GPT-6 Luna Pro désigne GPT-6 Luna d’OpenAI avec le raisonnement Pro. Luna est conçu pour les tâches ciblées et leur traitement en grand nombre ; ses entrées sont du texte et des images et sa sortie est du texte. Pro augmente le travail du modèle lors de l’élaboration de la réponse finale. C’est un mode d’exécution appliqué au modèle de base choisi, distinct du réglage d’effort de raisonnement qui contrôle la quantité d’analyse dans ce mode.
Une application pratique est le traitement d’une requête précisément définie avec plusieurs règles ou exceptions. Fournissez la requête, les catégories auxquelles elle peut appartenir et les informations qui déterminent l’action suivante. Demandez la catégorie, les faits pertinents et une courte réponse proposée. Un exemple de tâche consiste à classer une demande de document, identifier un champ manquant et rédiger un message demandant ce champ. La tâche reste ciblée même lorsque ses conditions nécessitent un examen attentif.
Pour une question fondée sur une image, fournissez une capture d’écran claire ou un autre matériau visuel et identifiez le détail à examiner. Vous pouvez demander une explication d’un état d’interface visible avec une courte instruction pour le lecteur. Pour un matériau écrit, définissez les champs ou énoncés qui doivent survivre à la transformation, les catégories autorisées et le format de réponse attendu. Un petit ensemble d’exemples représentatifs peut clarifier la frontière entre des catégories similaires sans laisser le modèle déduire vos règles.
OpenAI précise une fenêtre de contexte de 1 050 000 tokens pour GPT-6 Luna, avec une entrée maximale de 922 000 tokens et une sortie maximale de 128 000 tokens. La date limite des connaissances documentée est le 18 mai 2026. Le modèle de base prend en charge les efforts de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Le raisonnement occupe de l’espace en tokens comme la réponse finale : le brief de tâche et le matériau fourni doivent donc garder de la place pour l’analyse et le résultat demandé.
Le concepteur documente Pro dans l’API Responses pour les requêtes difficiles qui peuvent tolérer un délai supplémentaire et davantage d’activité du modèle. Les outils intégrés de GPT-6 Luna et le raisonnement avec des appels de fonctions utilisent Responses ; dans l’interface Chat Completions du concepteur, les appels de fonctions sont pris en charge uniquement avec l’effort de raisonnement réglé sur none. Le modèle de base répertorie le streaming, Structured Outputs, la recherche web et dans les fichiers, les appels de fonctions et la mise en cache des prompts. Ses outils comprennent aussi la génération d’images, l’interprétation de code, les opérations de shell et de patch, les skills, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Votre application détermine et exécute les opérations qu’elle expose.
Utilisez un contrat de sortie précis pour la tâche finale : la décision, les champs qui l’étayent et toute information encore manquante. Par exemple, demandez une catégorie, une brève justification liée à la règle fournie et la question suivante à envoyer au lecteur. Vérifiez le résultat selon ces règles plutôt que d’ajouter une discussion sans limites. Ce processus utilise le rôle de Luna pour les tâches ciblées tout en réservant le travail supplémentaire de Pro à une requête dont les dépendances ou les exceptions nécessitent un examen plus complet.
", "aboutText": "GPT-6 Luna Pro désigne GPT-6 Luna d’OpenAI avec le raisonnement Pro. Luna est conçu pour les tâches ciblées et leur traitement en grand nombre ; ses entrées sont du texte et des images et sa sortie est du texte. Pro augmente le travail du modèle lors de l’élaboration de la réponse finale. C’est un mode d’exécution appliqué au modèle de base choisi, distinct du réglage d’effort de raisonnement qui contrôle la quantité d’analyse dans ce mode.\n\nUne application pratique est le traitement d’une requête précisément définie avec plusieurs règles ou exceptions. Fournissez la requête, les catégories auxquelles elle peut appartenir et les informations qui déterminent l’action suivante. Demandez la catégorie, les faits pertinents et une courte réponse proposée. Un exemple de tâche consiste à classer une demande de document, identifier un champ manquant et rédiger un message demandant ce champ. La tâche reste ciblée même lorsque ses conditions nécessitent un examen attentif.\n\nPour une question fondée sur une image, fournissez une capture d’écran claire ou un autre matériau visuel et identifiez le détail à examiner. Vous pouvez demander une explication d’un état d’interface visible avec une courte instruction pour le lecteur. Pour un matériau écrit, définissez les champs ou énoncés qui doivent survivre à la transformation, les catégories autorisées et le format de réponse attendu. Un petit ensemble d’exemples représentatifs peut clarifier la frontière entre des catégories similaires sans laisser le modèle déduire vos règles.\n\nOpenAI précise une fenêtre de contexte de 1 050 000 tokens pour GPT-6 Luna, avec une entrée maximale de 922 000 tokens et une sortie maximale de 128 000 tokens. La date limite des connaissances documentée est le 18 mai 2026. Le modèle de base prend en charge les efforts de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Le raisonnement occupe de l’espace en tokens comme la réponse finale : le brief de tâche et le matériau fourni doivent donc garder de la place pour l’analyse et le résultat demandé.\n\nLe concepteur documente Pro dans l’API Responses pour les requêtes difficiles qui peuvent tolérer un délai supplémentaire et davantage d’activité du modèle. Les outils intégrés de GPT-6 Luna et le raisonnement avec des appels de fonctions utilisent Responses ; dans l’interface Chat Completions du concepteur, les appels de fonctions sont pris en charge uniquement avec l’effort de raisonnement réglé sur none. Le modèle de base répertorie le streaming, Structured Outputs, la recherche web et dans les fichiers, les appels de fonctions et la mise en cache des prompts. Ses outils comprennent aussi la génération d’images, l’interprétation de code, les opérations de shell et de patch, les skills, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Votre application détermine et exécute les opérations qu’elle expose.\n\nUtilisez un contrat de sortie précis pour la tâche finale : la décision, les champs qui l’étayent et toute information encore manquante. Par exemple, demandez une catégorie, une brève justification liée à la règle fournie et la question suivante à envoyer au lecteur. Vérifiez le résultat selon ces règles plutôt que d’ajouter une discussion sans limites. Ce processus utilise le rôle de Luna pour les tâches ciblées tout en réservant le travail supplémentaire de Pro à une requête dont les dépendances ou les exceptions nécessitent un examen plus complet.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0703a8535ae515cf90ffa83c8ff0b95329601651fc46b8c4a50f99c99f986f3f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "openai/gpt-6-luna-pro:batchGPT-6 Luna avec raisonnement Pro pour les tâches ciblées qui nécessitent une analyse supplémentaire avant la réponse finale. Le modèle de base accepte du texte et des images, ce qui le rend utile pour le traitement de documents selon des règles, les questions visuelles et les résultats écrits concis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-6 Luna Pro désigne GPT-6 Luna d’OpenAI avec le raisonnement Pro. Luna est conçu pour les tâches ciblées et leur traitement en grand nombre ; ses entrées sont du texte et des images et sa sortie est du texte. Pro augmente le travail du modèle lors de l’élaboration de la réponse finale. C’est un mode d’exécution appliqué au modèle de base choisi, distinct du réglage d’effort de raisonnement qui contrôle la quantité d’analyse dans ce mode.
Une application pratique est le traitement d’une requête précisément définie avec plusieurs règles ou exceptions. Fournissez la requête, les catégories auxquelles elle peut appartenir et les informations qui déterminent l’action suivante. Demandez la catégorie, les faits pertinents et une courte réponse proposée. Un exemple de tâche consiste à classer une demande de document, identifier un champ manquant et rédiger un message demandant ce champ. La tâche reste ciblée même lorsque ses conditions nécessitent un examen attentif.
Pour une question fondée sur une image, fournissez une capture d’écran claire ou un autre matériau visuel et identifiez le détail à examiner. Vous pouvez demander une explication d’un état d’interface visible avec une courte instruction pour le lecteur. Pour un matériau écrit, définissez les champs ou énoncés qui doivent survivre à la transformation, les catégories autorisées et le format de réponse attendu. Un petit ensemble d’exemples représentatifs peut clarifier la frontière entre des catégories similaires sans laisser le modèle déduire vos règles.
OpenAI précise une fenêtre de contexte de 1 050 000 tokens pour GPT-6 Luna, avec une entrée maximale de 922 000 tokens et une sortie maximale de 128 000 tokens. La date limite des connaissances documentée est le 18 mai 2026. Le modèle de base prend en charge les efforts de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. Le raisonnement occupe de l’espace en tokens comme la réponse finale : le brief de tâche et le matériau fourni doivent donc garder de la place pour l’analyse et le résultat demandé.
Le concepteur documente Pro dans l’API Responses pour les requêtes difficiles qui peuvent tolérer un délai supplémentaire et davantage d’activité du modèle. Les outils intégrés de GPT-6 Luna et le raisonnement avec des appels de fonctions utilisent Responses ; dans l’interface Chat Completions du concepteur, les appels de fonctions sont pris en charge uniquement avec l’effort de raisonnement réglé sur none. Le modèle de base répertorie le streaming, Structured Outputs, la recherche web et dans les fichiers, les appels de fonctions et la mise en cache des prompts. Ses outils comprennent aussi la génération d’images, l’interprétation de code, les opérations de shell et de patch, les skills, l’utilisation de l’ordinateur, les connexions MCP et la recherche d’outils. Votre application détermine et exécute les opérations qu’elle expose.
Utilisez un contrat de sortie précis pour la tâche finale : la décision, les champs qui l’étayent et toute information encore manquante. Par exemple, demandez une catégorie, une brève justification liée à la règle fournie et la question suivante à envoyer au lecteur. Vérifiez le résultat selon ces règles plutôt que d’ajouter une discussion sans limites. Ce processus utilise le rôle de Luna pour les tâches ciblées tout en réservant le travail supplémentaire de Pro à une requête dont les dépendances ou les exceptions nécessitent un examen plus complet.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/gpt-6-luna-pro:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites openai/gpt-6-luna-pro:batch, openai/gpt-6-luna-pro | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites openai | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.0005 / 1K tokens Entrée · Lecture du cache $0.00001 / 1K tokens Entrée · Écriture dans le cache $0.000125 / 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.0005 / 1K tokens Entrée · Lecture du cache $0.00001 / 1K tokens Entrée · Écriture dans le cache $0.000125 / 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.00075 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-6-luna-pro:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-6-luna-pro:batch', 'openai/gpt-6-luna-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-6-luna-pro:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRéglez les conditions d’admission avant une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne substituez pas d’autres prix. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra openai/gpt-6-luna-pro:batch
Utilisez les chemins de méthode indiqués ci-dessus.