GPT-5-Codex ialah versi GPT-5 OpenAI yang dioptimumkan untuk kejuruteraan perisian berasaskan ejen dalam Codex dan persekitaran pengekodan yang setanding. Latihannya menyasarkan kerja seperti mencipta projek, melaksanakan ciri dan ujian, menyahpepijat, memfaktor semula pangkalan kod sedia ada serta menyemak perubahan. Pembelajaran pengukuhan pada tugas pengekodan sebenar membangunkan pematuhan arahan, gaya kod dan pengesahan berulang. Persekitaran yang dimaksudkan ialah pembantu pengekodan dengan akses kepada konteks projek serta alat pembangunan.
Model melaraskan jumlah penaakulan yang digunakan bagi tugas. Perubahan kecil yang ditakrifkan dengan jelas boleh dikendalikan sebagai pertukaran interaktif, manakala pemfaktoran semula yang kompleks boleh melibatkan analisis berterusan dan langkah pelaksanaan berulang. Tingkah laku adaptif ini menghubungkan perbualan dengan pelaksanaan: ejen memeriksa projek, mencadangkan perubahan, menerima hasil daripada persekitarannya dan terus bekerja ke arah hasil yang dinyatakan.
Semakan kod ialah bahagian tersendiri dalam pengkhususannya. OpenAI menerangkan penyemak yang memeriksa pangkalan kod dan kebergantungan, mengaitkan perubahan yang dicadangkan dengan tingkah laku yang dikehendaki, serta menggunakan pelaksanaan kod dan ujian untuk menyiasat ketepatan. Output yang berguna ialah penjelasan terfokus tentang kecacatan yang membawa kesan penting dan kod yang terjejas, bukannya ulasan berdasarkan rupa paparan perubahan semata-mata. Fail projek dan hasil alat menyediakan bukti bagi analisis tersebut.
Input visual menyokong kerja antara muka. Tangkapan skrin, rangka antara muka dan rajah boleh menyampaikan antara muka yang dikehendaki atau masalah yang diperhatikan. Dalam persekitaran dengan alat pelayar dan tangkapan skrin, ejen boleh memeriksa pelaksanaan serta membandingkan hasil yang dibinanya dengan sasaran visual yang diberikan. Ini ialah aliran kerja yang dibantu persekitaran: model mentafsir maklumat dan memilih tindakan, manakala aplikasi menyediakan alat serta melaksanakannya.
Spesifikasi model yang diterbitkan menyenaraikan input teks dan imej serta output teks, tetingkap konteks 400000 token dan sehingga 128000 token output. Model ini menyokong token penaakulan, penstriman, panggilan fungsi dan output berstruktur. OpenAI mendokumenkan model melalui antara muka Responses dan mengenal pasti nama tanpa versi sebagai label model yang dikemas kini. Had pengetahuannya yang didokumenkan ialah 30 September 2024. Audio dan video berada di luar modaliti input yang disenaraikan; fine-tuning serta Predicted Outputs tidak disokong dalam konfigurasi ini.
Adendum kad sistem memisahkan latihan model daripada kawalan produk. Model dilatih untuk menentang arahan suntikan prompt yang ditemui dalam bahan pengekodan. Pengasingan ruang kerja, kebenaran rangkaian dan peraturan kelulusan tergolong dalam persekitaran ejen. Perbezaan ini penting apabila pembantu membaca dokumentasi luaran atau melaksanakan arahan: akses ditentukan oleh aplikasi, dan outputnya menyediakan rekod perkara yang benar-benar berlaku.
Bagi pembantu pengekodan yang menggunakan Ailoot API, mulakan dengan tingkah laku yang ingin dicapai, fail yang relevan dan kriteria pelengkapan yang jelas. Tugasan yang sesuai boleh meminta perubahan terselaras, penjelasan kebergantungan yang terjejas dan semakan yang diperlukan untuk mengesahkan hasil. Berikan arahan projek semasa serta contoh visual yang berguna, kemudian minta hasil yang boleh disemak: kod yang diubah, analisis kecacatan atau pelan pelaksanaan yang telah diuji.
", "aboutText": "GPT-5-Codex ialah versi GPT-5 OpenAI yang dioptimumkan untuk kejuruteraan perisian berasaskan ejen dalam Codex dan persekitaran pengekodan yang setanding. Latihannya menyasarkan kerja seperti mencipta projek, melaksanakan ciri dan ujian, menyahpepijat, memfaktor semula pangkalan kod sedia ada serta menyemak perubahan. Pembelajaran pengukuhan pada tugas pengekodan sebenar membangunkan pematuhan arahan, gaya kod dan pengesahan berulang. Persekitaran yang dimaksudkan ialah pembantu pengekodan dengan akses kepada konteks projek serta alat pembangunan.\n\nModel melaraskan jumlah penaakulan yang digunakan bagi tugas. Perubahan kecil yang ditakrifkan dengan jelas boleh dikendalikan sebagai pertukaran interaktif, manakala pemfaktoran semula yang kompleks boleh melibatkan analisis berterusan dan langkah pelaksanaan berulang. Tingkah laku adaptif ini menghubungkan perbualan dengan pelaksanaan: ejen memeriksa projek, mencadangkan perubahan, menerima hasil daripada persekitarannya dan terus bekerja ke arah hasil yang dinyatakan.\n\nSemakan kod ialah bahagian tersendiri dalam pengkhususannya. OpenAI menerangkan penyemak yang memeriksa pangkalan kod dan kebergantungan, mengaitkan perubahan yang dicadangkan dengan tingkah laku yang dikehendaki, serta menggunakan pelaksanaan kod dan ujian untuk menyiasat ketepatan. Output yang berguna ialah penjelasan terfokus tentang kecacatan yang membawa kesan penting dan kod yang terjejas, bukannya ulasan berdasarkan rupa paparan perubahan semata-mata. Fail projek dan hasil alat menyediakan bukti bagi analisis tersebut.\n\nInput visual menyokong kerja antara muka. Tangkapan skrin, rangka antara muka dan rajah boleh menyampaikan antara muka yang dikehendaki atau masalah yang diperhatikan. Dalam persekitaran dengan alat pelayar dan tangkapan skrin, ejen boleh memeriksa pelaksanaan serta membandingkan hasil yang dibinanya dengan sasaran visual yang diberikan. Ini ialah aliran kerja yang dibantu persekitaran: model mentafsir maklumat dan memilih tindakan, manakala aplikasi menyediakan alat serta melaksanakannya.\n\nSpesifikasi model yang diterbitkan menyenaraikan input teks dan imej serta output teks, tetingkap konteks 400000 token dan sehingga 128000 token output. Model ini menyokong token penaakulan, penstriman, panggilan fungsi dan output berstruktur. OpenAI mendokumenkan model melalui antara muka Responses dan mengenal pasti nama tanpa versi sebagai label model yang dikemas kini. Had pengetahuannya yang didokumenkan ialah 30 September 2024. Audio dan video berada di luar modaliti input yang disenaraikan; fine-tuning serta Predicted Outputs tidak disokong dalam konfigurasi ini.\n\nAdendum kad sistem memisahkan latihan model daripada kawalan produk. Model dilatih untuk menentang arahan suntikan prompt yang ditemui dalam bahan pengekodan. Pengasingan ruang kerja, kebenaran rangkaian dan peraturan kelulusan tergolong dalam persekitaran ejen. Perbezaan ini penting apabila pembantu membaca dokumentasi luaran atau melaksanakan arahan: akses ditentukan oleh aplikasi, dan outputnya menyediakan rekod perkara yang benar-benar berlaku.\n\nBagi pembantu pengekodan yang menggunakan Ailoot API, mulakan dengan tingkah laku yang ingin dicapai, fail yang relevan dan kriteria pelengkapan yang jelas. Tugasan yang sesuai boleh meminta perubahan terselaras, penjelasan kebergantungan yang terjejas dan semakan yang diperlukan untuk mengesahkan hasil. Berikan arahan projek semasa serta contoh visual yang berguna, kemudian minta hasil yang boleh disemak: kod yang diubah, analisis kecacatan atau pelan pelaksanaan yang telah diuji.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah varian GPT-5 OpenAI untuk kejuruteraan perisian berasaskan ejen: melaksanakan ciri, menyahpepijat, memfaktor semula dan menyemak kod dalam persekitaran yang menyediakan alat. Model ini menggabungkan input teks dan imej dengan penaakulan adaptif serta konteks 400000 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GPT-5-Codex ialah versi GPT-5 OpenAI yang dioptimumkan untuk kejuruteraan perisian berasaskan ejen dalam Codex dan persekitaran pengekodan yang setanding. Latihannya menyasarkan kerja seperti mencipta projek, melaksanakan ciri dan ujian, menyahpepijat, memfaktor semula pangkalan kod sedia ada serta menyemak perubahan. Pembelajaran pengukuhan pada tugas pengekodan sebenar membangunkan pematuhan arahan, gaya kod dan pengesahan berulang. Persekitaran yang dimaksudkan ialah pembantu pengekodan dengan akses kepada konteks projek serta alat pembangunan.
Model melaraskan jumlah penaakulan yang digunakan bagi tugas. Perubahan kecil yang ditakrifkan dengan jelas boleh dikendalikan sebagai pertukaran interaktif, manakala pemfaktoran semula yang kompleks boleh melibatkan analisis berterusan dan langkah pelaksanaan berulang. Tingkah laku adaptif ini menghubungkan perbualan dengan pelaksanaan: ejen memeriksa projek, mencadangkan perubahan, menerima hasil daripada persekitarannya dan terus bekerja ke arah hasil yang dinyatakan.
Semakan kod ialah bahagian tersendiri dalam pengkhususannya. OpenAI menerangkan penyemak yang memeriksa pangkalan kod dan kebergantungan, mengaitkan perubahan yang dicadangkan dengan tingkah laku yang dikehendaki, serta menggunakan pelaksanaan kod dan ujian untuk menyiasat ketepatan. Output yang berguna ialah penjelasan terfokus tentang kecacatan yang membawa kesan penting dan kod yang terjejas, bukannya ulasan berdasarkan rupa paparan perubahan semata-mata. Fail projek dan hasil alat menyediakan bukti bagi analisis tersebut.
Input visual menyokong kerja antara muka. Tangkapan skrin, rangka antara muka dan rajah boleh menyampaikan antara muka yang dikehendaki atau masalah yang diperhatikan. Dalam persekitaran dengan alat pelayar dan tangkapan skrin, ejen boleh memeriksa pelaksanaan serta membandingkan hasil yang dibinanya dengan sasaran visual yang diberikan. Ini ialah aliran kerja yang dibantu persekitaran: model mentafsir maklumat dan memilih tindakan, manakala aplikasi menyediakan alat serta melaksanakannya.
Spesifikasi model yang diterbitkan menyenaraikan input teks dan imej serta output teks, tetingkap konteks 400000 token dan sehingga 128000 token output. Model ini menyokong token penaakulan, penstriman, panggilan fungsi dan output berstruktur. OpenAI mendokumenkan model melalui antara muka Responses dan mengenal pasti nama tanpa versi sebagai label model yang dikemas kini. Had pengetahuannya yang didokumenkan ialah 30 September 2024. Audio dan video berada di luar modaliti input yang disenaraikan; fine-tuning serta Predicted Outputs tidak disokong dalam konfigurasi ini.
Adendum kad sistem memisahkan latihan model daripada kawalan produk. Model dilatih untuk menentang arahan suntikan prompt yang ditemui dalam bahan pengekodan. Pengasingan ruang kerja, kebenaran rangkaian dan peraturan kelulusan tergolong dalam persekitaran ejen. Perbezaan ini penting apabila pembantu membaca dokumentasi luaran atau melaksanakan arahan: akses ditentukan oleh aplikasi, dan outputnya menyediakan rekod perkara yang benar-benar berlaku.
Bagi pembantu pengekodan yang menggunakan Ailoot API, mulakan dengan tingkah laku yang ingin dicapai, fail yang relevan dan kriteria pelengkapan yang jelas. Tugasan yang sesuai boleh meminta perubahan terselaras, penjelasan kebergantungan yang terjejas dan semakan yang diperlukan untuk mengesahkan hasil. Berikan arahan projek semasa serta contoh visual yang berguna, kemudian minta hasil yang boleh disemak: kod yang diubah, analisis kecacatan atau pelan pelaksanaan yang telah diuji.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gpt-5-codex | 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 $0.0025 / 1K token Output · Token output $0.02 / 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-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, 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-5-codex
Gunakan laluan kaedah yang dipaparkan di atas.
gpt-5-codexGPT-5-Codex ialah varian GPT-5 OpenAI untuk kejuruteraan perisian berasaskan ejen: melaksanakan ciri, menyahpepijat, memfaktor semula dan menyemak kod dalam persekitaran yang menyediakan alat. Model ini menggabungkan input teks dan imej dengan penaakulan adaptif serta konteks 400000 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
GPT-5-Codex ialah versi GPT-5 OpenAI yang dioptimumkan untuk kejuruteraan perisian berasaskan ejen dalam Codex dan persekitaran pengekodan yang setanding. Latihannya menyasarkan kerja seperti mencipta projek, melaksanakan ciri dan ujian, menyahpepijat, memfaktor semula pangkalan kod sedia ada serta menyemak perubahan. Pembelajaran pengukuhan pada tugas pengekodan sebenar membangunkan pematuhan arahan, gaya kod dan pengesahan berulang. Persekitaran yang dimaksudkan ialah pembantu pengekodan dengan akses kepada konteks projek serta alat pembangunan.
Model melaraskan jumlah penaakulan yang digunakan bagi tugas. Perubahan kecil yang ditakrifkan dengan jelas boleh dikendalikan sebagai pertukaran interaktif, manakala pemfaktoran semula yang kompleks boleh melibatkan analisis berterusan dan langkah pelaksanaan berulang. Tingkah laku adaptif ini menghubungkan perbualan dengan pelaksanaan: ejen memeriksa projek, mencadangkan perubahan, menerima hasil daripada persekitarannya dan terus bekerja ke arah hasil yang dinyatakan.
Semakan kod ialah bahagian tersendiri dalam pengkhususannya. OpenAI menerangkan penyemak yang memeriksa pangkalan kod dan kebergantungan, mengaitkan perubahan yang dicadangkan dengan tingkah laku yang dikehendaki, serta menggunakan pelaksanaan kod dan ujian untuk menyiasat ketepatan. Output yang berguna ialah penjelasan terfokus tentang kecacatan yang membawa kesan penting dan kod yang terjejas, bukannya ulasan berdasarkan rupa paparan perubahan semata-mata. Fail projek dan hasil alat menyediakan bukti bagi analisis tersebut.
Input visual menyokong kerja antara muka. Tangkapan skrin, rangka antara muka dan rajah boleh menyampaikan antara muka yang dikehendaki atau masalah yang diperhatikan. Dalam persekitaran dengan alat pelayar dan tangkapan skrin, ejen boleh memeriksa pelaksanaan serta membandingkan hasil yang dibinanya dengan sasaran visual yang diberikan. Ini ialah aliran kerja yang dibantu persekitaran: model mentafsir maklumat dan memilih tindakan, manakala aplikasi menyediakan alat serta melaksanakannya.
Spesifikasi model yang diterbitkan menyenaraikan input teks dan imej serta output teks, tetingkap konteks 400000 token dan sehingga 128000 token output. Model ini menyokong token penaakulan, penstriman, panggilan fungsi dan output berstruktur. OpenAI mendokumenkan model melalui antara muka Responses dan mengenal pasti nama tanpa versi sebagai label model yang dikemas kini. Had pengetahuannya yang didokumenkan ialah 30 September 2024. Audio dan video berada di luar modaliti input yang disenaraikan; fine-tuning serta Predicted Outputs tidak disokong dalam konfigurasi ini.
Adendum kad sistem memisahkan latihan model daripada kawalan produk. Model dilatih untuk menentang arahan suntikan prompt yang ditemui dalam bahan pengekodan. Pengasingan ruang kerja, kebenaran rangkaian dan peraturan kelulusan tergolong dalam persekitaran ejen. Perbezaan ini penting apabila pembantu membaca dokumentasi luaran atau melaksanakan arahan: akses ditentukan oleh aplikasi, dan outputnya menyediakan rekod perkara yang benar-benar berlaku.
Bagi pembantu pengekodan yang menggunakan Ailoot API, mulakan dengan tingkah laku yang ingin dicapai, fail yang relevan dan kriteria pelengkapan yang jelas. Tugasan yang sesuai boleh meminta perubahan terselaras, penjelasan kebergantungan yang terjejas dan semakan yang diperlukan untuk mengesahkan hasil. Berikan arahan projek semasa serta contoh visual yang berguna, kemudian minta hasil yang boleh disemak: kod yang diubah, analisis kecacatan atau pelan pelaksanaan yang telah diuji.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gpt-5-codex | 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 $0.0025 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "gpt-5-codex",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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, 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-5-codex
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.