Claude Opus 4 Thinking applique un raisonnement approfondi au modèle Claude Opus 4 original. Anthropic positionne cette génération pour la programmation difficile, la recherche, l’écriture et les tâches qui exigent de garder le cap sur de nombreuses étapes. La désignation Thinking concerne la façon dont le modèle aborde une réponse ; elle ne transforme pas l’Opus 4 original en une édition Opus ultérieure.
Claude Opus 4 associe un mode de réponse standard à un mode de raisonnement approfondi. Dans ce dernier, il peut consacrer davantage de temps à l’examen d’un problème avant de répondre. Le développeur décrit le travail prolongé sur des tâches complexes comme un point fort central, surtout lorsqu’une tâche demande de relier une série de constats plutôt que de résoudre des prompts isolés.
Pour une question de recherche, fournissez les documents à comparer, la décision qu’ils doivent éclairer et les conditions importantes. Demandez une synthèse fondée sur les éléments probants qui distingue les constats, les hypothèses et les questions ouvertes. Pour une tâche d’écriture, précisez le public, les sources, la structure requise et les affirmations que le résultat doit expliquer. Ce sont des applications pratiques des capacités documentées de recherche et d’écriture du modèle, sans promesse d’un résultat particulier.
Anthropic met en avant la compréhension, l’édition et le débogage de code complexe ainsi que les modifications portant sur plusieurs fichiers. Donnez au modèle les modules pertinents, les contrats d’interface, le comportement attendu et les tests existants ou les sorties d’erreur. Définissez le périmètre de la modification demandée et demandez-lui d’expliquer les dépendances qui rendent les changements proposés nécessaires.
Un résultat d’ingénierie utile relie trois éléments : la cause du problème, une implémentation cohérente et un moyen de vérifier le comportement obtenu. Pour une refactorisation, précisez les interfaces publiques et les comportements observables qui doivent rester stables. Pour une fonctionnalité, décrivez le parcours utilisateur et ses cas d’échec. Le raisonnement prolongé du modèle devient ainsi utile au projet, au lieu de produire simplement une réponse plus longue.
La génération Claude 4 originale ajoute le raisonnement entre les appels d’outils dans le workflow documenté de raisonnement approfondi d’Anthropic. Elle peut examiner le résultat d’un outil, revoir son approche et choisir une action suivante. Le développeur décrit aussi l’utilisation d’outils en parallèle et une meilleure continuité lorsqu’une application fournit des fichiers locaux que le modèle peut lire et mettre à jour.
Un agent qui utilise ces capacités a besoin que son application fournisse les outils, exécute les actions demandées et renvoie leurs résultats. Les fichiers de mémoire appartiennent eux aussi à l’environnement de l’application ; ils ne constituent pas un stockage illimité transmis automatiquement entre des conversations sans lien. Lorsque vous concevez un workflow, renvoyez les observations pertinentes au modèle et gardez disponibles l’objectif de la tâche et ses critères d’acceptation.
Claude Opus 4 prend également en charge l’analyse visuelle. Des captures d’écran, graphiques et schémas peuvent fournir des éléments probants avec le texte, tandis que la réponse du modèle reste textuelle. Utilisez des images clairement lisibles et identifiez les relations à expliquer. Fournissez les valeurs sources lorsque la tâche dépend de décomptes ou de mesures exacts, car l’interprétation visuelle peut être approximative.
Pour une tâche via l’API Ailoot, précisez le livrable final souhaité : une proposition de modification de plusieurs fichiers, une investigation technique, une synthèse de recherche ou un document soigneusement structuré. Ajoutez les éléments probants et les contraintes qui permettent au modèle de choisir une approche. Les résumés du raisonnement approfondi du développeur donnent une explication avec le résultat, mais un résumé n’est pas une transcription intégrale de tout le raisonnement. Vérifiez le code ou l’analyse livrés à partir des exigences de la tâche, y compris les hypothèses qui demandent encore des éléments probants.
", "aboutText": "Claude Opus 4 Thinking applique un raisonnement approfondi au modèle Claude Opus 4 original. Anthropic positionne cette génération pour la programmation difficile, la recherche, l’écriture et les tâches qui exigent de garder le cap sur de nombreuses étapes. La désignation Thinking concerne la façon dont le modèle aborde une réponse ; elle ne transforme pas l’Opus 4 original en une édition Opus ultérieure.\n\n### Raisonner tout au long d’une tâche exigeante\n\nClaude Opus 4 associe un mode de réponse standard à un mode de raisonnement approfondi. Dans ce dernier, il peut consacrer davantage de temps à l’examen d’un problème avant de répondre. Le développeur décrit le travail prolongé sur des tâches complexes comme un point fort central, surtout lorsqu’une tâche demande de relier une série de constats plutôt que de résoudre des prompts isolés.\n\nPour une question de recherche, fournissez les documents à comparer, la décision qu’ils doivent éclairer et les conditions importantes. Demandez une synthèse fondée sur les éléments probants qui distingue les constats, les hypothèses et les questions ouvertes. Pour une tâche d’écriture, précisez le public, les sources, la structure requise et les affirmations que le résultat doit expliquer. Ce sont des applications pratiques des capacités documentées de recherche et d’écriture du modèle, sans promesse d’un résultat particulier.\n\n### Modifier plusieurs parties d’une base de code\n\nAnthropic met en avant la compréhension, l’édition et le débogage de code complexe ainsi que les modifications portant sur plusieurs fichiers. Donnez au modèle les modules pertinents, les contrats d’interface, le comportement attendu et les tests existants ou les sorties d’erreur. Définissez le périmètre de la modification demandée et demandez-lui d’expliquer les dépendances qui rendent les changements proposés nécessaires.\n\nUn résultat d’ingénierie utile relie trois éléments : la cause du problème, une implémentation cohérente et un moyen de vérifier le comportement obtenu. Pour une refactorisation, précisez les interfaces publiques et les comportements observables qui doivent rester stables. Pour une fonctionnalité, décrivez le parcours utilisateur et ses cas d’échec. Le raisonnement prolongé du modèle devient ainsi utile au projet, au lieu de produire simplement une réponse plus longue.\n\n### Outils, travail en parallèle et continuité\n\nLa génération Claude 4 originale ajoute le raisonnement entre les appels d’outils dans le workflow documenté de raisonnement approfondi d’Anthropic. Elle peut examiner le résultat d’un outil, revoir son approche et choisir une action suivante. Le développeur décrit aussi l’utilisation d’outils en parallèle et une meilleure continuité lorsqu’une application fournit des fichiers locaux que le modèle peut lire et mettre à jour.\n\nUn agent qui utilise ces capacités a besoin que son application fournisse les outils, exécute les actions demandées et renvoie leurs résultats. Les fichiers de mémoire appartiennent eux aussi à l’environnement de l’application ; ils ne constituent pas un stockage illimité transmis automatiquement entre des conversations sans lien. Lorsque vous concevez un workflow, renvoyez les observations pertinentes au modèle et gardez disponibles l’objectif de la tâche et ses critères d’acceptation.\n\n### Analyse visuelle et sortie textuelle\n\nClaude Opus 4 prend également en charge l’analyse visuelle. Des captures d’écran, graphiques et schémas peuvent fournir des éléments probants avec le texte, tandis que la réponse du modèle reste textuelle. Utilisez des images clairement lisibles et identifiez les relations à expliquer. Fournissez les valeurs sources lorsque la tâche dépend de décomptes ou de mesures exacts, car l’interprétation visuelle peut être approximative.\n\nPour une tâche via l’API Ailoot, précisez le livrable final souhaité : une proposition de modification de plusieurs fichiers, une investigation technique, une synthèse de recherche ou un document soigneusement structuré. Ajoutez les éléments probants et les contraintes qui permettent au modèle de choisir une approche. Les résumés du raisonnement approfondi du développeur donnent une explication avec le résultat, mais un résumé n’est pas une transcription intégrale de tout le raisonnement. Vérifiez le code ou l’analyse livrés à partir des exigences de la tâche, y compris les hypothèses qui demandent encore des éléments probants.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Plan a coordinated order refactor\n\nReview this proposed refactor. Module A emits {order_id, total_cents}; module B stores those fields; module C displays total_cents / 100. A developer proposes renaming only A to amount_cents. Identify affected contracts and propose a coordinated migration that preserves existing consumers, with checks for old and new records.A dependency map in text, a staged migration proposal and compatibility checks for each consumer.Confirm the proposal covers B and C and does not silently reinterpret cents as whole currency units.claude-opus-4-20250514-thinkingClaude Opus 4 Thinking utilise le mode de raisonnement approfondi de l’Opus 4 original pour les modifications logicielles complexes, les workflows prolongés d’agents et la recherche. Il peut raisonner entre les étapes d’outils prises en charge et relier les éléments probants d’une tâche exigeante avant de produire un résultat textuel.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Claude Opus 4 Thinking applique un raisonnement approfondi au modèle Claude Opus 4 original. Anthropic positionne cette génération pour la programmation difficile, la recherche, l’écriture et les tâches qui exigent de garder le cap sur de nombreuses étapes. La désignation Thinking concerne la façon dont le modèle aborde une réponse ; elle ne transforme pas l’Opus 4 original en une édition Opus ultérieure.
Claude Opus 4 associe un mode de réponse standard à un mode de raisonnement approfondi. Dans ce dernier, il peut consacrer davantage de temps à l’examen d’un problème avant de répondre. Le développeur décrit le travail prolongé sur des tâches complexes comme un point fort central, surtout lorsqu’une tâche demande de relier une série de constats plutôt que de résoudre des prompts isolés.
Pour une question de recherche, fournissez les documents à comparer, la décision qu’ils doivent éclairer et les conditions importantes. Demandez une synthèse fondée sur les éléments probants qui distingue les constats, les hypothèses et les questions ouvertes. Pour une tâche d’écriture, précisez le public, les sources, la structure requise et les affirmations que le résultat doit expliquer. Ce sont des applications pratiques des capacités documentées de recherche et d’écriture du modèle, sans promesse d’un résultat particulier.
Anthropic met en avant la compréhension, l’édition et le débogage de code complexe ainsi que les modifications portant sur plusieurs fichiers. Donnez au modèle les modules pertinents, les contrats d’interface, le comportement attendu et les tests existants ou les sorties d’erreur. Définissez le périmètre de la modification demandée et demandez-lui d’expliquer les dépendances qui rendent les changements proposés nécessaires.
Un résultat d’ingénierie utile relie trois éléments : la cause du problème, une implémentation cohérente et un moyen de vérifier le comportement obtenu. Pour une refactorisation, précisez les interfaces publiques et les comportements observables qui doivent rester stables. Pour une fonctionnalité, décrivez le parcours utilisateur et ses cas d’échec. Le raisonnement prolongé du modèle devient ainsi utile au projet, au lieu de produire simplement une réponse plus longue.
La génération Claude 4 originale ajoute le raisonnement entre les appels d’outils dans le workflow documenté de raisonnement approfondi d’Anthropic. Elle peut examiner le résultat d’un outil, revoir son approche et choisir une action suivante. Le développeur décrit aussi l’utilisation d’outils en parallèle et une meilleure continuité lorsqu’une application fournit des fichiers locaux que le modèle peut lire et mettre à jour.
Un agent qui utilise ces capacités a besoin que son application fournisse les outils, exécute les actions demandées et renvoie leurs résultats. Les fichiers de mémoire appartiennent eux aussi à l’environnement de l’application ; ils ne constituent pas un stockage illimité transmis automatiquement entre des conversations sans lien. Lorsque vous concevez un workflow, renvoyez les observations pertinentes au modèle et gardez disponibles l’objectif de la tâche et ses critères d’acceptation.
Claude Opus 4 prend également en charge l’analyse visuelle. Des captures d’écran, graphiques et schémas peuvent fournir des éléments probants avec le texte, tandis que la réponse du modèle reste textuelle. Utilisez des images clairement lisibles et identifiez les relations à expliquer. Fournissez les valeurs sources lorsque la tâche dépend de décomptes ou de mesures exacts, car l’interprétation visuelle peut être approximative.
Pour une tâche via l’API Ailoot, précisez le livrable final souhaité : une proposition de modification de plusieurs fichiers, une investigation technique, une synthèse de recherche ou un document soigneusement structuré. Ajoutez les éléments probants et les contraintes qui permettent au modèle de choisir une approche. Les résumés du raisonnement approfondi du développeur donnent une explication avec le résultat, mais un résumé n’est pas une transcription intégrale de tout le raisonnement. Vérifiez le code ou l’analyse livrés à partir des exigences de la tâche, y compris les hypothèses qui demandent encore des éléments probants.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites claude-opus-4-20250514-thinking | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.03 / 1K tokens Sortie · Tokens en sortie $0.15 / 1K tokens Entrée · Lecture du cache $0.0006 / 1K tokens Entrée · Écriture dans le cache $0.0075 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-20250514-thinking", "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='claude-opus-4-20250514-thinking',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='claude-opus-4-20250514-thinking',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 Ultra claude-opus-4-20250514-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Plan a coordinated order refactor\n\nReview this proposed refactor. Module A emits {order_id, total_cents}; module B stores those fields; module C displays total_cents / 100. A developer proposes renaming only A to amount_cents. Identify affected contracts and propose a coordinated migration that preserves existing consumers, with checks for old and new records.A dependency map in text, a staged migration proposal and compatibility checks for each consumer.Confirm the proposal covers B and C and does not silently reinterpret cents as whole currency units.