GPT-6 Sol est le modèle de raisonnement d’OpenAI pour la programmation complexe et les processus d’agents. Il travaille avec du texte et des images et renvoie du texte, comme une explication, une implémentation, un enregistrement structuré ou une opération d’outil proposée. L’édition nommée GPT-6 Sol reste distincte du plus récent GPT-6.1 Sol et du mode d’exécution Pro de Sol : ses réglages et son profil de connaissances doivent donc être conservés lors de la comparaison de résultats entre éditions.
Fournissez l’implémentation pertinente, le comportement observé, le comportement attendu et les conditions que la modification doit préserver. Identifiez le résultat final et les observations nécessaires pour établir l’achèvement. Un exemple de mission est : « Trouvez pourquoi cette entrée échoue, proposez la plus petite correction et renvoyez la fonction modifiée en expliquant, à partir de la source, la condition qu’elle traite. »
Pour une tâche portant sur plusieurs fichiers, nommez les modules affectés et leurs interfaces. Pour une interface visuelle, combinez le code et les exigences de comportement avec une capture d’écran ou une maquette lisible et identifiez les états visibles à implémenter. Le code généré est une proposition tant qu’il ne s’exécute pas dans l’application visée ; les erreurs réelles ou les états rendus sont les éléments probants pour la révision suivante.
Le concepteur prend en charge les efforts de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. L’effort sélectionne la quantité de raisonnement ; les modes standard et Pro décrivent un choix distinct d’exécution. Une tâche directe peut utiliser none, tandis qu’un débogage ou une planification plus complexes peuvent bénéficier d’une analyse réfléchie. Définissez la réponse finale requise séparément de son processus intermédiaire.
Une tâche analytique fondée sur des sources doit nommer la décision, les critères de comparaison et le matériau faisant autorité. Demandez au résultat de relier chaque conclusion au passage fourni et de signaler les informations manquantes. Cela garde l’objectif visible même lorsque le modèle choisit plusieurs étapes d’outils.
Le profil publié possède un contexte de 1 050 000 tokens, une entrée maximale de 922 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 20 avril 2026. Le raisonnement consomme une partie du budget de réponse et du contexte. Gardez de la place pour l’analyse, les observations d’outils et le résultat final, et examinez une réponse incomplète avant de considérer la tâche comme terminée.
Utilisez le processus Responses documenté pour les outils intégrés et les appels de fonctions. Le profil Chat Completions d’OpenAI prend en charge les appels de fonctions avec l’effort de raisonnement réglé sur none. La fiche répertorie le streaming et Structured Outputs, ainsi que les outils de recherche web, de recherche dans les fichiers, de génération d’images, d’interprétation de code, d’opérations de shell, de patch, les skills, l’utilisation de l’ordinateur, les connexions MCP et la découverte d’outils. Le modèle renvoie du texte ; une opération exécutée ou une image générée relève du résultat de l’outil correspondant.
L’application environnante définit et effectue les opérations et renvoie des observations. Gardez le résultat réel avec son identifiant d’appel et sa source. Le guide de la famille GPT-6 décrit aussi le travail asynchrone des outils, la réorientation d’un tour actif, le raisonnement conservé et la condensation de la conversation pour les tâches plus longues.
Une transmission utile contient l’implémentation ou la conclusion, les éléments probants qui l’étayent et toute condition encore non résolue. Vérifiez les valeurs issues des sources et le code généré par rapport aux exigences. La tâche doit se terminer lorsque le résultat énoncé et le critère d’achèvement sont satisfaits, plutôt que de traiter un plan ou une commande de validation proposée comme une preuve de travail exécuté.
", "aboutText": "GPT-6 Sol est le modèle de raisonnement d’OpenAI pour la programmation complexe et les processus d’agents. Il travaille avec du texte et des images et renvoie du texte, comme une explication, une implémentation, un enregistrement structuré ou une opération d’outil proposée. L’édition nommée GPT-6 Sol reste distincte du plus récent GPT-6.1 Sol et du mode d’exécution Pro de Sol : ses réglages et son profil de connaissances doivent donc être conservés lors de la comparaison de résultats entre éditions.\n\n### Programmer à partir d’un brief concret\n\nFournissez l’implémentation pertinente, le comportement observé, le comportement attendu et les conditions que la modification doit préserver. Identifiez le résultat final et les observations nécessaires pour établir l’achèvement. Un exemple de mission est : « Trouvez pourquoi cette entrée échoue, proposez la plus petite correction et renvoyez la fonction modifiée en expliquant, à partir de la source, la condition qu’elle traite. »\n\nPour une tâche portant sur plusieurs fichiers, nommez les modules affectés et leurs interfaces. Pour une interface visuelle, combinez le code et les exigences de comportement avec une capture d’écran ou une maquette lisible et identifiez les états visibles à implémenter. Le code généré est une proposition tant qu’il ne s’exécute pas dans l’application visée ; les erreurs réelles ou les états rendus sont les éléments probants pour la révision suivante.\n\n### Raisonnement et approfondissement de la tâche\n\nLe concepteur prend en charge les efforts de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. L’effort sélectionne la quantité de raisonnement ; les modes standard et Pro décrivent un choix distinct d’exécution. Une tâche directe peut utiliser none, tandis qu’un débogage ou une planification plus complexes peuvent bénéficier d’une analyse réfléchie. Définissez la réponse finale requise séparément de son processus intermédiaire.\n\nUne tâche analytique fondée sur des sources doit nommer la décision, les critères de comparaison et le matériau faisant autorité. Demandez au résultat de relier chaque conclusion au passage fourni et de signaler les informations manquantes. Cela garde l’objectif visible même lorsque le modèle choisit plusieurs étapes d’outils.\n\n### Contexte et limites\n\nLe profil publié possède un contexte de 1 050 000 tokens, une entrée maximale de 922 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 20 avril 2026. Le raisonnement consomme une partie du budget de réponse et du contexte. Gardez de la place pour l’analyse, les observations d’outils et le résultat final, et examinez une réponse incomplète avant de considérer la tâche comme terminée.\n\n### Outils et interfaces du concepteur\n\nUtilisez le processus Responses documenté pour les outils intégrés et les appels de fonctions. Le profil Chat Completions d’OpenAI prend en charge les appels de fonctions avec l’effort de raisonnement réglé sur none. La fiche répertorie le streaming et Structured Outputs, ainsi que les outils de recherche web, de recherche dans les fichiers, de génération d’images, d’interprétation de code, d’opérations de shell, de patch, les skills, l’utilisation de l’ordinateur, les connexions MCP et la découverte d’outils. Le modèle renvoie du texte ; une opération exécutée ou une image générée relève du résultat de l’outil correspondant.\n\nL’application environnante définit et effectue les opérations et renvoie des observations. Gardez le résultat réel avec son identifiant d’appel et sa source. Le guide de la famille GPT-6 décrit aussi le travail asynchrone des outils, la réorientation d’un tour actif, le raisonnement conservé et la condensation de la conversation pour les tâches plus longues.\n\n### Sortie vérifiable\n\nUne transmission utile contient l’implémentation ou la conclusion, les éléments probants qui l’étayent et toute condition encore non résolue. Vérifiez les valeurs issues des sources et le code généré par rapport aux exigences. La tâche doit se terminer lorsque le résultat énoncé et le critère d’achèvement sont satisfaits, plutôt que de traiter un plan ou une commande de validation proposée comme une preuve de travail exécuté.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "368c52e197c1c49a52c62302c3758199f78970e3a1fccfa45d4edca01502ff8c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "openai/gpt-6-sol:batchGPT-6 Sol est le modèle de raisonnement d’OpenAI pour la programmation complexe et les processus d’agents. Il relie le contexte textuel et visuel à une implémentation définie ou à un résultat analytique, avec un raisonnement configurable, des sorties structurées et un contexte de 1 050 000 tokens publié par le concepteur.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
GPT-6 Sol est le modèle de raisonnement d’OpenAI pour la programmation complexe et les processus d’agents. Il travaille avec du texte et des images et renvoie du texte, comme une explication, une implémentation, un enregistrement structuré ou une opération d’outil proposée. L’édition nommée GPT-6 Sol reste distincte du plus récent GPT-6.1 Sol et du mode d’exécution Pro de Sol : ses réglages et son profil de connaissances doivent donc être conservés lors de la comparaison de résultats entre éditions.
Fournissez l’implémentation pertinente, le comportement observé, le comportement attendu et les conditions que la modification doit préserver. Identifiez le résultat final et les observations nécessaires pour établir l’achèvement. Un exemple de mission est : « Trouvez pourquoi cette entrée échoue, proposez la plus petite correction et renvoyez la fonction modifiée en expliquant, à partir de la source, la condition qu’elle traite. »
Pour une tâche portant sur plusieurs fichiers, nommez les modules affectés et leurs interfaces. Pour une interface visuelle, combinez le code et les exigences de comportement avec une capture d’écran ou une maquette lisible et identifiez les états visibles à implémenter. Le code généré est une proposition tant qu’il ne s’exécute pas dans l’application visée ; les erreurs réelles ou les états rendus sont les éléments probants pour la révision suivante.
Le concepteur prend en charge les efforts de raisonnement none, low, medium, high, xhigh et max, avec medium par défaut. L’effort sélectionne la quantité de raisonnement ; les modes standard et Pro décrivent un choix distinct d’exécution. Une tâche directe peut utiliser none, tandis qu’un débogage ou une planification plus complexes peuvent bénéficier d’une analyse réfléchie. Définissez la réponse finale requise séparément de son processus intermédiaire.
Une tâche analytique fondée sur des sources doit nommer la décision, les critères de comparaison et le matériau faisant autorité. Demandez au résultat de relier chaque conclusion au passage fourni et de signaler les informations manquantes. Cela garde l’objectif visible même lorsque le modèle choisit plusieurs étapes d’outils.
Le profil publié possède un contexte de 1 050 000 tokens, une entrée maximale de 922 000 tokens et une sortie maximale de 128 000 tokens, avec une date limite des connaissances au 20 avril 2026. Le raisonnement consomme une partie du budget de réponse et du contexte. Gardez de la place pour l’analyse, les observations d’outils et le résultat final, et examinez une réponse incomplète avant de considérer la tâche comme terminée.
Utilisez le processus Responses documenté pour les outils intégrés et les appels de fonctions. Le profil Chat Completions d’OpenAI prend en charge les appels de fonctions avec l’effort de raisonnement réglé sur none. La fiche répertorie le streaming et Structured Outputs, ainsi que les outils de recherche web, de recherche dans les fichiers, de génération d’images, d’interprétation de code, d’opérations de shell, de patch, les skills, l’utilisation de l’ordinateur, les connexions MCP et la découverte d’outils. Le modèle renvoie du texte ; une opération exécutée ou une image générée relève du résultat de l’outil correspondant.
L’application environnante définit et effectue les opérations et renvoie des observations. Gardez le résultat réel avec son identifiant d’appel et sa source. Le guide de la famille GPT-6 décrit aussi le travail asynchrone des outils, la réorientation d’un tour actif, le raisonnement conservé et la condensation de la conversation pour les tâches plus longues.
Une transmission utile contient l’implémentation ou la conclusion, les éléments probants qui l’étayent et toute condition encore non résolue. Vérifiez les valeurs issues des sources et le code généré par rapport aux exigences. La tâche doit se terminer lorsque le résultat énoncé et le critère d’achèvement sont satisfaits, plutôt que de traiter un plan ou une commande de validation proposée comme une preuve de travail exécuté.
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-sol: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-sol:batch, openai/gpt-6-sol | 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 $0.002 / 1K tokens Sortie · Tokens en sortie $0.01 / 1K tokens Entrée · Lecture du cache $0.0002 / 1K tokens Entrée · Écriture dans le cache $0.0025 / 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 $0.002 / 1K tokens Sortie · Tokens en sortie $0.01 / 1K tokens Entrée · Lecture du cache $0.0002 / 1K tokens Entrée · Écriture dans le cache $0.0025 / 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 $0.004 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache $0.0004 / 1K tokens Entrée · Écriture dans le cache $0.005 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-sol: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-sol:batch', 'openai/gpt-6-sol']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-6-sol: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-sol:batch
Utilisez les chemins de méthode indiqués ci-dessus.