OpenAI o3-mini est un modèle de raisonnement plus petit de la série o, axé sur la résolution de problèmes techniques, notamment en sciences, en mathématiques et en programmation. Il accepte du texte et produit du texte, avec un raisonnement interne supplémentaire avant la réponse visible. Utilisez-le pour un problème mathématique clairement énoncé, une analyse algorithmique, une révision de code ou une comparaison technique dont la conclusion dépend de plusieurs conditions. L’effort de raisonnement peut être configuré pour l’édition de base o3-mini ; un préréglage o3-mini High sélectionne un effort élevé plutôt que des poids de modèle distincts.
Le développeur documente les niveaux d’effort de raisonnement low, medium et high. Davantage d’effort peut servir un problème exigeant et demander plus de temps de génération, tout en permettant une réponse visible concise. Donnez au modèle la tâche, les contraintes et le contrat de sortie au lieu d’imposer une longue chaîne de pensées intermédiaires. Pour un problème algorithmique, fournissez les limites des entrées, le comportement requis et les cas qui déterminent la justesse. Pour les mathématiques, définissez les variables, les domaines, la notation et le résultat requis.
OpenAI indique une fenêtre de contexte de 200 000 jetons, un budget maximal de sortie de 100 000 jetons et une date limite de connaissances au 1er octobre 2023. Les jetons de raisonnement consomment le contexte disponible et le budget de sortie générée avant la réponse finale ; le maximum ne promet donc pas autant de jetons de réponse visible. Laissez de la place pour l’analyse et le résultat demandé. Une requête peut épuiser sa limite de jetons générés avant de renvoyer un texte visible utile si le budget est trop petit pour le problème.
La modalité d’entrée native est textuelle, sans capacité visuelle. Si une tâche provient d’un schéma ou d’une capture d’écran, fournissez ses conditions pertinentes par écrit. Le développeur répertorie l’envoi de fichiers et la recherche dans les fichiers dans les flux de travail assistés par des outils, qui peuvent fournir des contenus textuels pertinents sans modifier la modalité native du modèle. Identifiez les passages sources ou contenus de fichiers nécessaires à la réponse au lieu de supposer que chaque pièce jointe apporte automatiquement des éléments utiles.
Le modèle prend en charge Structured Outputs, les appels de fonctions et la diffusion en continu, et la fiche du développeur répertorie les interfaces Responses, Chat Completions, Assistants et Batch. Pour une tâche structurée, précisez les champs requis et la représentation des informations manquantes. Dans un flux de travail d’outils, le modèle propose une fonction et des arguments ; l’application exécute l’action et renvoie l’observation réelle. Distinguez une opération proposée d’une opération dont le résultat a été reçu.
Les outils actuellement répertoriés par le développeur comprennent aussi la recherche dans les fichiers, l’interprétation de code, les connexions MCP et les outils de génération d’images. Ces outils configurés ont leurs propres opérations ; ils ne transforment pas la réponse textuelle directe d’o3-mini en une sortie native d’image ou d’audio. Pour une tâche de programmation, fournissez le code, l’échec observé et les exigences, puis demandez une modification proposée avec une explication des cas qu’elle traite. Si des résultats d’exécution sont disponibles, fournissez-les comme éléments probants pour la révision suivante, au lieu de considérer du code non exécuté comme un résultat accompli.
Un livrable final utile peut être une formule, une comparaison justifiée, une proposition de code ou un résultat technique structuré qui relie sa conclusion aux conditions initiales. Pour une demande ultérieure, précisez les nouveaux éléments et la partie de la réponse à réviser. Conservez la conversation pertinente et les observations des outils pour que la réponse suivante puisse travailler à partir de résultats réels. Ce modèle de raisonnement compact est pratique lorsque la tâche demande une analyse, des contraintes claires et un livrable textuel ciblé, plutôt que des hypothèses non étayées sur des actions externes.
", "aboutText": "OpenAI o3-mini est un modèle de raisonnement plus petit de la série o, axé sur la résolution de problèmes techniques, notamment en sciences, en mathématiques et en programmation. Il accepte du texte et produit du texte, avec un raisonnement interne supplémentaire avant la réponse visible. Utilisez-le pour un problème mathématique clairement énoncé, une analyse algorithmique, une révision de code ou une comparaison technique dont la conclusion dépend de plusieurs conditions. L’effort de raisonnement peut être configuré pour l’édition de base o3-mini ; un préréglage o3-mini High sélectionne un effort élevé plutôt que des poids de modèle distincts.\n\nLe développeur documente les niveaux d’effort de raisonnement low, medium et high. Davantage d’effort peut servir un problème exigeant et demander plus de temps de génération, tout en permettant une réponse visible concise. Donnez au modèle la tâche, les contraintes et le contrat de sortie au lieu d’imposer une longue chaîne de pensées intermédiaires. Pour un problème algorithmique, fournissez les limites des entrées, le comportement requis et les cas qui déterminent la justesse. Pour les mathématiques, définissez les variables, les domaines, la notation et le résultat requis.\n\nOpenAI indique une fenêtre de contexte de 200 000 jetons, un budget maximal de sortie de 100 000 jetons et une date limite de connaissances au 1er octobre 2023. Les jetons de raisonnement consomment le contexte disponible et le budget de sortie générée avant la réponse finale ; le maximum ne promet donc pas autant de jetons de réponse visible. Laissez de la place pour l’analyse et le résultat demandé. Une requête peut épuiser sa limite de jetons générés avant de renvoyer un texte visible utile si le budget est trop petit pour le problème.\n\nLa modalité d’entrée native est textuelle, sans capacité visuelle. Si une tâche provient d’un schéma ou d’une capture d’écran, fournissez ses conditions pertinentes par écrit. Le développeur répertorie l’envoi de fichiers et la recherche dans les fichiers dans les flux de travail assistés par des outils, qui peuvent fournir des contenus textuels pertinents sans modifier la modalité native du modèle. Identifiez les passages sources ou contenus de fichiers nécessaires à la réponse au lieu de supposer que chaque pièce jointe apporte automatiquement des éléments utiles.\n\nLe modèle prend en charge Structured Outputs, les appels de fonctions et la diffusion en continu, et la fiche du développeur répertorie les interfaces Responses, Chat Completions, Assistants et Batch. Pour une tâche structurée, précisez les champs requis et la représentation des informations manquantes. Dans un flux de travail d’outils, le modèle propose une fonction et des arguments ; l’application exécute l’action et renvoie l’observation réelle. Distinguez une opération proposée d’une opération dont le résultat a été reçu.\n\nLes outils actuellement répertoriés par le développeur comprennent aussi la recherche dans les fichiers, l’interprétation de code, les connexions MCP et les outils de génération d’images. Ces outils configurés ont leurs propres opérations ; ils ne transforment pas la réponse textuelle directe d’o3-mini en une sortie native d’image ou d’audio. Pour une tâche de programmation, fournissez le code, l’échec observé et les exigences, puis demandez une modification proposée avec une explication des cas qu’elle traite. Si des résultats d’exécution sont disponibles, fournissez-les comme éléments probants pour la révision suivante, au lieu de considérer du code non exécuté comme un résultat accompli.\n\nUn livrable final utile peut être une formule, une comparaison justifiée, une proposition de code ou un résultat technique structuré qui relie sa conclusion aux conditions initiales. Pour une demande ultérieure, précisez les nouveaux éléments et la partie de la réponse à réviser. Conservez la conversation pertinente et les observations des outils pour que la réponse suivante puisse travailler à partir de résultats réels. Ce modèle de raisonnement compact est pratique lorsque la tâche demande une analyse, des contraintes claires et un livrable textuel ciblé, plutôt que des hypothèses non étayées sur des actions externes.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "509e22169761a80bdb2955b8ca2988cf3adfc6deb8fa2c53b6ceba8095452b43", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "openai/o3-mini:batchOpenAI o3-mini est un modèle de raisonnement textuel pour les sciences, les mathématiques et la programmation. Il propose les niveaux d’effort de raisonnement low, medium et high, un contexte de 200K, des sorties structurées et des flux de travail assistés par des outils, avec un budget maximal de sortie générée de 100K jetons.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
OpenAI o3-mini est un modèle de raisonnement plus petit de la série o, axé sur la résolution de problèmes techniques, notamment en sciences, en mathématiques et en programmation. Il accepte du texte et produit du texte, avec un raisonnement interne supplémentaire avant la réponse visible. Utilisez-le pour un problème mathématique clairement énoncé, une analyse algorithmique, une révision de code ou une comparaison technique dont la conclusion dépend de plusieurs conditions. L’effort de raisonnement peut être configuré pour l’édition de base o3-mini ; un préréglage o3-mini High sélectionne un effort élevé plutôt que des poids de modèle distincts.
Le développeur documente les niveaux d’effort de raisonnement low, medium et high. Davantage d’effort peut servir un problème exigeant et demander plus de temps de génération, tout en permettant une réponse visible concise. Donnez au modèle la tâche, les contraintes et le contrat de sortie au lieu d’imposer une longue chaîne de pensées intermédiaires. Pour un problème algorithmique, fournissez les limites des entrées, le comportement requis et les cas qui déterminent la justesse. Pour les mathématiques, définissez les variables, les domaines, la notation et le résultat requis.
OpenAI indique une fenêtre de contexte de 200 000 jetons, un budget maximal de sortie de 100 000 jetons et une date limite de connaissances au 1er octobre 2023. Les jetons de raisonnement consomment le contexte disponible et le budget de sortie générée avant la réponse finale ; le maximum ne promet donc pas autant de jetons de réponse visible. Laissez de la place pour l’analyse et le résultat demandé. Une requête peut épuiser sa limite de jetons générés avant de renvoyer un texte visible utile si le budget est trop petit pour le problème.
La modalité d’entrée native est textuelle, sans capacité visuelle. Si une tâche provient d’un schéma ou d’une capture d’écran, fournissez ses conditions pertinentes par écrit. Le développeur répertorie l’envoi de fichiers et la recherche dans les fichiers dans les flux de travail assistés par des outils, qui peuvent fournir des contenus textuels pertinents sans modifier la modalité native du modèle. Identifiez les passages sources ou contenus de fichiers nécessaires à la réponse au lieu de supposer que chaque pièce jointe apporte automatiquement des éléments utiles.
Le modèle prend en charge Structured Outputs, les appels de fonctions et la diffusion en continu, et la fiche du développeur répertorie les interfaces Responses, Chat Completions, Assistants et Batch. Pour une tâche structurée, précisez les champs requis et la représentation des informations manquantes. Dans un flux de travail d’outils, le modèle propose une fonction et des arguments ; l’application exécute l’action et renvoie l’observation réelle. Distinguez une opération proposée d’une opération dont le résultat a été reçu.
Les outils actuellement répertoriés par le développeur comprennent aussi la recherche dans les fichiers, l’interprétation de code, les connexions MCP et les outils de génération d’images. Ces outils configurés ont leurs propres opérations ; ils ne transforment pas la réponse textuelle directe d’o3-mini en une sortie native d’image ou d’audio. Pour une tâche de programmation, fournissez le code, l’échec observé et les exigences, puis demandez une modification proposée avec une explication des cas qu’elle traite. Si des résultats d’exécution sont disponibles, fournissez-les comme éléments probants pour la révision suivante, au lieu de considérer du code non exécuté comme un résultat accompli.
Un livrable final utile peut être une formule, une comparaison justifiée, une proposition de code ou un résultat technique structuré qui relie sa conclusion aux conditions initiales. Pour une demande ultérieure, précisez les nouveaux éléments et la partie de la réponse à réviser. Conservez la conversation pertinente et les observations des outils pour que la réponse suivante puisse travailler à partir de résultats réels. Ce modèle de raisonnement compact est pratique lorsque la tâche demande une analyse, des contraintes claires et un livrable textuel ciblé, plutôt que des hypothèses non étayées sur des actions externes.
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/o3-mini: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/o3-mini:batch, openai/o3-mini | 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 $0.0011 / 1K jetons Sortie · Jetons en sortie $0.0044 / 1K jetons Entrée · Lecture du cache $0.00055 / 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 $0.0011 / 1K jetons Sortie · Jetons en sortie $0.0044 / 1K jetons Entrée · Lecture du cache $0.00055 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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/o3-mini: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/o3-mini:batch', 'openai/o3-mini']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/o3-mini: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/o3-mini:batch
Utilisez les chemins de méthode indiqués ci-dessus.