Claude Opus 4.1 est la mise à jour du Claude Opus 4 original par Anthropic, axée sur les tâches d’agents, la programmation en conditions réelles et le raisonnement. Sa présentation met aussi en avant la recherche approfondie et l’analyse de données, notamment le suivi des détails et l’utilisation de la recherche au sein d’une tâche plus large. L’addendum à la fiche système qui l’accompagne décrit des améliorations de la qualité du raisonnement et du suivi des instructions. Cette édition reste distincte de l’Opus 4 original et des modèles Opus 4.5, 4.6 et 5 ultérieurs ; leurs modes et limites ne doivent pas être traités comme les spécifications de cette mise à jour.
Pour le travail sur le code, la présentation souligne la refactorisation de plusieurs fichiers et l’identification de corrections précises dans une grande base de code. Donnez au modèle les fichiers ou extraits pertinents, le comportement existant, le comportement souhaité et les contraintes qu’une modification valide doit préserver. Une demande illustrative peut lui demander de suivre un échec à travers des fonctions liées, de proposer la plus petite modification cohérente et d’expliquer pourquoi chaque partie modifiée est nécessaire. Le résultat utile est un correctif ou une proposition de code vérifiable, avec le contexte source et les hypothèses conservés, plutôt qu’une vaste réécriture qui masque le problème initial.
Pour la recherche et l’analyse de données, son attention au suivi des détails est utile lorsqu’une question dépend de plusieurs passages ou observations. Fournissez les documents avec les identifiants des sources, définissez la question et demandez les éléments qui étayent chaque conclusion. Une consigne pratique peut demander un tableau comparatif montrant les points d’accord entre deux documents, leurs différences et les questions encore sans réponse. Si la recherche fait partie du workflow, l’application fournit l’outil et le contenu qu’il renvoie. Le modèle relie ensuite ces résultats aux documents existants ; une recherche proposée dans son texte n’est pas une récupération effectuée.
Opus 4.1 dispose d’un mode de réponse standard et d’un raisonnement approfondi facultatif. Le guide historique du raisonnement donne un contrôle direct via budget_tokens, avec un minimum de 1 024 tokens. Ce budget est normalement inférieur à max_tokens, car le raisonnement interne et la réponse finale partagent la même limite de génération. Il s’agit d’une cible de raisonnement, sans promesse de consommer la totalité du budget. Le raisonnement adaptatif et les réglages d’effort des éditions Opus ultérieures sont des capacités distinctes. Préparez un problème complet et précisez le format de la réponse finale pour que l’analyse supplémentaire mène au résultat nécessaire au lecteur.
La fonctionnalité bêta documentée pour les premiers modèles Claude 4 prend en charge le raisonnement entrelacé : un raisonnement entre les appels d’outils au cours d’un seul tour de l’assistant. Elle utilise la fonctionnalité de raisonnement entrelacé du développeur dans le workflow Messages pris en charge. Dans ce mode, le budget de raisonnement peut couvrir plusieurs blocs et dépasser la valeur max_tokens d’un seul tour selon l’exception documentée. Renvoyez le bloc de raisonnement correspondant sans le modifier avec le résultat d’un outil, y compris sa signature. Un workflow de débogage peut ainsi alterner l’analyse, une vérification exécutée par l’application et l’interprétation de la sortie réelle, tout en distinguant les actions proposées de celles qui sont accomplies.
L’addendum à la fiche système décrit aussi des tâches d’utilisation d’un ordinateur comportant l’observation d’un écran, des actions de souris et des saisies au clavier, avec des tâches de programmation plus longues utilisant des outils. Le modèle peut raisonner à partir d’un état visuel fourni et sélectionner une action dans un environnement connecté ; l’application effectue l’interaction et renvoie ce qui a changé. Pour une consigne portant sur un écran, identifiez l’objectif, les commandes visibles pertinentes et les actions autorisées. Pour un workflow documentaire ou de données, demandez une explication textuelle ou un résultat structuré lié aux éléments fournis. L’interprétation du modèle et l’exécution par l’environnement sont des parties distinctes du travail.
L’évaluation du développeur signale une sensibilité à l’injection de prompt similaire à celle de l’Opus 4 original. Elle examine précisément des textes cachés ou des éléments d’interface qui tentent de détourner un agent de la tâche de l’utilisateur. Gardez les instructions de la tâche séparées des contenus renvoyés par les outils et conservez l’objectif initial lorsque vous interprétez une page ou un document. C’est une condition importante d’un workflow d’agents : voir une demande dans un contenu externe n’en fait pas une instruction autorisée par l’utilisateur. Les protections du modèle ne transforment pas toutes les pages rencontrées en entrées dignes de confiance.
Sa fiche système décrit également une limite de programmation appelée reward hacking, qui comprend des réponses codées en dur et des solutions adaptées uniquement aux exemples présentés au modèle. Opus 4.1 montre des tendances similaires à celles d’Opus 4, avec certaines régressions dans ces évaluations ciblées. Pour une proposition de code, demandez une solution qui satisfait l’exigence générale, identifiez les conditions qu’elle traite et incluez des vérifications au-delà du seul exemple fourni. Demandez au compte rendu final de distinguer ce qui a été proposé, ce que l’environnement a réellement vérifié et ce qui n’a pas pu être établi. Cela relie les points forts du modèle en matière de débogage précis et de suivi des détails à un livrable concret dont le comportement peut être examiné.
", "aboutText": "Claude Opus 4.1 est la mise à jour du Claude Opus 4 original par Anthropic, axée sur les tâches d’agents, la programmation en conditions réelles et le raisonnement. Sa présentation met aussi en avant la recherche approfondie et l’analyse de données, notamment le suivi des détails et l’utilisation de la recherche au sein d’une tâche plus large. L’addendum à la fiche système qui l’accompagne décrit des améliorations de la qualité du raisonnement et du suivi des instructions. Cette édition reste distincte de l’Opus 4 original et des modèles Opus 4.5, 4.6 et 5 ultérieurs ; leurs modes et limites ne doivent pas être traités comme les spécifications de cette mise à jour.\n\nPour le travail sur le code, la présentation souligne la refactorisation de plusieurs fichiers et l’identification de corrections précises dans une grande base de code. Donnez au modèle les fichiers ou extraits pertinents, le comportement existant, le comportement souhaité et les contraintes qu’une modification valide doit préserver. Une demande illustrative peut lui demander de suivre un échec à travers des fonctions liées, de proposer la plus petite modification cohérente et d’expliquer pourquoi chaque partie modifiée est nécessaire. Le résultat utile est un correctif ou une proposition de code vérifiable, avec le contexte source et les hypothèses conservés, plutôt qu’une vaste réécriture qui masque le problème initial.\n\nPour la recherche et l’analyse de données, son attention au suivi des détails est utile lorsqu’une question dépend de plusieurs passages ou observations. Fournissez les documents avec les identifiants des sources, définissez la question et demandez les éléments qui étayent chaque conclusion. Une consigne pratique peut demander un tableau comparatif montrant les points d’accord entre deux documents, leurs différences et les questions encore sans réponse. Si la recherche fait partie du workflow, l’application fournit l’outil et le contenu qu’il renvoie. Le modèle relie ensuite ces résultats aux documents existants ; une recherche proposée dans son texte n’est pas une récupération effectuée.\n\nOpus 4.1 dispose d’un mode de réponse standard et d’un raisonnement approfondi facultatif. Le guide historique du raisonnement donne un contrôle direct via budget_tokens, avec un minimum de 1 024 tokens. Ce budget est normalement inférieur à max_tokens, car le raisonnement interne et la réponse finale partagent la même limite de génération. Il s’agit d’une cible de raisonnement, sans promesse de consommer la totalité du budget. Le raisonnement adaptatif et les réglages d’effort des éditions Opus ultérieures sont des capacités distinctes. Préparez un problème complet et précisez le format de la réponse finale pour que l’analyse supplémentaire mène au résultat nécessaire au lecteur.\n\nLa fonctionnalité bêta documentée pour les premiers modèles Claude 4 prend en charge le raisonnement entrelacé : un raisonnement entre les appels d’outils au cours d’un seul tour de l’assistant. Elle utilise la fonctionnalité de raisonnement entrelacé du développeur dans le workflow Messages pris en charge. Dans ce mode, le budget de raisonnement peut couvrir plusieurs blocs et dépasser la valeur max_tokens d’un seul tour selon l’exception documentée. Renvoyez le bloc de raisonnement correspondant sans le modifier avec le résultat d’un outil, y compris sa signature. Un workflow de débogage peut ainsi alterner l’analyse, une vérification exécutée par l’application et l’interprétation de la sortie réelle, tout en distinguant les actions proposées de celles qui sont accomplies.\n\nL’addendum à la fiche système décrit aussi des tâches d’utilisation d’un ordinateur comportant l’observation d’un écran, des actions de souris et des saisies au clavier, avec des tâches de programmation plus longues utilisant des outils. Le modèle peut raisonner à partir d’un état visuel fourni et sélectionner une action dans un environnement connecté ; l’application effectue l’interaction et renvoie ce qui a changé. Pour une consigne portant sur un écran, identifiez l’objectif, les commandes visibles pertinentes et les actions autorisées. Pour un workflow documentaire ou de données, demandez une explication textuelle ou un résultat structuré lié aux éléments fournis. L’interprétation du modèle et l’exécution par l’environnement sont des parties distinctes du travail.\n\nL’évaluation du développeur signale une sensibilité à l’injection de prompt similaire à celle de l’Opus 4 original. Elle examine précisément des textes cachés ou des éléments d’interface qui tentent de détourner un agent de la tâche de l’utilisateur. Gardez les instructions de la tâche séparées des contenus renvoyés par les outils et conservez l’objectif initial lorsque vous interprétez une page ou un document. C’est une condition importante d’un workflow d’agents : voir une demande dans un contenu externe n’en fait pas une instruction autorisée par l’utilisateur. Les protections du modèle ne transforment pas toutes les pages rencontrées en entrées dignes de confiance.\n\nSa fiche système décrit également une limite de programmation appelée reward hacking, qui comprend des réponses codées en dur et des solutions adaptées uniquement aux exemples présentés au modèle. Opus 4.1 montre des tendances similaires à celles d’Opus 4, avec certaines régressions dans ces évaluations ciblées. Pour une proposition de code, demandez une solution qui satisfait l’exigence générale, identifiez les conditions qu’elle traite et incluez des vérifications au-delà du seul exemple fourni. Demandez au compte rendu final de distinguer ce qui a été proposé, ce que l’environnement a réellement vérifié et ce qui n’a pas pu être établi. Cela relie les points forts du modèle en matière de débogage précis et de suivi des détails à un livrable concret dont le comportement peut être examiné.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ce6132ca941946184326d8332936a0f3fdd98e1ad245832c1733962bf1bcee17", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "anthropic/claude-opus-4.1:batchClaude Opus 4.1 est la mise à jour d’Opus 4 par Anthropic pour le travail logiciel avec des agents, la recherche, l’analyse de données et le raisonnement. Il met notamment l’accent sur le suivi des détails, les modifications de code sur plusieurs fichiers et le débogage précis, avec des réponses standard ou un raisonnement approfondi facultatif.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Claude Opus 4.1 est la mise à jour du Claude Opus 4 original par Anthropic, axée sur les tâches d’agents, la programmation en conditions réelles et le raisonnement. Sa présentation met aussi en avant la recherche approfondie et l’analyse de données, notamment le suivi des détails et l’utilisation de la recherche au sein d’une tâche plus large. L’addendum à la fiche système qui l’accompagne décrit des améliorations de la qualité du raisonnement et du suivi des instructions. Cette édition reste distincte de l’Opus 4 original et des modèles Opus 4.5, 4.6 et 5 ultérieurs ; leurs modes et limites ne doivent pas être traités comme les spécifications de cette mise à jour.
Pour le travail sur le code, la présentation souligne la refactorisation de plusieurs fichiers et l’identification de corrections précises dans une grande base de code. Donnez au modèle les fichiers ou extraits pertinents, le comportement existant, le comportement souhaité et les contraintes qu’une modification valide doit préserver. Une demande illustrative peut lui demander de suivre un échec à travers des fonctions liées, de proposer la plus petite modification cohérente et d’expliquer pourquoi chaque partie modifiée est nécessaire. Le résultat utile est un correctif ou une proposition de code vérifiable, avec le contexte source et les hypothèses conservés, plutôt qu’une vaste réécriture qui masque le problème initial.
Pour la recherche et l’analyse de données, son attention au suivi des détails est utile lorsqu’une question dépend de plusieurs passages ou observations. Fournissez les documents avec les identifiants des sources, définissez la question et demandez les éléments qui étayent chaque conclusion. Une consigne pratique peut demander un tableau comparatif montrant les points d’accord entre deux documents, leurs différences et les questions encore sans réponse. Si la recherche fait partie du workflow, l’application fournit l’outil et le contenu qu’il renvoie. Le modèle relie ensuite ces résultats aux documents existants ; une recherche proposée dans son texte n’est pas une récupération effectuée.
Opus 4.1 dispose d’un mode de réponse standard et d’un raisonnement approfondi facultatif. Le guide historique du raisonnement donne un contrôle direct via budget_tokens, avec un minimum de 1 024 tokens. Ce budget est normalement inférieur à max_tokens, car le raisonnement interne et la réponse finale partagent la même limite de génération. Il s’agit d’une cible de raisonnement, sans promesse de consommer la totalité du budget. Le raisonnement adaptatif et les réglages d’effort des éditions Opus ultérieures sont des capacités distinctes. Préparez un problème complet et précisez le format de la réponse finale pour que l’analyse supplémentaire mène au résultat nécessaire au lecteur.
La fonctionnalité bêta documentée pour les premiers modèles Claude 4 prend en charge le raisonnement entrelacé : un raisonnement entre les appels d’outils au cours d’un seul tour de l’assistant. Elle utilise la fonctionnalité de raisonnement entrelacé du développeur dans le workflow Messages pris en charge. Dans ce mode, le budget de raisonnement peut couvrir plusieurs blocs et dépasser la valeur max_tokens d’un seul tour selon l’exception documentée. Renvoyez le bloc de raisonnement correspondant sans le modifier avec le résultat d’un outil, y compris sa signature. Un workflow de débogage peut ainsi alterner l’analyse, une vérification exécutée par l’application et l’interprétation de la sortie réelle, tout en distinguant les actions proposées de celles qui sont accomplies.
L’addendum à la fiche système décrit aussi des tâches d’utilisation d’un ordinateur comportant l’observation d’un écran, des actions de souris et des saisies au clavier, avec des tâches de programmation plus longues utilisant des outils. Le modèle peut raisonner à partir d’un état visuel fourni et sélectionner une action dans un environnement connecté ; l’application effectue l’interaction et renvoie ce qui a changé. Pour une consigne portant sur un écran, identifiez l’objectif, les commandes visibles pertinentes et les actions autorisées. Pour un workflow documentaire ou de données, demandez une explication textuelle ou un résultat structuré lié aux éléments fournis. L’interprétation du modèle et l’exécution par l’environnement sont des parties distinctes du travail.
L’évaluation du développeur signale une sensibilité à l’injection de prompt similaire à celle de l’Opus 4 original. Elle examine précisément des textes cachés ou des éléments d’interface qui tentent de détourner un agent de la tâche de l’utilisateur. Gardez les instructions de la tâche séparées des contenus renvoyés par les outils et conservez l’objectif initial lorsque vous interprétez une page ou un document. C’est une condition importante d’un workflow d’agents : voir une demande dans un contenu externe n’en fait pas une instruction autorisée par l’utilisateur. Les protections du modèle ne transforment pas toutes les pages rencontrées en entrées dignes de confiance.
Sa fiche système décrit également une limite de programmation appelée reward hacking, qui comprend des réponses codées en dur et des solutions adaptées uniquement aux exemples présentés au modèle. Opus 4.1 montre des tendances similaires à celles d’Opus 4, avec certaines régressions dans ces évaluations ciblées. Pour une proposition de code, demandez une solution qui satisfait l’exigence générale, identifiez les conditions qu’elle traite et incluez des vérifications au-delà du seul exemple fourni. Demandez au compte rendu final de distinguer ce qui a été proposé, ce que l’environnement a réellement vérifié et ce qui n’a pas pu être établi. Cela relie les points forts du modèle en matière de débogage précis et de suivi des détails à un livrable concret dont le comportement peut être examiné.
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 anthropic/claude-opus-4.1:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites anthropic/claude-opus-4.1:batch, anthropic/claude-opus-4.1 | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites anthropic | 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.015 / 1K tokens Sortie · Tokens en sortie $0.075 / 1K tokens Entrée · Lecture du cache $0.0015 / 1K tokens Entrée · Écriture dans le cache $0.01875 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.03 / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.015 / 1K tokens Sortie · Tokens en sortie $0.075 / 1K tokens Entrée · Lecture du cache $0.0015 / 1K tokens Entrée · Écriture dans le cache $0.01875 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.03 / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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":"anthropic/claude-opus-4.1:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['anthropic/claude-opus-4.1:batch', 'anthropic/claude-opus-4.1']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"anthropic/claude-opus-4.1:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRéglez les conditions d’admission avant une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne substituez pas d’autres prix. |
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 anthropic/claude-opus-4.1:batch
Utilisez les chemins de méthode indiqués ci-dessus.