt-5.6-luna']: 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: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:batch
Utilisez les chemins de méthode indiqués ci-dessus.