GPT-4 Turbo Preview 1106 ialah edisi teks GPT-4 Turbo Preview pertama OpenAI yang diberi nama khusus. Model ini memperkenalkan tetingkap konteks 128K, pematuhan arahan yang dipertingkat, mod JSON serta kemas kini panggilan fungsi, termasuk permintaan untuk beberapa fungsi dalam satu mesej. Output yang berguna ialah jawapan teks, cadangan kod atau rekod aplikasi berstruktur yang berasaskan bahan yang diberikan. Profil 1106 ini berasingan daripada Vision Preview dan kemas kini 0125 yang lebih kemudian.
Pelancaran menetapkan tetingkap konteks 128K dan pengetahuan peristiwa dunia sehingga April 2023. Berikan bukti yang lebih baharu apabila tugas bergantung pada maklumat semasa. Konteks yang lebih besar boleh menampung dokumen sumber atau kod yang berkaitan, tetapi prompt masih perlu menetapkan perkara yang perlu dilakukan oleh model dengannya. Nyatakan soalan, bahan yang perlu dijadikan rujukan utama dan bentuk jawapan yang dijangkakan.
Bagi perbandingan dokumen, kenal pasti versi dan minta syarat yang berubah bersama petikan yang menyokongnya. Bagi tugas pengekodan, sertakan tingkah laku sedia ada, perubahan yang dikehendaki dan kekangan antara muka yang relevan. Hasil yang berguna boleh berupa tampalan terfokus atau penjelasan kecacatan dengan kes konkrit yang mendedahkannya. Asingkan bahan yang tidak relevan daripada tugas supaya perhatian model tertumpu pada bukti yang mengubah hasil.
Pengeluar menekankan pematuhan yang lebih baik kepada arahan yang memerlukan format respons tertentu. Permintaan boleh mentakrifkan penjelasan berurutan, jadual atau rekod yang boleh dibaca mesin. Namakan medan dan jelaskan perkara yang perlu dikembalikan apabila sumber tidak menetapkan nilai. Contoh arahan pemprosesan rekod boleh meminta pengecam sumber, syarat yang diekstrak dan petikan asalnya.
Mod JSON mengehadkan balasan kepada objek JSON yang sah dari segi sintaks dalam aliran Chat Completions pengeluar. JSON yang sah tidak membuktikan bahawa rekod mengandungi medan yang betul atau nilai yang tepat. Asingkan pengesahan aplikasi dan semakan sumber daripada kawalan format, khususnya apabila langkah seterusnya bergantung pada pengecam atau status tertentu. Apabila menggunakan mod JSON pengeluar, arahkan model secara jelas untuk menghasilkan JSON dan sertakan perkataan “JSON” dalam perbualan. Tanpa arahan itu, model boleh mengeluarkan aksara ruang kosong sehingga had token; semak bahawa objek lengkap telah dikembalikan. Ciri output berskema terhad yang lebih baharu pada model lain ialah mekanisme yang berbeza.
Model boleh menghasilkan argumen untuk fungsi yang ditakrifkan oleh aplikasi. Keluaran ini menambahkan keupayaan untuk meminta beberapa fungsi dalam satu mesej, yang boleh menyokong tugas yang memerlukan lebih daripada satu carian maklumat. Huraikan tujuan serta input wajib setiap fungsi, kemudian hubungkan maklumat sebenar yang dikembalikan dengan jawapan seterusnya. Model memilih dan menghuraikan permintaan; aplikasi melaksanakannya.
Bagi perbandingan dua rekod, fungsi boleh memperoleh butiran sebenar setiap rekod sebelum pembantu menyediakan perbandingan. Kekalkan kaitan antara item yang diminta dengan hasil yang dikembalikan. Apabila sumber tiada atau operasi gagal, bawa keadaan itu ke dalam respons dan bukannya mengumumkan hasil yang berjaya berdasarkan argumen yang dicadangkan semata-mata.
Kawalan seed beta dalam pelancaran bertujuan menghasilkan pelengkapan yang konsisten pada kebanyakan masa. Gunakannya dengan bahan sumber dan tetapan lain yang sama apabila membandingkan perubahan kecil pada prompt. Kawalan ini tidak menjamin determinisme, jadi periksa kedua-dua respons dan simpan keadaan yang digunakan untuk menghasilkan setiap satu.
Keluaran asal memisahkan Preview teks ini daripada GPT-4 Turbo with Vision, model penjanaan imej dan model penjanaan pertuturan. Berikan maklumat rajah yang relevan dalam bentuk bertulis untuk profil ini dan bukannya memindahkan keupayaan input model Vision kepadanya. Kemas kini Preview 0125 yang lebih kemudian menyasarkan pelengkapan tugas yang lebih menyeluruh dan membetulkan pepijat pengekodan; edisi 1106 mendahului perubahan itu. Simpan model yang dinamakan, bahan sumber, format yang diminta dan artifak yang dikembalikan bersama-sama apabila menilai hasil.
", "aboutText": "GPT-4 Turbo Preview 1106 ialah edisi teks GPT-4 Turbo Preview pertama OpenAI yang diberi nama khusus. Model ini memperkenalkan tetingkap konteks 128K, pematuhan arahan yang dipertingkat, mod JSON serta kemas kini panggilan fungsi, termasuk permintaan untuk beberapa fungsi dalam satu mesej. Output yang berguna ialah jawapan teks, cadangan kod atau rekod aplikasi berstruktur yang berasaskan bahan yang diberikan. Profil 1106 ini berasingan daripada Vision Preview dan kemas kini 0125 yang lebih kemudian.\n\n### Gabungkan teks yang berkaitan dalam satu tugas terbatas\n\nPelancaran menetapkan tetingkap konteks 128K dan pengetahuan peristiwa dunia sehingga April 2023. Berikan bukti yang lebih baharu apabila tugas bergantung pada maklumat semasa. Konteks yang lebih besar boleh menampung dokumen sumber atau kod yang berkaitan, tetapi prompt masih perlu menetapkan perkara yang perlu dilakukan oleh model dengannya. Nyatakan soalan, bahan yang perlu dijadikan rujukan utama dan bentuk jawapan yang dijangkakan.\n\nBagi perbandingan dokumen, kenal pasti versi dan minta syarat yang berubah bersama petikan yang menyokongnya. Bagi tugas pengekodan, sertakan tingkah laku sedia ada, perubahan yang dikehendaki dan kekangan antara muka yang relevan. Hasil yang berguna boleh berupa tampalan terfokus atau penjelasan kecacatan dengan kes konkrit yang mendedahkannya. Asingkan bahan yang tidak relevan daripada tugas supaya perhatian model tertumpu pada bukti yang mengubah hasil.\n\n### Ikuti format yang diminta\n\nPengeluar menekankan pematuhan yang lebih baik kepada arahan yang memerlukan format respons tertentu. Permintaan boleh mentakrifkan penjelasan berurutan, jadual atau rekod yang boleh dibaca mesin. Namakan medan dan jelaskan perkara yang perlu dikembalikan apabila sumber tidak menetapkan nilai. Contoh arahan pemprosesan rekod boleh meminta pengecam sumber, syarat yang diekstrak dan petikan asalnya.\n\nMod JSON mengehadkan balasan kepada objek JSON yang sah dari segi sintaks dalam aliran Chat Completions pengeluar. JSON yang sah tidak membuktikan bahawa rekod mengandungi medan yang betul atau nilai yang tepat. Asingkan pengesahan aplikasi dan semakan sumber daripada kawalan format, khususnya apabila langkah seterusnya bergantung pada pengecam atau status tertentu. Apabila menggunakan mod JSON pengeluar, arahkan model secara jelas untuk menghasilkan JSON dan sertakan perkataan “JSON” dalam perbualan. Tanpa arahan itu, model boleh mengeluarkan aksara ruang kosong sehingga had token; semak bahawa objek lengkap telah dikembalikan. Ciri output berskema terhad yang lebih baharu pada model lain ialah mekanisme yang berbeza.\n\n### Minta fungsi dengan argumen yang berguna\n\nModel boleh menghasilkan argumen untuk fungsi yang ditakrifkan oleh aplikasi. Keluaran ini menambahkan keupayaan untuk meminta beberapa fungsi dalam satu mesej, yang boleh menyokong tugas yang memerlukan lebih daripada satu carian maklumat. Huraikan tujuan serta input wajib setiap fungsi, kemudian hubungkan maklumat sebenar yang dikembalikan dengan jawapan seterusnya. Model memilih dan menghuraikan permintaan; aplikasi melaksanakannya.\n\nBagi perbandingan dua rekod, fungsi boleh memperoleh butiran sebenar setiap rekod sebelum pembantu menyediakan perbandingan. Kekalkan kaitan antara item yang diminta dengan hasil yang dikembalikan. Apabila sumber tiada atau operasi gagal, bawa keadaan itu ke dalam respons dan bukannya mengumumkan hasil yang berjaya berdasarkan argumen yang dicadangkan semata-mata.\n\n### Percubaan yang boleh diulang dan edisi yang dipilih\n\nKawalan seed beta dalam pelancaran bertujuan menghasilkan pelengkapan yang konsisten pada kebanyakan masa. Gunakannya dengan bahan sumber dan tetapan lain yang sama apabila membandingkan perubahan kecil pada prompt. Kawalan ini tidak menjamin determinisme, jadi periksa kedua-dua respons dan simpan keadaan yang digunakan untuk menghasilkan setiap satu.\n\nKeluaran asal memisahkan Preview teks ini daripada GPT-4 Turbo with Vision, model penjanaan imej dan model penjanaan pertuturan. Berikan maklumat rajah yang relevan dalam bentuk bertulis untuk profil ini dan bukannya memindahkan keupayaan input model Vision kepadanya. Kemas kini Preview 0125 yang lebih kemudian menyasarkan pelengkapan tugas yang lebih menyeluruh dan membetulkan pepijat pengekodan; edisi 1106 mendahului perubahan itu. Simpan model yang dinamakan, bahan sumber, format yang diminta dan artifak yang dikembalikan bersama-sama apabila menilai hasil.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.gpt-4-1106-previewGPT-4 Turbo Preview 1106 mengendalikan tugas teks dan kod berkonteks panjang dengan tetingkap konteks 128K yang didokumenkan. Mod JSON dan panggilan fungsi membantu menukar bahan yang diberikan kepada jawapan teks atau rekod aplikasi, dengan edisi Preview yang tepat dikekalkan secara berasingan daripada model penglihatan dan model yang lebih baharu.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GPT-4 Turbo Preview 1106 ialah edisi teks GPT-4 Turbo Preview pertama OpenAI yang diberi nama khusus. Model ini memperkenalkan tetingkap konteks 128K, pematuhan arahan yang dipertingkat, mod JSON serta kemas kini panggilan fungsi, termasuk permintaan untuk beberapa fungsi dalam satu mesej. Output yang berguna ialah jawapan teks, cadangan kod atau rekod aplikasi berstruktur yang berasaskan bahan yang diberikan. Profil 1106 ini berasingan daripada Vision Preview dan kemas kini 0125 yang lebih kemudian.
Pelancaran menetapkan tetingkap konteks 128K dan pengetahuan peristiwa dunia sehingga April 2023. Berikan bukti yang lebih baharu apabila tugas bergantung pada maklumat semasa. Konteks yang lebih besar boleh menampung dokumen sumber atau kod yang berkaitan, tetapi prompt masih perlu menetapkan perkara yang perlu dilakukan oleh model dengannya. Nyatakan soalan, bahan yang perlu dijadikan rujukan utama dan bentuk jawapan yang dijangkakan.
Bagi perbandingan dokumen, kenal pasti versi dan minta syarat yang berubah bersama petikan yang menyokongnya. Bagi tugas pengekodan, sertakan tingkah laku sedia ada, perubahan yang dikehendaki dan kekangan antara muka yang relevan. Hasil yang berguna boleh berupa tampalan terfokus atau penjelasan kecacatan dengan kes konkrit yang mendedahkannya. Asingkan bahan yang tidak relevan daripada tugas supaya perhatian model tertumpu pada bukti yang mengubah hasil.
Pengeluar menekankan pematuhan yang lebih baik kepada arahan yang memerlukan format respons tertentu. Permintaan boleh mentakrifkan penjelasan berurutan, jadual atau rekod yang boleh dibaca mesin. Namakan medan dan jelaskan perkara yang perlu dikembalikan apabila sumber tidak menetapkan nilai. Contoh arahan pemprosesan rekod boleh meminta pengecam sumber, syarat yang diekstrak dan petikan asalnya.
Mod JSON mengehadkan balasan kepada objek JSON yang sah dari segi sintaks dalam aliran Chat Completions pengeluar. JSON yang sah tidak membuktikan bahawa rekod mengandungi medan yang betul atau nilai yang tepat. Asingkan pengesahan aplikasi dan semakan sumber daripada kawalan format, khususnya apabila langkah seterusnya bergantung pada pengecam atau status tertentu. Apabila menggunakan mod JSON pengeluar, arahkan model secara jelas untuk menghasilkan JSON dan sertakan perkataan “JSON” dalam perbualan. Tanpa arahan itu, model boleh mengeluarkan aksara ruang kosong sehingga had token; semak bahawa objek lengkap telah dikembalikan. Ciri output berskema terhad yang lebih baharu pada model lain ialah mekanisme yang berbeza.
Model boleh menghasilkan argumen untuk fungsi yang ditakrifkan oleh aplikasi. Keluaran ini menambahkan keupayaan untuk meminta beberapa fungsi dalam satu mesej, yang boleh menyokong tugas yang memerlukan lebih daripada satu carian maklumat. Huraikan tujuan serta input wajib setiap fungsi, kemudian hubungkan maklumat sebenar yang dikembalikan dengan jawapan seterusnya. Model memilih dan menghuraikan permintaan; aplikasi melaksanakannya.
Bagi perbandingan dua rekod, fungsi boleh memperoleh butiran sebenar setiap rekod sebelum pembantu menyediakan perbandingan. Kekalkan kaitan antara item yang diminta dengan hasil yang dikembalikan. Apabila sumber tiada atau operasi gagal, bawa keadaan itu ke dalam respons dan bukannya mengumumkan hasil yang berjaya berdasarkan argumen yang dicadangkan semata-mata.
Kawalan seed beta dalam pelancaran bertujuan menghasilkan pelengkapan yang konsisten pada kebanyakan masa. Gunakannya dengan bahan sumber dan tetapan lain yang sama apabila membandingkan perubahan kecil pada prompt. Kawalan ini tidak menjamin determinisme, jadi periksa kedua-dua respons dan simpan keadaan yang digunakan untuk menghasilkan setiap satu.
Keluaran asal memisahkan Preview teks ini daripada GPT-4 Turbo with Vision, model penjanaan imej dan model penjanaan pertuturan. Berikan maklumat rajah yang relevan dalam bentuk bertulis untuk profil ini dan bukannya memindahkan keupayaan input model Vision kepadanya. Kemas kini Preview 0125 yang lebih kemudian menyasarkan pelengkapan tugas yang lebih menyeluruh dan membetulkan pepijat pengekodan; edisi 1106 mendahului perubahan itu. Simpan model yang dinamakan, bahan sumber, format yang diminta dan artifak yang dikembalikan bersama-sama apabila menilai hasil.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gpt-4-1106-preview | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
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 berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.02 / 1K token Output · Token output $0.06 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-4-1106-preview", "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-4-1106-preview',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-4-1106-preview',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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra gpt-4-1106-preview
Gunakan laluan kaedah yang dipaparkan di atas.
gpt-4-1106-previewGPT-4 Turbo Preview 1106 mengendalikan tugas teks dan kod berkonteks panjang dengan tetingkap konteks 128K yang didokumenkan. Mod JSON dan panggilan fungsi membantu menukar bahan yang diberikan kepada jawapan teks atau rekod aplikasi, dengan edisi Preview yang tepat dikekalkan secara berasingan daripada model penglihatan dan model yang lebih baharu.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GPT-4 Turbo Preview 1106 ialah edisi teks GPT-4 Turbo Preview pertama OpenAI yang diberi nama khusus. Model ini memperkenalkan tetingkap konteks 128K, pematuhan arahan yang dipertingkat, mod JSON serta kemas kini panggilan fungsi, termasuk permintaan untuk beberapa fungsi dalam satu mesej. Output yang berguna ialah jawapan teks, cadangan kod atau rekod aplikasi berstruktur yang berasaskan bahan yang diberikan. Profil 1106 ini berasingan daripada Vision Preview dan kemas kini 0125 yang lebih kemudian.
Pelancaran menetapkan tetingkap konteks 128K dan pengetahuan peristiwa dunia sehingga April 2023. Berikan bukti yang lebih baharu apabila tugas bergantung pada maklumat semasa. Konteks yang lebih besar boleh menampung dokumen sumber atau kod yang berkaitan, tetapi prompt masih perlu menetapkan perkara yang perlu dilakukan oleh model dengannya. Nyatakan soalan, bahan yang perlu dijadikan rujukan utama dan bentuk jawapan yang dijangkakan.
Bagi perbandingan dokumen, kenal pasti versi dan minta syarat yang berubah bersama petikan yang menyokongnya. Bagi tugas pengekodan, sertakan tingkah laku sedia ada, perubahan yang dikehendaki dan kekangan antara muka yang relevan. Hasil yang berguna boleh berupa tampalan terfokus atau penjelasan kecacatan dengan kes konkrit yang mendedahkannya. Asingkan bahan yang tidak relevan daripada tugas supaya perhatian model tertumpu pada bukti yang mengubah hasil.
Pengeluar menekankan pematuhan yang lebih baik kepada arahan yang memerlukan format respons tertentu. Permintaan boleh mentakrifkan penjelasan berurutan, jadual atau rekod yang boleh dibaca mesin. Namakan medan dan jelaskan perkara yang perlu dikembalikan apabila sumber tidak menetapkan nilai. Contoh arahan pemprosesan rekod boleh meminta pengecam sumber, syarat yang diekstrak dan petikan asalnya.
Mod JSON mengehadkan balasan kepada objek JSON yang sah dari segi sintaks dalam aliran Chat Completions pengeluar. JSON yang sah tidak membuktikan bahawa rekod mengandungi medan yang betul atau nilai yang tepat. Asingkan pengesahan aplikasi dan semakan sumber daripada kawalan format, khususnya apabila langkah seterusnya bergantung pada pengecam atau status tertentu. Apabila menggunakan mod JSON pengeluar, arahkan model secara jelas untuk menghasilkan JSON dan sertakan perkataan “JSON” dalam perbualan. Tanpa arahan itu, model boleh mengeluarkan aksara ruang kosong sehingga had token; semak bahawa objek lengkap telah dikembalikan. Ciri output berskema terhad yang lebih baharu pada model lain ialah mekanisme yang berbeza.
Model boleh menghasilkan argumen untuk fungsi yang ditakrifkan oleh aplikasi. Keluaran ini menambahkan keupayaan untuk meminta beberapa fungsi dalam satu mesej, yang boleh menyokong tugas yang memerlukan lebih daripada satu carian maklumat. Huraikan tujuan serta input wajib setiap fungsi, kemudian hubungkan maklumat sebenar yang dikembalikan dengan jawapan seterusnya. Model memilih dan menghuraikan permintaan; aplikasi melaksanakannya.
Bagi perbandingan dua rekod, fungsi boleh memperoleh butiran sebenar setiap rekod sebelum pembantu menyediakan perbandingan. Kekalkan kaitan antara item yang diminta dengan hasil yang dikembalikan. Apabila sumber tiada atau operasi gagal, bawa keadaan itu ke dalam respons dan bukannya mengumumkan hasil yang berjaya berdasarkan argumen yang dicadangkan semata-mata.
Kawalan seed beta dalam pelancaran bertujuan menghasilkan pelengkapan yang konsisten pada kebanyakan masa. Gunakannya dengan bahan sumber dan tetapan lain yang sama apabila membandingkan perubahan kecil pada prompt. Kawalan ini tidak menjamin determinisme, jadi periksa kedua-dua respons dan simpan keadaan yang digunakan untuk menghasilkan setiap satu.
Keluaran asal memisahkan Preview teks ini daripada GPT-4 Turbo with Vision, model penjanaan imej dan model penjanaan pertuturan. Berikan maklumat rajah yang relevan dalam bentuk bertulis untuk profil ini dan bukannya memindahkan keupayaan input model Vision kepadanya. Kemas kini Preview 0125 yang lebih kemudian menyasarkan pelengkapan tugas yang lebih menyeluruh dan membetulkan pepijat pengekodan; edisi 1106 mendahului perubahan itu. Simpan model yang dinamakan, bahan sumber, format yang diminta dan artifak yang dikembalikan bersama-sama apabila menilai hasil.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gpt-4-1106-preview | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan 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 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.02 / 1K token Output · Token output $0.06 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "gpt-4-1106-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-1106-preview', '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-4-1106-preview', '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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra gpt-4-1106-preview
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.