GPT-5-Codex è la versione di GPT-5 di OpenAI ottimizzata per l’ingegneria del software con agenti in Codex e in ambienti di programmazione analoghi. Il suo addestramento mira ad attività quali la creazione di progetti, l’implementazione di funzionalità e test, il debug, il refactoring di basi di codice esistenti e la revisione delle modifiche. L’apprendimento per rinforzo su attività di programmazione reali sviluppa il rispetto delle istruzioni, lo stile del codice e la verifica iterativa. L’ambiente previsto è quello di un assistente di programmazione che accede al contesto del progetto e agli strumenti di sviluppo.
Il modello adatta la quantità di ragionamento dedicata a un’attività. Una piccola modifica ben definita può essere gestita in uno scambio interattivo, mentre un refactoring complesso può richiedere un’analisi prolungata e ripetute fasi di implementazione. Questo comportamento adattivo collega la conversazione all’esecuzione: l’agente esamina il progetto, propone una modifica, riceve risultati dal proprio ambiente e prosegue il lavoro verso l’obiettivo dichiarato.
La revisione del codice è un ambito distinto della sua specializzazione. OpenAI descrive un revisore che esamina la base di codice e le dipendenze, collega una modifica proposta al comportamento desiderato e usa l’esecuzione del codice e i test per verificarne la validità. Il risultato utile è una spiegazione mirata dei difetti con conseguenze concrete e del codice interessato, anziché commenti basati soltanto sull’aspetto di un diff. I file del progetto e i risultati degli strumenti forniscono gli elementi necessari a questa analisi.
Gli input visivi supportano il lavoro sulle interfacce. Screenshot, wireframe e diagrammi possono comunicare l’interfaccia desiderata o un problema osservato. In un ambiente dotato di strumenti per la navigazione e l’acquisizione di screenshot, l’agente può esaminare l’implementazione e confrontare quanto realizzato con l’obiettivo visivo fornito. Si tratta di processi assistiti dall’ambiente: il modello interpreta le informazioni e seleziona le azioni, mentre l’applicazione fornisce gli strumenti e li esegue.
La specifica pubblicata del modello indica input testuali e visivi e output testuale, una finestra di contesto di 400 000 token e fino a 128 000 token in output. Supporta i token di ragionamento, lo streaming, le chiamate di funzione e gli output strutturati. OpenAI documenta il modello tramite la propria interfaccia Responses e identifica il nome senza versione come una designazione del modello soggetta ad aggiornamenti. Il limite temporale delle conoscenze documentato è il 30 settembre 2024. Audio e video non fanno parte delle modalità di input elencate; il fine-tuning e Predicted Outputs non sono supportati in questa configurazione.
L’addendum alla scheda di sistema distingue l’addestramento del modello dai controlli del prodotto. Il modello è addestrato a resistere alle istruzioni di prompt injection incontrate nei contenuti di programmazione. L’isolamento dello spazio di lavoro, le autorizzazioni di rete e le regole di approvazione appartengono all’ambiente dell’agente. Questa distinzione conta quando l’assistente legge documentazione esterna o esegue comandi: l’accesso è definito dall’applicazione e i suoi output registrano ciò che è realmente avvenuto.
Per un assistente di programmazione che usa Ailoot API, iniziate dal comportamento da ottenere, dai file pertinenti e da un criterio di completamento chiaro. Un incarico adatto può richiedere una modifica coordinata, una spiegazione delle dipendenze interessate e i controlli necessari per convalidare il risultato. Fornite le istruzioni attuali del progetto ed esempi visivi utili, poi chiedete un risultato verificabile: codice modificato, un’analisi dei difetti o un piano di implementazione testato.
", "aboutText": "GPT-5-Codex è la versione di GPT-5 di OpenAI ottimizzata per l’ingegneria del software con agenti in Codex e in ambienti di programmazione analoghi. Il suo addestramento mira ad attività quali la creazione di progetti, l’implementazione di funzionalità e test, il debug, il refactoring di basi di codice esistenti e la revisione delle modifiche. L’apprendimento per rinforzo su attività di programmazione reali sviluppa il rispetto delle istruzioni, lo stile del codice e la verifica iterativa. L’ambiente previsto è quello di un assistente di programmazione che accede al contesto del progetto e agli strumenti di sviluppo.\n\nIl modello adatta la quantità di ragionamento dedicata a un’attività. Una piccola modifica ben definita può essere gestita in uno scambio interattivo, mentre un refactoring complesso può richiedere un’analisi prolungata e ripetute fasi di implementazione. Questo comportamento adattivo collega la conversazione all’esecuzione: l’agente esamina il progetto, propone una modifica, riceve risultati dal proprio ambiente e prosegue il lavoro verso l’obiettivo dichiarato.\n\nLa revisione del codice è un ambito distinto della sua specializzazione. OpenAI descrive un revisore che esamina la base di codice e le dipendenze, collega una modifica proposta al comportamento desiderato e usa l’esecuzione del codice e i test per verificarne la validità. Il risultato utile è una spiegazione mirata dei difetti con conseguenze concrete e del codice interessato, anziché commenti basati soltanto sull’aspetto di un diff. I file del progetto e i risultati degli strumenti forniscono gli elementi necessari a questa analisi.\n\nGli input visivi supportano il lavoro sulle interfacce. Screenshot, wireframe e diagrammi possono comunicare l’interfaccia desiderata o un problema osservato. In un ambiente dotato di strumenti per la navigazione e l’acquisizione di screenshot, l’agente può esaminare l’implementazione e confrontare quanto realizzato con l’obiettivo visivo fornito. Si tratta di processi assistiti dall’ambiente: il modello interpreta le informazioni e seleziona le azioni, mentre l’applicazione fornisce gli strumenti e li esegue.\n\nLa specifica pubblicata del modello indica input testuali e visivi e output testuale, una finestra di contesto di 400 000 token e fino a 128 000 token in output. Supporta i token di ragionamento, lo streaming, le chiamate di funzione e gli output strutturati. OpenAI documenta il modello tramite la propria interfaccia Responses e identifica il nome senza versione come una designazione del modello soggetta ad aggiornamenti. Il limite temporale delle conoscenze documentato è il 30 settembre 2024. Audio e video non fanno parte delle modalità di input elencate; il fine-tuning e Predicted Outputs non sono supportati in questa configurazione.\n\nL’addendum alla scheda di sistema distingue l’addestramento del modello dai controlli del prodotto. Il modello è addestrato a resistere alle istruzioni di prompt injection incontrate nei contenuti di programmazione. L’isolamento dello spazio di lavoro, le autorizzazioni di rete e le regole di approvazione appartengono all’ambiente dell’agente. Questa distinzione conta quando l’assistente legge documentazione esterna o esegue comandi: l’accesso è definito dall’applicazione e i suoi output registrano ciò che è realmente avvenuto.\n\nPer un assistente di programmazione che usa Ailoot API, iniziate dal comportamento da ottenere, dai file pertinenti e da un criterio di completamento chiaro. Un incarico adatto può richiedere una modifica coordinata, una spiegazione delle dipendenze interessate e i controlli necessari per convalidare il risultato. Fornite le istruzioni attuali del progetto ed esempi visivi utili, poi chiedete un risultato verificabile: codice modificato, un’analisi dei difetti o un piano di implementazione testato.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Repair mutable default state\n\nReview this Python function: def collect(item, bucket=[]): bucket.append(item); return bucket. Separate calls must not share a bucket unless one is explicitly supplied. Return a minimal correction and assertions for two independent calls plus a call with an existing list. Preserve the optional bucket argument.A corrected function and regression assertions covering independent and explicit shared storage.Independent calls must not retain earlier items, while an explicitly supplied list must still receive the item.gpt-5-codex-mediumGPT-5-Codex è la variante di GPT-5 di OpenAI per l’ingegneria del software con agenti: implementazione di funzionalità, debug, refactoring e revisione del codice in un ambiente dotato di strumenti. Combina input testuali e visivi con un ragionamento adattivo e un contesto di 400 000 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
GPT-5-Codex è la versione di GPT-5 di OpenAI ottimizzata per l’ingegneria del software con agenti in Codex e in ambienti di programmazione analoghi. Il suo addestramento mira ad attività quali la creazione di progetti, l’implementazione di funzionalità e test, il debug, il refactoring di basi di codice esistenti e la revisione delle modifiche. L’apprendimento per rinforzo su attività di programmazione reali sviluppa il rispetto delle istruzioni, lo stile del codice e la verifica iterativa. L’ambiente previsto è quello di un assistente di programmazione che accede al contesto del progetto e agli strumenti di sviluppo.
Il modello adatta la quantità di ragionamento dedicata a un’attività. Una piccola modifica ben definita può essere gestita in uno scambio interattivo, mentre un refactoring complesso può richiedere un’analisi prolungata e ripetute fasi di implementazione. Questo comportamento adattivo collega la conversazione all’esecuzione: l’agente esamina il progetto, propone una modifica, riceve risultati dal proprio ambiente e prosegue il lavoro verso l’obiettivo dichiarato.
La revisione del codice è un ambito distinto della sua specializzazione. OpenAI descrive un revisore che esamina la base di codice e le dipendenze, collega una modifica proposta al comportamento desiderato e usa l’esecuzione del codice e i test per verificarne la validità. Il risultato utile è una spiegazione mirata dei difetti con conseguenze concrete e del codice interessato, anziché commenti basati soltanto sull’aspetto di un diff. I file del progetto e i risultati degli strumenti forniscono gli elementi necessari a questa analisi.
Gli input visivi supportano il lavoro sulle interfacce. Screenshot, wireframe e diagrammi possono comunicare l’interfaccia desiderata o un problema osservato. In un ambiente dotato di strumenti per la navigazione e l’acquisizione di screenshot, l’agente può esaminare l’implementazione e confrontare quanto realizzato con l’obiettivo visivo fornito. Si tratta di processi assistiti dall’ambiente: il modello interpreta le informazioni e seleziona le azioni, mentre l’applicazione fornisce gli strumenti e li esegue.
La specifica pubblicata del modello indica input testuali e visivi e output testuale, una finestra di contesto di 400 000 token e fino a 128 000 token in output. Supporta i token di ragionamento, lo streaming, le chiamate di funzione e gli output strutturati. OpenAI documenta il modello tramite la propria interfaccia Responses e identifica il nome senza versione come una designazione del modello soggetta ad aggiornamenti. Il limite temporale delle conoscenze documentato è il 30 settembre 2024. Audio e video non fanno parte delle modalità di input elencate; il fine-tuning e Predicted Outputs non sono supportati in questa configurazione.
L’addendum alla scheda di sistema distingue l’addestramento del modello dai controlli del prodotto. Il modello è addestrato a resistere alle istruzioni di prompt injection incontrate nei contenuti di programmazione. L’isolamento dello spazio di lavoro, le autorizzazioni di rete e le regole di approvazione appartengono all’ambiente dell’agente. Questa distinzione conta quando l’assistente legge documentazione esterna o esegue comandi: l’accesso è definito dall’applicazione e i suoi output registrano ciò che è realmente avvenuto.
Per un assistente di programmazione che usa Ailoot API, iniziate dal comportamento da ottenere, dai file pertinenti e da un criterio di completamento chiaro. Un incarico adatto può richiedere una modifica coordinata, una spiegazione delle dipendenze interessate e i controlli necessari per convalidare il risultato. Fornite le istruzioni attuali del progetto ed esempi visivi utili, poi chiedete un risultato verificabile: codice modificato, un’analisi dei difetti o un piano di implementazione testato.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti gpt-5-codex-medium | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0025 / 1K token Output · Token in output $0.02 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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-medium", "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-medium',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-medium',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra gpt-5-codex-medium
Usa i percorsi dei metodi indicati sopra.
gpt-5-codex-mediumGPT-5-Codex è la variante di GPT-5 di OpenAI per l’ingegneria del software con agenti: implementazione di funzionalità, debug, refactoring e revisione del codice in un ambiente dotato di strumenti. Combina input testuali e visivi con un ragionamento adattivo e un contesto di 400 000 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
GPT-5-Codex è la versione di GPT-5 di OpenAI ottimizzata per l’ingegneria del software con agenti in Codex e in ambienti di programmazione analoghi. Il suo addestramento mira ad attività quali la creazione di progetti, l’implementazione di funzionalità e test, il debug, il refactoring di basi di codice esistenti e la revisione delle modifiche. L’apprendimento per rinforzo su attività di programmazione reali sviluppa il rispetto delle istruzioni, lo stile del codice e la verifica iterativa. L’ambiente previsto è quello di un assistente di programmazione che accede al contesto del progetto e agli strumenti di sviluppo.
Il modello adatta la quantità di ragionamento dedicata a un’attività. Una piccola modifica ben definita può essere gestita in uno scambio interattivo, mentre un refactoring complesso può richiedere un’analisi prolungata e ripetute fasi di implementazione. Questo comportamento adattivo collega la conversazione all’esecuzione: l’agente esamina il progetto, propone una modifica, riceve risultati dal proprio ambiente e prosegue il lavoro verso l’obiettivo dichiarato.
La revisione del codice è un ambito distinto della sua specializzazione. OpenAI descrive un revisore che esamina la base di codice e le dipendenze, collega una modifica proposta al comportamento desiderato e usa l’esecuzione del codice e i test per verificarne la validità. Il risultato utile è una spiegazione mirata dei difetti con conseguenze concrete e del codice interessato, anziché commenti basati soltanto sull’aspetto di un diff. I file del progetto e i risultati degli strumenti forniscono gli elementi necessari a questa analisi.
Gli input visivi supportano il lavoro sulle interfacce. Screenshot, wireframe e diagrammi possono comunicare l’interfaccia desiderata o un problema osservato. In un ambiente dotato di strumenti per la navigazione e l’acquisizione di screenshot, l’agente può esaminare l’implementazione e confrontare quanto realizzato con l’obiettivo visivo fornito. Si tratta di processi assistiti dall’ambiente: il modello interpreta le informazioni e seleziona le azioni, mentre l’applicazione fornisce gli strumenti e li esegue.
La specifica pubblicata del modello indica input testuali e visivi e output testuale, una finestra di contesto di 400 000 token e fino a 128 000 token in output. Supporta i token di ragionamento, lo streaming, le chiamate di funzione e gli output strutturati. OpenAI documenta il modello tramite la propria interfaccia Responses e identifica il nome senza versione come una designazione del modello soggetta ad aggiornamenti. Il limite temporale delle conoscenze documentato è il 30 settembre 2024. Audio e video non fanno parte delle modalità di input elencate; il fine-tuning e Predicted Outputs non sono supportati in questa configurazione.
L’addendum alla scheda di sistema distingue l’addestramento del modello dai controlli del prodotto. Il modello è addestrato a resistere alle istruzioni di prompt injection incontrate nei contenuti di programmazione. L’isolamento dello spazio di lavoro, le autorizzazioni di rete e le regole di approvazione appartengono all’ambiente dell’agente. Questa distinzione conta quando l’assistente legge documentazione esterna o esegue comandi: l’accesso è definito dall’applicazione e i suoi output registrano ciò che è realmente avvenuto.
Per un assistente di programmazione che usa Ailoot API, iniziate dal comportamento da ottenere, dai file pertinenti e da un criterio di completamento chiaro. Un incarico adatto può richiedere una modifica coordinata, una spiegazione delle dipendenze interessate e i controlli necessari per convalidare il risultato. Fornite le istruzioni attuali del progetto ed esempi visivi utili, poi chiedete un risultato verificabile: codice modificato, un’analisi dei difetti o un piano di implementazione testato.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti gpt-5-codex-medium | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0025 / 1K token Output · Token in output $0.02 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "gpt-5-codex-medium",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium', '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-medium', '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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra gpt-5-codex-medium
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Repair mutable default state\n\nReview this Python function: def collect(item, bucket=[]): bucket.append(item); return bucket. Separate calls must not share a bucket unless one is explicitly supplied. Return a minimal correction and assertions for two independent calls plus a call with an existing list. Preserve the optional bucket argument.A corrected function and regression assertions covering independent and explicit shared storage.Independent calls must not retain earlier items, while an explicitly supplied list must still receive the item.