GPT-5-Codex adalah versi GPT-5 OpenAI yang dioptimalkan untuk rekayasa perangkat lunak berbasis agen dalam Codex dan lingkungan pemrograman sebanding. Pelatihannya menargetkan pekerjaan seperti membuat proyek, menerapkan fitur dan pengujian, menelusuri kesalahan, merefaktor basis kode yang sudah ada, serta meninjau perubahan. Pembelajaran penguatan pada tugas pemrograman nyata mengembangkan kepatuhan terhadap instruksi, gaya kode, dan verifikasi berulang. Lingkungan yang dituju adalah asisten pemrograman dengan akses ke konteks proyek serta alat pengembangan.
Model menyesuaikan jumlah penalaran yang digunakannya untuk tugas. Perubahan kecil yang didefinisikan dengan jelas dapat ditangani sebagai percakapan interaktif, sedangkan refaktor kompleks dapat melibatkan analisis berkelanjutan dan langkah implementasi berulang. Perilaku adaptif ini menghubungkan percakapan dengan pelaksanaan: agen memeriksa proyek, mengusulkan perubahan, menerima hasil dari lingkungannya, dan terus bekerja menuju hasil yang dinyatakan.
Peninjauan kode merupakan bagian tersendiri dari spesialisasinya. OpenAI menjelaskan peninjau yang memeriksa basis kode dan dependensi, menghubungkan perubahan yang diusulkan dengan perilaku yang dituju, serta menggunakan pelaksanaan kode dan pengujian untuk menyelidiki kebenaran. Keluaran yang berguna adalah penjelasan terarah tentang cacat yang berdampak penting dan kode yang terpengaruh, bukan komentar berdasarkan tampilan perbandingan perubahan saja. File proyek dan hasil alat menyediakan bukti untuk analisis tersebut.
Masukan visual mendukung pekerjaan antarmuka. Tangkapan layar, kerangka antarmuka, dan diagram dapat menyampaikan antarmuka yang diinginkan atau masalah yang diamati. Dalam lingkungan dengan alat browser dan tangkapan layar, agen dapat memeriksa implementasi serta membandingkan hasil yang dibangunnya dengan sasaran visual yang diberikan. Ini adalah alur kerja yang dibantu lingkungan: model menafsirkan informasi dan memilih tindakan, sedangkan aplikasi menyediakan alat serta menjalankannya.
Spesifikasi model yang dipublikasikan mencantumkan masukan teks dan gambar serta keluaran teks, jendela konteks 400000 token, dan hingga 128000 token keluaran. Model ini mendukung token penalaran, streaming, pemanggilan fungsi, dan keluaran terstruktur. OpenAI mendokumentasikan model melalui antarmuka Responses dan mengidentifikasi nama tanpa versi sebagai label model yang diperbarui. Batas pengetahuannya yang didokumentasikan adalah 30 September 2024. Audio dan video berada di luar modalitas masukan yang tercantum; fine-tuning serta Predicted Outputs tidak didukung dalam konfigurasi ini.
Adendum kartu sistem memisahkan pelatihan model dari kontrol produk. Model dilatih untuk menolak instruksi injeksi prompt yang ditemui dalam materi pemrograman. Isolasi ruang kerja, izin jaringan, dan aturan persetujuan merupakan bagian dari lingkungan agen. Perbedaan ini penting ketika asisten membaca dokumentasi eksternal atau menjalankan perintah: akses ditentukan oleh aplikasi, dan keluarannya menyediakan catatan tentang hal yang benar-benar terjadi.
Untuk asisten pemrograman yang menggunakan Ailoot API, mulailah dengan perilaku yang ingin dicapai, file yang relevan, dan kriteria penyelesaian yang jelas. Tugas yang sesuai dapat meminta perubahan terkoordinasi, penjelasan dependensi yang terdampak, serta pemeriksaan yang diperlukan untuk memvalidasi hasil. Berikan instruksi proyek terkini dan contoh visual yang berguna, lalu mintalah hasil yang dapat ditinjau: kode yang diubah, analisis cacat, atau rencana implementasi yang telah diuji.
", "aboutText": "GPT-5-Codex adalah versi GPT-5 OpenAI yang dioptimalkan untuk rekayasa perangkat lunak berbasis agen dalam Codex dan lingkungan pemrograman sebanding. Pelatihannya menargetkan pekerjaan seperti membuat proyek, menerapkan fitur dan pengujian, menelusuri kesalahan, merefaktor basis kode yang sudah ada, serta meninjau perubahan. Pembelajaran penguatan pada tugas pemrograman nyata mengembangkan kepatuhan terhadap instruksi, gaya kode, dan verifikasi berulang. Lingkungan yang dituju adalah asisten pemrograman dengan akses ke konteks proyek serta alat pengembangan.\n\nModel menyesuaikan jumlah penalaran yang digunakannya untuk tugas. Perubahan kecil yang didefinisikan dengan jelas dapat ditangani sebagai percakapan interaktif, sedangkan refaktor kompleks dapat melibatkan analisis berkelanjutan dan langkah implementasi berulang. Perilaku adaptif ini menghubungkan percakapan dengan pelaksanaan: agen memeriksa proyek, mengusulkan perubahan, menerima hasil dari lingkungannya, dan terus bekerja menuju hasil yang dinyatakan.\n\nPeninjauan kode merupakan bagian tersendiri dari spesialisasinya. OpenAI menjelaskan peninjau yang memeriksa basis kode dan dependensi, menghubungkan perubahan yang diusulkan dengan perilaku yang dituju, serta menggunakan pelaksanaan kode dan pengujian untuk menyelidiki kebenaran. Keluaran yang berguna adalah penjelasan terarah tentang cacat yang berdampak penting dan kode yang terpengaruh, bukan komentar berdasarkan tampilan perbandingan perubahan saja. File proyek dan hasil alat menyediakan bukti untuk analisis tersebut.\n\nMasukan visual mendukung pekerjaan antarmuka. Tangkapan layar, kerangka antarmuka, dan diagram dapat menyampaikan antarmuka yang diinginkan atau masalah yang diamati. Dalam lingkungan dengan alat browser dan tangkapan layar, agen dapat memeriksa implementasi serta membandingkan hasil yang dibangunnya dengan sasaran visual yang diberikan. Ini adalah alur kerja yang dibantu lingkungan: model menafsirkan informasi dan memilih tindakan, sedangkan aplikasi menyediakan alat serta menjalankannya.\n\nSpesifikasi model yang dipublikasikan mencantumkan masukan teks dan gambar serta keluaran teks, jendela konteks 400000 token, dan hingga 128000 token keluaran. Model ini mendukung token penalaran, streaming, pemanggilan fungsi, dan keluaran terstruktur. OpenAI mendokumentasikan model melalui antarmuka Responses dan mengidentifikasi nama tanpa versi sebagai label model yang diperbarui. Batas pengetahuannya yang didokumentasikan adalah 30 September 2024. Audio dan video berada di luar modalitas masukan yang tercantum; fine-tuning serta Predicted Outputs tidak didukung dalam konfigurasi ini.\n\nAdendum kartu sistem memisahkan pelatihan model dari kontrol produk. Model dilatih untuk menolak instruksi injeksi prompt yang ditemui dalam materi pemrograman. Isolasi ruang kerja, izin jaringan, dan aturan persetujuan merupakan bagian dari lingkungan agen. Perbedaan ini penting ketika asisten membaca dokumentasi eksternal atau menjalankan perintah: akses ditentukan oleh aplikasi, dan keluarannya menyediakan catatan tentang hal yang benar-benar terjadi.\n\nUntuk asisten pemrograman yang menggunakan Ailoot API, mulailah dengan perilaku yang ingin dicapai, file yang relevan, dan kriteria penyelesaian yang jelas. Tugas yang sesuai dapat meminta perubahan terkoordinasi, penjelasan dependensi yang terdampak, serta pemeriksaan yang diperlukan untuk memvalidasi hasil. Berikan instruksi proyek terkini dan contoh visual yang berguna, lalu mintalah hasil yang dapat ditinjau: kode yang diubah, analisis cacat, atau rencana implementasi yang telah diuji.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Review a mutable default argument\n\nReview this Python function: def add_tag(tag, tags=[]):\n tags.append(tag)\n return tags\nCalling add_tag("red") and then add_tag("blue") should return separate one-item lists when no list is supplied. Explain the defect, give a minimal correction and tests for independent calls and an explicitly provided list.A defect explanation, corrected function and tests covering default and explicit arguments.Check that omitted lists do not share state while a caller-supplied list retains the intended append behavior.gpt-5-codexGPT-5-Codex adalah varian GPT-5 OpenAI untuk rekayasa perangkat lunak berbasis agen: menerapkan fitur, menelusuri kesalahan, merefaktor, dan meninjau kode dalam lingkungan yang menyediakan alat. Model ini menggabungkan masukan teks dan gambar dengan penalaran adaptif serta konteks 400000 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GPT-5-Codex adalah versi GPT-5 OpenAI yang dioptimalkan untuk rekayasa perangkat lunak berbasis agen dalam Codex dan lingkungan pemrograman sebanding. Pelatihannya menargetkan pekerjaan seperti membuat proyek, menerapkan fitur dan pengujian, menelusuri kesalahan, merefaktor basis kode yang sudah ada, serta meninjau perubahan. Pembelajaran penguatan pada tugas pemrograman nyata mengembangkan kepatuhan terhadap instruksi, gaya kode, dan verifikasi berulang. Lingkungan yang dituju adalah asisten pemrograman dengan akses ke konteks proyek serta alat pengembangan.
Model menyesuaikan jumlah penalaran yang digunakannya untuk tugas. Perubahan kecil yang didefinisikan dengan jelas dapat ditangani sebagai percakapan interaktif, sedangkan refaktor kompleks dapat melibatkan analisis berkelanjutan dan langkah implementasi berulang. Perilaku adaptif ini menghubungkan percakapan dengan pelaksanaan: agen memeriksa proyek, mengusulkan perubahan, menerima hasil dari lingkungannya, dan terus bekerja menuju hasil yang dinyatakan.
Peninjauan kode merupakan bagian tersendiri dari spesialisasinya. OpenAI menjelaskan peninjau yang memeriksa basis kode dan dependensi, menghubungkan perubahan yang diusulkan dengan perilaku yang dituju, serta menggunakan pelaksanaan kode dan pengujian untuk menyelidiki kebenaran. Keluaran yang berguna adalah penjelasan terarah tentang cacat yang berdampak penting dan kode yang terpengaruh, bukan komentar berdasarkan tampilan perbandingan perubahan saja. File proyek dan hasil alat menyediakan bukti untuk analisis tersebut.
Masukan visual mendukung pekerjaan antarmuka. Tangkapan layar, kerangka antarmuka, dan diagram dapat menyampaikan antarmuka yang diinginkan atau masalah yang diamati. Dalam lingkungan dengan alat browser dan tangkapan layar, agen dapat memeriksa implementasi serta membandingkan hasil yang dibangunnya dengan sasaran visual yang diberikan. Ini adalah alur kerja yang dibantu lingkungan: model menafsirkan informasi dan memilih tindakan, sedangkan aplikasi menyediakan alat serta menjalankannya.
Spesifikasi model yang dipublikasikan mencantumkan masukan teks dan gambar serta keluaran teks, jendela konteks 400000 token, dan hingga 128000 token keluaran. Model ini mendukung token penalaran, streaming, pemanggilan fungsi, dan keluaran terstruktur. OpenAI mendokumentasikan model melalui antarmuka Responses dan mengidentifikasi nama tanpa versi sebagai label model yang diperbarui. Batas pengetahuannya yang didokumentasikan adalah 30 September 2024. Audio dan video berada di luar modalitas masukan yang tercantum; fine-tuning serta Predicted Outputs tidak didukung dalam konfigurasi ini.
Adendum kartu sistem memisahkan pelatihan model dari kontrol produk. Model dilatih untuk menolak instruksi injeksi prompt yang ditemui dalam materi pemrograman. Isolasi ruang kerja, izin jaringan, dan aturan persetujuan merupakan bagian dari lingkungan agen. Perbedaan ini penting ketika asisten membaca dokumentasi eksternal atau menjalankan perintah: akses ditentukan oleh aplikasi, dan keluarannya menyediakan catatan tentang hal yang benar-benar terjadi.
Untuk asisten pemrograman yang menggunakan Ailoot API, mulailah dengan perilaku yang ingin dicapai, file yang relevan, dan kriteria penyelesaian yang jelas. Tugas yang sesuai dapat meminta perubahan terkoordinasi, penjelasan dependensi yang terdampak, serta pemeriksaan yang diperlukan untuk memvalidasi hasil. Berikan instruksi proyek terkini dan contoh visual yang berguna, lalu mintalah hasil yang dapat ditinjau: kode yang diubah, analisis cacat, atau rencana implementasi yang telah diuji.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan gpt-5-codex | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0025 / 1K token Keluaran · Token keluaran $0.02 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5-codex", "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='gpt-5-codex',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='gpt-5-codex',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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra gpt-5-codex
Gunakan jalur metode yang ditampilkan di atas.
gpt-5-codexGPT-5-Codex adalah varian GPT-5 OpenAI untuk rekayasa perangkat lunak berbasis agen: menerapkan fitur, menelusuri kesalahan, merefaktor, dan meninjau kode dalam lingkungan yang menyediakan alat. Model ini menggabungkan masukan teks dan gambar dengan penalaran adaptif serta konteks 400000 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
GPT-5-Codex adalah versi GPT-5 OpenAI yang dioptimalkan untuk rekayasa perangkat lunak berbasis agen dalam Codex dan lingkungan pemrograman sebanding. Pelatihannya menargetkan pekerjaan seperti membuat proyek, menerapkan fitur dan pengujian, menelusuri kesalahan, merefaktor basis kode yang sudah ada, serta meninjau perubahan. Pembelajaran penguatan pada tugas pemrograman nyata mengembangkan kepatuhan terhadap instruksi, gaya kode, dan verifikasi berulang. Lingkungan yang dituju adalah asisten pemrograman dengan akses ke konteks proyek serta alat pengembangan.
Model menyesuaikan jumlah penalaran yang digunakannya untuk tugas. Perubahan kecil yang didefinisikan dengan jelas dapat ditangani sebagai percakapan interaktif, sedangkan refaktor kompleks dapat melibatkan analisis berkelanjutan dan langkah implementasi berulang. Perilaku adaptif ini menghubungkan percakapan dengan pelaksanaan: agen memeriksa proyek, mengusulkan perubahan, menerima hasil dari lingkungannya, dan terus bekerja menuju hasil yang dinyatakan.
Peninjauan kode merupakan bagian tersendiri dari spesialisasinya. OpenAI menjelaskan peninjau yang memeriksa basis kode dan dependensi, menghubungkan perubahan yang diusulkan dengan perilaku yang dituju, serta menggunakan pelaksanaan kode dan pengujian untuk menyelidiki kebenaran. Keluaran yang berguna adalah penjelasan terarah tentang cacat yang berdampak penting dan kode yang terpengaruh, bukan komentar berdasarkan tampilan perbandingan perubahan saja. File proyek dan hasil alat menyediakan bukti untuk analisis tersebut.
Masukan visual mendukung pekerjaan antarmuka. Tangkapan layar, kerangka antarmuka, dan diagram dapat menyampaikan antarmuka yang diinginkan atau masalah yang diamati. Dalam lingkungan dengan alat browser dan tangkapan layar, agen dapat memeriksa implementasi serta membandingkan hasil yang dibangunnya dengan sasaran visual yang diberikan. Ini adalah alur kerja yang dibantu lingkungan: model menafsirkan informasi dan memilih tindakan, sedangkan aplikasi menyediakan alat serta menjalankannya.
Spesifikasi model yang dipublikasikan mencantumkan masukan teks dan gambar serta keluaran teks, jendela konteks 400000 token, dan hingga 128000 token keluaran. Model ini mendukung token penalaran, streaming, pemanggilan fungsi, dan keluaran terstruktur. OpenAI mendokumentasikan model melalui antarmuka Responses dan mengidentifikasi nama tanpa versi sebagai label model yang diperbarui. Batas pengetahuannya yang didokumentasikan adalah 30 September 2024. Audio dan video berada di luar modalitas masukan yang tercantum; fine-tuning serta Predicted Outputs tidak didukung dalam konfigurasi ini.
Adendum kartu sistem memisahkan pelatihan model dari kontrol produk. Model dilatih untuk menolak instruksi injeksi prompt yang ditemui dalam materi pemrograman. Isolasi ruang kerja, izin jaringan, dan aturan persetujuan merupakan bagian dari lingkungan agen. Perbedaan ini penting ketika asisten membaca dokumentasi eksternal atau menjalankan perintah: akses ditentukan oleh aplikasi, dan keluarannya menyediakan catatan tentang hal yang benar-benar terjadi.
Untuk asisten pemrograman yang menggunakan Ailoot API, mulailah dengan perilaku yang ingin dicapai, file yang relevan, dan kriteria penyelesaian yang jelas. Tugas yang sesuai dapat meminta perubahan terkoordinasi, penjelasan dependensi yang terdampak, serta pemeriksaan yang diperlukan untuk memvalidasi hasil. Berikan instruksi proyek terkini dan contoh visual yang berguna, lalu mintalah hasil yang dapat ditinjau: kode yang diubah, analisis cacat, atau rencana implementasi yang telah diuji.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan gpt-5-codex | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0025 / 1K token Keluaran · Token keluaran $0.02 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "gpt-5-codex",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-codex', '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-codex', '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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra gpt-5-codex
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Review a mutable default argument\n\nReview this Python function: def add_tag(tag, tags=[]):\n tags.append(tag)\n return tags\nCalling add_tag("red") and then add_tag("blue") should return separate one-item lists when no list is supplied. Explain the defect, give a minimal correction and tests for independent calls and an explicitly provided list.A defect explanation, corrected function and tests covering default and explicit arguments.Check that omitted lists do not share state while a caller-supplied list retains the intended append behavior.