o3-pro est l’édition o3 distincte d’OpenAI qui utilise davantage de calcul pour le raisonnement difficile. La série o est entraînée par apprentissage par renforcement pour traiter un problème avant de répondre. Ce modèle accepte du texte et des images et produit du texte, en distinguant l’édition Pro du modèle o3 standard et des réglages ultérieurs de mode d’exécution Pro.
Un usage pratique est une question technique comportant plusieurs conditions dépendantes. Fournissez le problème complet, les éléments disponibles et les critères de choix d’une approche. Une tâche illustrative peut comparer des implémentations dont le comportement dépend d’hypothèses différentes, puis produire une recommandation qui rend ces dépendances explicites. Une demande mathématique doit de même préciser le domaine, les conditions connues et la forme requise de la réponse.
Pour les éléments visuels, fournissez un schéma, une capture d’écran ou une autre image claire et identifiez le détail qui influence la question. Ajoutez le contexte écrit que l’image n’établit pas à elle seule. Demandez un résultat utile, comme une explication, une solution proposée, un plan ou un ensemble de constats. Cela relie le travail de raisonnement supplémentaire du modèle à une question et à un livrable précis.
OpenAI indique une fenêtre de contexte de 200 000 jetons, une sortie maximale de 100 000 jetons et une date limite de connaissances au 1er juin 2024. Le raisonnement occupe de l’espace avec l’entrée et la réponse visible. Le développeur documente o3-pro via Responses pour des interactions avec le modèle en plusieurs échanges avant la réponse finale, Batch étant également répertorié dans la spécification. Les demandes difficiles peuvent prendre plusieurs minutes, et le développeur recommande l’exécution en arrière-plan pour les tâches longues.
La fiche native du modèle confirme que la diffusion en continu n’est pas prise en charge, tandis que les appels de fonctions et Structured Outputs le sont. Les outils documentés comprennent les fonctions, la recherche dans les fichiers et sur le Web, les outils de génération d’images et les connexions MCP. Une application expose ses opérations, exécute ses actions et fournit les résultats réels. Le suivi de l’état en arrière-plan et la récupération du résultat sont distincts d’un flux de jetons de réponse.
Définissez le critère d’achèvement avant la requête. Pour l’analyse, demandez de garder distincts les faits fournis, la conclusion et les conditions non résolues. Pour une modification proposée, identifiez le comportement attendu et les éléments nécessaires à sa vérification. Une réponse finale utile relie les choix importants à la question initiale et distingue une action d’outil proposée d’une opération déjà effectuée dans l’environnement.
", "aboutText": "o3-pro est l’édition o3 distincte d’OpenAI qui utilise davantage de calcul pour le raisonnement difficile. La série o est entraînée par apprentissage par renforcement pour traiter un problème avant de répondre. Ce modèle accepte du texte et des images et produit du texte, en distinguant l’édition Pro du modèle o3 standard et des réglages ultérieurs de mode d’exécution Pro.\n\nUn usage pratique est une question technique comportant plusieurs conditions dépendantes. Fournissez le problème complet, les éléments disponibles et les critères de choix d’une approche. Une tâche illustrative peut comparer des implémentations dont le comportement dépend d’hypothèses différentes, puis produire une recommandation qui rend ces dépendances explicites. Une demande mathématique doit de même préciser le domaine, les conditions connues et la forme requise de la réponse.\n\nPour les éléments visuels, fournissez un schéma, une capture d’écran ou une autre image claire et identifiez le détail qui influence la question. Ajoutez le contexte écrit que l’image n’établit pas à elle seule. Demandez un résultat utile, comme une explication, une solution proposée, un plan ou un ensemble de constats. Cela relie le travail de raisonnement supplémentaire du modèle à une question et à un livrable précis.\n\nOpenAI indique une fenêtre de contexte de 200 000 jetons, une sortie maximale de 100 000 jetons et une date limite de connaissances au 1er juin 2024. Le raisonnement occupe de l’espace avec l’entrée et la réponse visible. Le développeur documente o3-pro via Responses pour des interactions avec le modèle en plusieurs échanges avant la réponse finale, Batch étant également répertorié dans la spécification. Les demandes difficiles peuvent prendre plusieurs minutes, et le développeur recommande l’exécution en arrière-plan pour les tâches longues.\n\nLa fiche native du modèle confirme que la diffusion en continu n’est pas prise en charge, tandis que les appels de fonctions et Structured Outputs le sont. Les outils documentés comprennent les fonctions, la recherche dans les fichiers et sur le Web, les outils de génération d’images et les connexions MCP. Une application expose ses opérations, exécute ses actions et fournit les résultats réels. Le suivi de l’état en arrière-plan et la récupération du résultat sont distincts d’un flux de jetons de réponse.\n\nDéfinissez le critère d’achèvement avant la requête. Pour l’analyse, demandez de garder distincts les faits fournis, la conclusion et les conditions non résolues. Pour une modification proposée, identifiez le comportement attendu et les éléments nécessaires à sa vérification. Une réponse finale utile relie les choix importants à la question initiale et distingue une action d’outil proposée d’une opération déjà effectuée dans l’environnement.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.openai/o3-proL’édition distincte o3-pro utilise davantage de calcul pour le raisonnement difficile. Elle accepte du texte et des images et renvoie du texte, avec les appels de fonctions et Structured Outputs ; le flux de travail du développeur utilise Responses et ne prend pas en charge la diffusion en continu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
o3-pro est l’édition o3 distincte d’OpenAI qui utilise davantage de calcul pour le raisonnement difficile. La série o est entraînée par apprentissage par renforcement pour traiter un problème avant de répondre. Ce modèle accepte du texte et des images et produit du texte, en distinguant l’édition Pro du modèle o3 standard et des réglages ultérieurs de mode d’exécution Pro.
Un usage pratique est une question technique comportant plusieurs conditions dépendantes. Fournissez le problème complet, les éléments disponibles et les critères de choix d’une approche. Une tâche illustrative peut comparer des implémentations dont le comportement dépend d’hypothèses différentes, puis produire une recommandation qui rend ces dépendances explicites. Une demande mathématique doit de même préciser le domaine, les conditions connues et la forme requise de la réponse.
Pour les éléments visuels, fournissez un schéma, une capture d’écran ou une autre image claire et identifiez le détail qui influence la question. Ajoutez le contexte écrit que l’image n’établit pas à elle seule. Demandez un résultat utile, comme une explication, une solution proposée, un plan ou un ensemble de constats. Cela relie le travail de raisonnement supplémentaire du modèle à une question et à un livrable précis.
OpenAI indique une fenêtre de contexte de 200 000 jetons, une sortie maximale de 100 000 jetons et une date limite de connaissances au 1er juin 2024. Le raisonnement occupe de l’espace avec l’entrée et la réponse visible. Le développeur documente o3-pro via Responses pour des interactions avec le modèle en plusieurs échanges avant la réponse finale, Batch étant également répertorié dans la spécification. Les demandes difficiles peuvent prendre plusieurs minutes, et le développeur recommande l’exécution en arrière-plan pour les tâches longues.
La fiche native du modèle confirme que la diffusion en continu n’est pas prise en charge, tandis que les appels de fonctions et Structured Outputs le sont. Les outils documentés comprennent les fonctions, la recherche dans les fichiers et sur le Web, les outils de génération d’images et les connexions MCP. Une application expose ses opérations, exécute ses actions et fournit les résultats réels. Le suivi de l’état en arrière-plan et la récupération du résultat sont distincts d’un flux de jetons de réponse.
Définissez le critère d’achèvement avant la requête. Pour l’analyse, demandez de garder distincts les faits fournis, la conclusion et les conditions non résolues. Pour une modification proposée, identifiez le comportement attendu et les éléments nécessaires à sa vérification. Une réponse finale utile relie les choix importants à la question initiale et distingue une action d’outil proposée d’une opération déjà effectuée dans l’environnement.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/o3-pro | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: Fonction fournie comme outil | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | ContratTableau de messages avec une structure role/content |
Paramètrefile_material | ContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | ContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’ID exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objet fichier nécessitent une liaison exacte.
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 $0.04 / 1K jetons Sortie · Jetons en sortie $0.16 / 1K jetons Entrée · Lecture du cache — / 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 $0.04 / 1K jetons Sortie · Jetons en sortie $0.16 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/o3-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/o3-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra openai/o3-pro
Utilisez les chemins de méthode indiqués ci-dessus.
openai/o3-proL’édition distincte o3-pro utilise davantage de calcul pour le raisonnement difficile. Elle accepte du texte et des images et renvoie du texte, avec les appels de fonctions et Structured Outputs ; le flux de travail du développeur utilise Responses et ne prend pas en charge la diffusion en continu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
o3-pro est l’édition o3 distincte d’OpenAI qui utilise davantage de calcul pour le raisonnement difficile. La série o est entraînée par apprentissage par renforcement pour traiter un problème avant de répondre. Ce modèle accepte du texte et des images et produit du texte, en distinguant l’édition Pro du modèle o3 standard et des réglages ultérieurs de mode d’exécution Pro.
Un usage pratique est une question technique comportant plusieurs conditions dépendantes. Fournissez le problème complet, les éléments disponibles et les critères de choix d’une approche. Une tâche illustrative peut comparer des implémentations dont le comportement dépend d’hypothèses différentes, puis produire une recommandation qui rend ces dépendances explicites. Une demande mathématique doit de même préciser le domaine, les conditions connues et la forme requise de la réponse.
Pour les éléments visuels, fournissez un schéma, une capture d’écran ou une autre image claire et identifiez le détail qui influence la question. Ajoutez le contexte écrit que l’image n’établit pas à elle seule. Demandez un résultat utile, comme une explication, une solution proposée, un plan ou un ensemble de constats. Cela relie le travail de raisonnement supplémentaire du modèle à une question et à un livrable précis.
OpenAI indique une fenêtre de contexte de 200 000 jetons, une sortie maximale de 100 000 jetons et une date limite de connaissances au 1er juin 2024. Le raisonnement occupe de l’espace avec l’entrée et la réponse visible. Le développeur documente o3-pro via Responses pour des interactions avec le modèle en plusieurs échanges avant la réponse finale, Batch étant également répertorié dans la spécification. Les demandes difficiles peuvent prendre plusieurs minutes, et le développeur recommande l’exécution en arrière-plan pour les tâches longues.
La fiche native du modèle confirme que la diffusion en continu n’est pas prise en charge, tandis que les appels de fonctions et Structured Outputs le sont. Les outils documentés comprennent les fonctions, la recherche dans les fichiers et sur le Web, les outils de génération d’images et les connexions MCP. Une application expose ses opérations, exécute ses actions et fournit les résultats réels. Le suivi de l’état en arrière-plan et la récupération du résultat sont distincts d’un flux de jetons de réponse.
Définissez le critère d’achèvement avant la requête. Pour l’analyse, demandez de garder distincts les faits fournis, la conclusion et les conditions non résolues. Pour une modification proposée, identifiez le comportement attendu et les éléments nécessaires à sa vérification. Une réponse finale utile relie les choix importants à la question initiale et distingue une action d’outil proposée d’une opération déjà effectuée dans l’environnement.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/o3-pro | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
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 $0.04 / 1K jetons Sortie · Jetons en sortie $0.16 / 1K jetons Entrée · Lecture du cache — / 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 $0.04 / 1K jetons Sortie · Jetons en sortie $0.16 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "openai/o3-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/o3-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/o3-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra openai/o3-pro
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.