GPT-5.6 Luna est le membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.
Pour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.
Une tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.
OpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.
Le modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.
Le fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.
OpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.
Conservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.
", "aboutText": "GPT-5.6 Luna est le membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.\n\n### Des tâches répétées avec des consignes cohérentes\n\nPour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.\n\nUne tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.\n\n### Raisonnement et forme de la sortie\n\nOpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.\n\nLe modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.\n\n### Contexte et capacités d’intégration\n\nLe fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.\n\nOpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.\n\nConservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a support follow-up record\n\nExtract a follow-up record from this message: 'I am Noor, order N48. The blue mug arrived chipped yesterday. A replacement would be fine; mornings are best for contact.' Return customer name, order ID, item, reported problem, requested resolution and contact preference. Mark any delivery address or phone number as not supplied.A compact named-field record preserving source wording and marking absent contact details.Check that the requested replacement is recorded without claiming one was already dispatched.gpt-5.6-lunaGPT-5.6 Luna est le modèle d’OpenAI pour le dialogue à fort volume, la classification et les tâches ciblées d’agents. Il accepte du texte et des images pour produire des réponses textuelles, avec des contrôles de raisonnement, l’appel de fonctions, les sorties structurées et une fenêtre de contexte de 1 050 000 tokens.
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 membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.
Pour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.
Une tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.
OpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.
Le modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.
Le fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.
OpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.
Conservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.
POST /v1/messagestext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-5.6-luna | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring|content_block[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsystem | Typestring|content_block[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 La limite s’applique à: plafond exact du modèle ou de la fiche sélectionnés | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop_sequences | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].name | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: outil fourni | Par défaut— |
Champtools[].description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].input_schema | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.type | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champthinking.budget_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champoutput_config.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champcache_control | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
messages[].content ou bloc type=text
Texte + image
{type:image,source:{type:base64,media_type,data}} ou source type=url
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext, image |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | Contratcontenu UTF-8 réel inséré sous forme de texte ; les identifiants de fichiers et les URLs nécessitent une prise en charge exacte distincte |
Cycle de vie : exact retained published method
Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
POST /v1/messages| Taille de la requête, en tokens | Entrée | Sortie | Lecture du cache | Écriture dans le cache | Cache 5 min | Cache 1 h |
|---|---|---|---|---|---|---|
| Taille de la requête, en tokens(0; 272'000] | Entrée0.0002 USD | Sortie0.0012 USD | Lecture du cache0.00002 USD | Écriture dans le cache0.00025 USD | Cache 5 min0.00025 USD | Cache 1 hTarif de base : — |
| Taille de la requête, en tokens(272'000; ∞) | Entrée0.0004 USD | Sortie0.0018 USD | Lecture du cache0.00004 USD | Écriture dans le cache0.0005 USD | Cache 5 min0.0005 USD | Cache 1 hTarif de base : — |
Tarifs en USD par 1K tokens. Si aucun tarif n’est défini, le tarif de base de cette méthode est hérité ; «—» signifie qu’aucun tarif de base n’est défini.
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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot 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 |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationOpenAI Chat · Palier 2 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Palier 2 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gpt-5.6-luna",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gpt-5.6-luna",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='gpt-5.6-luna',max_tokens=1024,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_message()\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 tous les blocs de contenu, les signatures de raisonnement et les identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
gpt-5.6-lunaGPT-5.6 Luna est le modèle d’OpenAI pour le dialogue à fort volume, la classification et les tâches ciblées d’agents. Il accepte du texte et des images pour produire des réponses textuelles, avec des contrôles de raisonnement, l’appel de fonctions, les sorties structurées et une fenêtre de contexte de 1 050 000 tokens.
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 membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.
Pour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.
Une tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.
OpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.
Le modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.
Le fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.
OpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.
Conservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.
POST /v1/responsestext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-5.6-luna | Par défaut— |
Champinput | Typestring|input_item[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].type | Typestring | ExigenceFacultatif | Valeurs et limites message, reasoning, function_call, function_call_output | Par défaut— |
Champinput[].content | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champinput[].call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output ; conservez le call_id réellement renvoyé | Par défaut— |
Champinput[].output | Typestring|content_part[] | ExigenceFacultatif | Valeurs et limites S’applique lorsque: function_call_output | Par défaut— |
Champmax_output_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typetool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | 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— |
Champreasoning.effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning.summary | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtext.verbosity | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinclude | Typestring[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstore | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprevious_response_id | Typestring | ExigenceFacultatif | Valeurs et limites Exigence relative à l’ID: Uniquement un identifiant de réponse réel issu d’une continuation prise en charge Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_key | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Texte · Texte UTF8
texte d’entrée ou partie input_text
Texte + image
{type:input_image,image_url}
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext, image |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | Contratcontenu UTF-8 réel inséré sous forme de texte ; les identifiants de fichiers et les URLs nécessitent une prise en charge exacte distincte |
Cycle de vie : exact retained published method
Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
POST /v1/responses| Taille de la requête, en tokens | Entrée | Sortie | Lecture du cache | Écriture dans le cache | Cache 5 min | Cache 1 h |
|---|---|---|---|---|---|---|
| Taille de la requête, en tokens(0; 272'000] | Entrée0.0002 USD | Sortie0.0012 USD | Lecture du cache0.00002 USD | Écriture dans le cache0.00025 USD | Cache 5 min0.00025 USD | Cache 1 hTarif de base : — |
| Taille de la requête, en tokens(272'000; ∞) | Entrée0.0004 USD | Sortie0.0018 USD | Lecture du cache0.00004 USD | Écriture dans le cache0.0005 USD | Cache 5 min0.0005 USD | Cache 1 hTarif de base : — |
Tarifs en USD par 1K tokens. Si aucun tarif n’est défini, le tarif de base de cette méthode est hérité ; «—» signifie qu’aucun tarif de base n’est défini.
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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot 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 |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationOpenAI Chat · Palier 2 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Palier 2 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="gpt-5.6-luna", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "gpt-5.6-luna", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="gpt-5.6-luna", input="Explain the difference between an observation and a hypothesis 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_response()\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 élément de sortie et chaque partie de contenu, le call_id réel de l’appel de fonction, le raisonnement chiffré et les données d’utilisation. En streaming, conservez l’identité complète des événements et des éléments.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champstatus | Typestring |
Champoutput[] | Typemessage|reasoning|function_call|other item |
Champoutput[].content[] | Typecontent part |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
gpt-5.6-lunaGPT-5.6 Luna est le modèle d’OpenAI pour le dialogue à fort volume, la classification et les tâches ciblées d’agents. Il accepte du texte et des images pour produire des réponses textuelles, avec des contrôles de raisonnement, l’appel de fonctions, les sorties structurées et une fenêtre de contexte de 1 050 000 tokens.
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 membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.
Pour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.
Une tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.
OpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.
Le modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.
Le fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.
OpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.
Conservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.
POST /v1/chat/completionstext, imagetext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-5.6-luna | 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’identifiant 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 Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | 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— |
Texte · Texte UTF8
messages[].content
Texte + image
{type:image_url,image_url:{url,detail}}
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext, image |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Paramètretext_file_material | Contratcontenu UTF-8 réel inséré sous forme de texte ; les identifiants de fichiers et les URLs nécessitent une prise en charge exacte distincte |
Cycle de vie : exact retained published method
Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
POST /v1/chat/completions| Taille de la requête, en tokens | Entrée | Sortie | Lecture du cache | Écriture dans le cache | Cache 5 min | Cache 1 h |
|---|---|---|---|---|---|---|
| Taille de la requête, en tokens(0; 272'000] | Entrée0.0002 USD | Sortie0.0012 USD | Lecture du cache0.00002 USD | Écriture dans le cache0.00025 USD | Cache 5 min0.00025 USD | Cache 1 hTarif de base : — |
| Taille de la requête, en tokens(272'000; ∞) | Entrée0.0004 USD | Sortie0.0018 USD | Lecture du cache0.00004 USD | Écriture dans le cache0.0005 USD | Cache 5 min0.0005 USD | Cache 1 hTarif de base : — |
Tarifs en USD par 1K tokens. Si aucun tarif n’est défini, le tarif de base de cette méthode est hérité ; «—» signifie qu’aucun tarif de base n’est défini.
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 →
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot 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 |
|---|---|---|---|---|
| ConfigurationOpenAI Chat · Tarifs de base des jetons | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationOpenAI Chat · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationOpenAI Chat · Palier 2 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Tarifs de base des jetons | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Palier 1 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationAnthropic Messages · Palier 2 selon la longueur de la requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-luna", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="gpt-5.6-luna",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "gpt-5.6-luna",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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='gpt-5.6-luna',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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
gpt-5.6-lunaGPT-5.6 Luna est le modèle d’OpenAI pour le dialogue à fort volume, la classification et les tâches ciblées d’agents. Il accepte du texte et des images pour produire des réponses textuelles, avec des contrôles de raisonnement, l’appel de fonctions, les sorties structurées et une fenêtre de contexte de 1 050 000 tokens.
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 membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.
Pour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.
Une tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.
OpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.
Le modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.
Le fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.
OpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.
Conservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-5.6-luna | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant 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/objets 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 | 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-luna","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="gpt-5.6-luna", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
gpt-5.6-lunaGPT-5.6 Luna est le modèle d’OpenAI pour le dialogue à fort volume, la classification et les tâches ciblées d’agents. Il accepte du texte et des images pour produire des réponses textuelles, avec des contrôles de raisonnement, l’appel de fonctions, les sorties structurées et une fenêtre de contexte de 1 050 000 tokens.
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 membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.
Pour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.
Une tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.
OpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.
Le modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.
Le fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.
OpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.
Conservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites gpt-5.6-luna | 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 | 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "gpt-5.6-luna",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'gpt-5.6-luna', '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': 'gpt-5.6-luna', '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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
openai/gpt-5.6-lunaGPT-5.6 Luna est le modèle d’OpenAI pour le dialogue à fort volume, la classification et les tâches ciblées d’agents. Il accepte du texte et des images pour produire des réponses textuelles, avec des contrôles de raisonnement, l’appel de fonctions, les sorties structurées et une fenêtre de contexte de 1 050 000 tokens.
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 membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.
Pour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.
Une tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.
OpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.
Le modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.
Le fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.
OpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.
Conservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-5.6-luna | 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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 | 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-luna", "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/gpt-5.6-luna',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/gpt-5.6-luna',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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
openai/gpt-5.6-lunaGPT-5.6 Luna est le modèle d’OpenAI pour le dialogue à fort volume, la classification et les tâches ciblées d’agents. Il accepte du texte et des images pour produire des réponses textuelles, avec des contrôles de raisonnement, l’appel de fonctions, les sorties structurées et une fenêtre de contexte de 1 050 000 tokens.
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 membre de la famille GPT-5.6 d’OpenAI destiné aux tâches à fort volume. Il convient aux tâches répétées et ciblées comme les réponses de dialogue, la classification, l’extraction et les étapes légères d’agents. Le texte et les images peuvent servir à produire une réponse textuelle. Un processus Luna utile comporte une entrée claire, un résultat défini et un petit ensemble de conditions permettant de décider si le résultat est exploitable.
Pour une classification, décrivez les catégories et donnez des exemples qui en clarifient les limites. Pour une extraction, indiquez les champs à renvoyer et précisez comment représenter les informations absentes. Pour une réponse d’assistance, fournissez la demande du client, les informations pertinentes sur le produit et l’action déjà effectuée. Gardez les instructions stables pour les éléments comparables tout en changeant les preuves propres à chaque élément.
Une tâche visuelle peut fournir une capture d’écran ou une photographie lisible et identifier le détail qui importe. Demandez l’information visible nécessaire ensuite, comme un libellé, un message d’interface ou une différence entre deux images fournies. La réponse reste un texte dérivé de ces entrées. Conservez les libellés des images ou documents avec le résultat afin qu’un fait extrait puisse être relié à la bonne source.
OpenAI documente les choix d’effort de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Adaptez la profondeur demandée à la tâche et aux preuves. Une classification courante peut nécessiter un résultat compact, tandis qu’un cas ambigu peut exiger une explication plus claire des faits qui étayent la décision. Définissez la réponse finale séparément de la quantité d’analyse nécessaire pour y parvenir.
Le modèle prend en charge les sorties structurées et l’appel de fonctions. Pour un enregistrement structuré, précisez les champs et types requis, puis vérifiez le contenu renvoyé au regard de la source. Dans un processus doté d’outils, un appel de fonction propose une action à l’application ; celle-ci fournit le résultat réel avant qu’une étape ultérieure ne l’utilise. Une action envisagée reste ainsi distincte de la preuve qu’elle a eu lieu.
Le fabricant indique une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Organisez les contenus longs autour de la question actuelle et réservez de la place pour la réponse. Préservez les décisions nécessaires à l’étape suivante tout en supprimant les répétitions sans rapport avec la tâche dans les consignes de travail.
OpenAI documente également la diffusion en continu et, dans son environnement doté d’outils, la recherche sur le Web, la recherche dans les fichiers, la génération d’images, l’interprétation de code, les opérations en ligne de commande, l’application de correctifs, l’utilisation de l’ordinateur et les outils MCP. Ces capacités dépendent de l’environnement et des outils associés à la requête. Sélectionnez les opérations nécessaires à la tâche et examinez leurs observations ou livrables réels. La sortie directe du modèle est textuelle ; une image ou un fichier modifié résulte de l’opération d’outil correspondante.
Conservez chaque élément terminé avec son identifiant d’entrée et son résultat final. Pour un processus répété, examinez des exemples difficiles de l’ensemble réel d’entrées et préservez des définitions cohérentes des catégories ou des champs afin que les résultats restent comparables.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-5.6-luna | 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 | 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272'000 | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache $0.0005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de272'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0036 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache $0.001 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "openai/gpt-5.6-luna",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/gpt-5.6-luna', '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/gpt-5.6-luna', '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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot gpt-5.6-luna
Ailoot Ultra gpt-5.6-luna, openai/gpt-5.6-luna
/chat/completions
Exemple technique en anglais
Extract a support follow-up record\n\nExtract a follow-up record from this message: 'I am Noor, order N48. The blue mug arrived chipped yesterday. A replacement would be fine; mornings are best for contact.' Return customer name, order ID, item, reported problem, requested resolution and contact preference. Mark any delivery address or phone number as not supplied.A compact named-field record preserving source wording and marking absent contact details.Check that the requested replacement is recorded without claiming one was already dispatched.