gpt-oss-120b ialah model bahasa dengan pemberat terbuka OpenAI yang lebih besar untuk penaakulan kegunaan umum, pengekodan dan kerja berasaskan ejen. Model ini menerima dan menghasilkan teks. Pengeluar menerbitkan 117 bilion parameter keseluruhan dengan 5.1 bilion parameter aktif bagi setiap token dalam seni bina mixture-of-experts. Ini ialah edisi 120b keluarga tersebut, berasingan daripada gpt-oss-20b dan model Safeguard khusus.
Keluaran ini menerangkan set latihan teks sahaja yang kebanyakannya dalam bahasa Inggeris dan tertumpu pada STEM, pengekodan serta pengetahuan umum. Contoh tugas ialah menganalisis algoritma daripada kod dan syarat yang dinyatakan: terangkan hubungan penting, bandingkan pendekatan yang mungkin dan hasilkan cadangan pelaksanaan yang konkrit. Untuk keputusan berdasarkan dokumen, berikan bahan dan kriteria, kemudian minta kesimpulan yang berkaitan dengan bukti yang dibekalkan.
Seni bina yang diterbitkan OpenAI mempunyai 36 lapisan, 128 pakar dan empat pakar aktif bagi setiap token. Keluaran asal menggunakan MXFP4 untuk pemberat mixture-of-experts dan menerangkan model yang berjalan dalam satu GPU 80 GB. OpenAI mengeluarkan pemberat di bawah Apache 2.0 dan menyokong penalaan halus untuk kegunaan khusus. Ini ialah ciri model serta format yang diterbitkan pengeluar, bukannya penerangan tentang pelaksanaan tertentu bagi sesuatu aplikasi.
Dokumentasi model menyenaraikan tetingkap konteks 131,072 token dan output terjana maksimum 131,072 token, dengan had pengetahuan pada 1 Jun 2024. Input, penaakulan dan output mesti muat dalam konteks yang tersedia. Tahap penaakulan yang disokong ialah low, medium dan high, membolehkan tugas meminta respons dialog yang singkat atau analisis yang lebih mendalam. OpenAI memerlukan format Harmony, yang memisahkan analisis dalaman daripada respons akhir; pengeluar menyatakan bahawa analisis mentah ditujukan untuk kegunaan pembangun, bukannya paparan terus kepada pengguna akhir.
Pengeluar mendokumenkan panggilan fungsi, pelayaran web, pelaksanaan kod Python melalui alat dan Structured Outputs. Kad model turut menyenaraikan penstriman, dengan keupayaan fungsi, pentafsiran kod, MCP dan carian dalam persekitaran alat yang didokumenkan. Aplikasi menyediakan operasi, melaksanakan tindakannya dan memulangkan hasil sebenar. Pengiraan atau carian kemudian boleh menjadi bukti untuk langkah penaakulan berikutnya, manakala permintaan alat yang dicadangkan kekal berbeza daripada operasi yang telah dijalankan.
Sediakan matlamat yang jelas, takrif dan artifak akhir yang berguna: penerangan, cadangan kod, formula atau himpunan dapatan berstruktur. Kenal pasti fakta yang mesti dikekalkan melalui transformasi dan cara maklumat yang tiada harus diwakili. Respons akhir yang berguna menghubungkan kesimpulan dengan syarat yang dibekalkan serta hasil alat sebenar. Untuk susulan, bawa bukti penting dan keputusan yang masih perlu dibuat ke permintaan seterusnya.
", "aboutText": "gpt-oss-120b ialah model bahasa dengan pemberat terbuka OpenAI yang lebih besar untuk penaakulan kegunaan umum, pengekodan dan kerja berasaskan ejen. Model ini menerima dan menghasilkan teks. Pengeluar menerbitkan 117 bilion parameter keseluruhan dengan 5.1 bilion parameter aktif bagi setiap token dalam seni bina mixture-of-experts. Ini ialah edisi 120b keluarga tersebut, berasingan daripada gpt-oss-20b dan model Safeguard khusus.\n\nKeluaran ini menerangkan set latihan teks sahaja yang kebanyakannya dalam bahasa Inggeris dan tertumpu pada STEM, pengekodan serta pengetahuan umum. Contoh tugas ialah menganalisis algoritma daripada kod dan syarat yang dinyatakan: terangkan hubungan penting, bandingkan pendekatan yang mungkin dan hasilkan cadangan pelaksanaan yang konkrit. Untuk keputusan berdasarkan dokumen, berikan bahan dan kriteria, kemudian minta kesimpulan yang berkaitan dengan bukti yang dibekalkan.\n\nSeni bina yang diterbitkan OpenAI mempunyai 36 lapisan, 128 pakar dan empat pakar aktif bagi setiap token. Keluaran asal menggunakan MXFP4 untuk pemberat mixture-of-experts dan menerangkan model yang berjalan dalam satu GPU 80 GB. OpenAI mengeluarkan pemberat di bawah Apache 2.0 dan menyokong penalaan halus untuk kegunaan khusus. Ini ialah ciri model serta format yang diterbitkan pengeluar, bukannya penerangan tentang pelaksanaan tertentu bagi sesuatu aplikasi.\n\nDokumentasi model menyenaraikan tetingkap konteks 131,072 token dan output terjana maksimum 131,072 token, dengan had pengetahuan pada 1 Jun 2024. Input, penaakulan dan output mesti muat dalam konteks yang tersedia. Tahap penaakulan yang disokong ialah low, medium dan high, membolehkan tugas meminta respons dialog yang singkat atau analisis yang lebih mendalam. OpenAI memerlukan format Harmony, yang memisahkan analisis dalaman daripada respons akhir; pengeluar menyatakan bahawa analisis mentah ditujukan untuk kegunaan pembangun, bukannya paparan terus kepada pengguna akhir.\n\nPengeluar mendokumenkan panggilan fungsi, pelayaran web, pelaksanaan kod Python melalui alat dan Structured Outputs. Kad model turut menyenaraikan penstriman, dengan keupayaan fungsi, pentafsiran kod, MCP dan carian dalam persekitaran alat yang didokumenkan. Aplikasi menyediakan operasi, melaksanakan tindakannya dan memulangkan hasil sebenar. Pengiraan atau carian kemudian boleh menjadi bukti untuk langkah penaakulan berikutnya, manakala permintaan alat yang dicadangkan kekal berbeza daripada operasi yang telah dijalankan.\n\nSediakan matlamat yang jelas, takrif dan artifak akhir yang berguna: penerangan, cadangan kod, formula atau himpunan dapatan berstruktur. Kenal pasti fakta yang mesti dikekalkan melalui transformasi dan cara maklumat yang tiada harus diwakili. Respons akhir yang berguna menghubungkan kesimpulan dengan syarat yang dibekalkan serta hasil alat sebenar. Untuk susulan, bawa bukti penting dan keputusan yang masih perlu dibuat ke permintaan seterusnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.gpt-oss-120bModel gpt-oss dengan pemberat terbuka OpenAI yang lebih besar menggunakan penaakulan mixture-of-experts untuk teks, pengekodan dan kerja berasaskan ejen. Model ini menyokong usaha penaakulan low, medium dan high, panggilan fungsi serta Structured Outputs dalam persekitaran yang disambungkan kepada alat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
gpt-oss-120b ialah model bahasa dengan pemberat terbuka OpenAI yang lebih besar untuk penaakulan kegunaan umum, pengekodan dan kerja berasaskan ejen. Model ini menerima dan menghasilkan teks. Pengeluar menerbitkan 117 bilion parameter keseluruhan dengan 5.1 bilion parameter aktif bagi setiap token dalam seni bina mixture-of-experts. Ini ialah edisi 120b keluarga tersebut, berasingan daripada gpt-oss-20b dan model Safeguard khusus.
Keluaran ini menerangkan set latihan teks sahaja yang kebanyakannya dalam bahasa Inggeris dan tertumpu pada STEM, pengekodan serta pengetahuan umum. Contoh tugas ialah menganalisis algoritma daripada kod dan syarat yang dinyatakan: terangkan hubungan penting, bandingkan pendekatan yang mungkin dan hasilkan cadangan pelaksanaan yang konkrit. Untuk keputusan berdasarkan dokumen, berikan bahan dan kriteria, kemudian minta kesimpulan yang berkaitan dengan bukti yang dibekalkan.
Seni bina yang diterbitkan OpenAI mempunyai 36 lapisan, 128 pakar dan empat pakar aktif bagi setiap token. Keluaran asal menggunakan MXFP4 untuk pemberat mixture-of-experts dan menerangkan model yang berjalan dalam satu GPU 80 GB. OpenAI mengeluarkan pemberat di bawah Apache 2.0 dan menyokong penalaan halus untuk kegunaan khusus. Ini ialah ciri model serta format yang diterbitkan pengeluar, bukannya penerangan tentang pelaksanaan tertentu bagi sesuatu aplikasi.
Dokumentasi model menyenaraikan tetingkap konteks 131,072 token dan output terjana maksimum 131,072 token, dengan had pengetahuan pada 1 Jun 2024. Input, penaakulan dan output mesti muat dalam konteks yang tersedia. Tahap penaakulan yang disokong ialah low, medium dan high, membolehkan tugas meminta respons dialog yang singkat atau analisis yang lebih mendalam. OpenAI memerlukan format Harmony, yang memisahkan analisis dalaman daripada respons akhir; pengeluar menyatakan bahawa analisis mentah ditujukan untuk kegunaan pembangun, bukannya paparan terus kepada pengguna akhir.
Pengeluar mendokumenkan panggilan fungsi, pelayaran web, pelaksanaan kod Python melalui alat dan Structured Outputs. Kad model turut menyenaraikan penstriman, dengan keupayaan fungsi, pentafsiran kod, MCP dan carian dalam persekitaran alat yang didokumenkan. Aplikasi menyediakan operasi, melaksanakan tindakannya dan memulangkan hasil sebenar. Pengiraan atau carian kemudian boleh menjadi bukti untuk langkah penaakulan berikutnya, manakala permintaan alat yang dicadangkan kekal berbeza daripada operasi yang telah dijalankan.
Sediakan matlamat yang jelas, takrif dan artifak akhir yang berguna: penerangan, cadangan kod, formula atau himpunan dapatan berstruktur. Kenal pasti fakta yang mesti dikekalkan melalui transformasi dan cara maklumat yang tiada harus diwakili. Respons akhir yang berguna menghubungkan kesimpulan dengan syarat yang dibekalkan serta hasil alat sebenar. Untuk susulan, bawa bukti penting dan keputusan yang masih perlu dibuat ke permintaan seterusnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gpt-oss-120b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
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 |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00015 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00015 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-oss-120b","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-oss-120b", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-oss-120b, openai/gpt-oss-120b
/chat/completions
gpt-oss-120bModel gpt-oss dengan pemberat terbuka OpenAI yang lebih besar menggunakan penaakulan mixture-of-experts untuk teks, pengekodan dan kerja berasaskan ejen. Model ini menyokong usaha penaakulan low, medium dan high, panggilan fungsi serta Structured Outputs dalam persekitaran yang disambungkan kepada alat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
gpt-oss-120b ialah model bahasa dengan pemberat terbuka OpenAI yang lebih besar untuk penaakulan kegunaan umum, pengekodan dan kerja berasaskan ejen. Model ini menerima dan menghasilkan teks. Pengeluar menerbitkan 117 bilion parameter keseluruhan dengan 5.1 bilion parameter aktif bagi setiap token dalam seni bina mixture-of-experts. Ini ialah edisi 120b keluarga tersebut, berasingan daripada gpt-oss-20b dan model Safeguard khusus.
Keluaran ini menerangkan set latihan teks sahaja yang kebanyakannya dalam bahasa Inggeris dan tertumpu pada STEM, pengekodan serta pengetahuan umum. Contoh tugas ialah menganalisis algoritma daripada kod dan syarat yang dinyatakan: terangkan hubungan penting, bandingkan pendekatan yang mungkin dan hasilkan cadangan pelaksanaan yang konkrit. Untuk keputusan berdasarkan dokumen, berikan bahan dan kriteria, kemudian minta kesimpulan yang berkaitan dengan bukti yang dibekalkan.
Seni bina yang diterbitkan OpenAI mempunyai 36 lapisan, 128 pakar dan empat pakar aktif bagi setiap token. Keluaran asal menggunakan MXFP4 untuk pemberat mixture-of-experts dan menerangkan model yang berjalan dalam satu GPU 80 GB. OpenAI mengeluarkan pemberat di bawah Apache 2.0 dan menyokong penalaan halus untuk kegunaan khusus. Ini ialah ciri model serta format yang diterbitkan pengeluar, bukannya penerangan tentang pelaksanaan tertentu bagi sesuatu aplikasi.
Dokumentasi model menyenaraikan tetingkap konteks 131,072 token dan output terjana maksimum 131,072 token, dengan had pengetahuan pada 1 Jun 2024. Input, penaakulan dan output mesti muat dalam konteks yang tersedia. Tahap penaakulan yang disokong ialah low, medium dan high, membolehkan tugas meminta respons dialog yang singkat atau analisis yang lebih mendalam. OpenAI memerlukan format Harmony, yang memisahkan analisis dalaman daripada respons akhir; pengeluar menyatakan bahawa analisis mentah ditujukan untuk kegunaan pembangun, bukannya paparan terus kepada pengguna akhir.
Pengeluar mendokumenkan panggilan fungsi, pelayaran web, pelaksanaan kod Python melalui alat dan Structured Outputs. Kad model turut menyenaraikan penstriman, dengan keupayaan fungsi, pentafsiran kod, MCP dan carian dalam persekitaran alat yang didokumenkan. Aplikasi menyediakan operasi, melaksanakan tindakannya dan memulangkan hasil sebenar. Pengiraan atau carian kemudian boleh menjadi bukti untuk langkah penaakulan berikutnya, manakala permintaan alat yang dicadangkan kekal berbeza daripada operasi yang telah dijalankan.
Sediakan matlamat yang jelas, takrif dan artifak akhir yang berguna: penerangan, cadangan kod, formula atau himpunan dapatan berstruktur. Kenal pasti fakta yang mesti dikekalkan melalui transformasi dan cara maklumat yang tiada harus diwakili. Respons akhir yang berguna menghubungkan kesimpulan dengan syarat yang dibekalkan serta hasil alat sebenar. Untuk susulan, bawa bukti penting dan keputusan yang masih perlu dibuat ke permintaan seterusnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had gpt-oss-120b | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00015 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00015 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-oss-120b', '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-oss-120b', '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-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bModel gpt-oss dengan pemberat terbuka OpenAI yang lebih besar menggunakan penaakulan mixture-of-experts untuk teks, pengekodan dan kerja berasaskan ejen. Model ini menyokong usaha penaakulan low, medium dan high, panggilan fungsi serta Structured Outputs dalam persekitaran yang disambungkan kepada alat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
gpt-oss-120b ialah model bahasa dengan pemberat terbuka OpenAI yang lebih besar untuk penaakulan kegunaan umum, pengekodan dan kerja berasaskan ejen. Model ini menerima dan menghasilkan teks. Pengeluar menerbitkan 117 bilion parameter keseluruhan dengan 5.1 bilion parameter aktif bagi setiap token dalam seni bina mixture-of-experts. Ini ialah edisi 120b keluarga tersebut, berasingan daripada gpt-oss-20b dan model Safeguard khusus.
Keluaran ini menerangkan set latihan teks sahaja yang kebanyakannya dalam bahasa Inggeris dan tertumpu pada STEM, pengekodan serta pengetahuan umum. Contoh tugas ialah menganalisis algoritma daripada kod dan syarat yang dinyatakan: terangkan hubungan penting, bandingkan pendekatan yang mungkin dan hasilkan cadangan pelaksanaan yang konkrit. Untuk keputusan berdasarkan dokumen, berikan bahan dan kriteria, kemudian minta kesimpulan yang berkaitan dengan bukti yang dibekalkan.
Seni bina yang diterbitkan OpenAI mempunyai 36 lapisan, 128 pakar dan empat pakar aktif bagi setiap token. Keluaran asal menggunakan MXFP4 untuk pemberat mixture-of-experts dan menerangkan model yang berjalan dalam satu GPU 80 GB. OpenAI mengeluarkan pemberat di bawah Apache 2.0 dan menyokong penalaan halus untuk kegunaan khusus. Ini ialah ciri model serta format yang diterbitkan pengeluar, bukannya penerangan tentang pelaksanaan tertentu bagi sesuatu aplikasi.
Dokumentasi model menyenaraikan tetingkap konteks 131,072 token dan output terjana maksimum 131,072 token, dengan had pengetahuan pada 1 Jun 2024. Input, penaakulan dan output mesti muat dalam konteks yang tersedia. Tahap penaakulan yang disokong ialah low, medium dan high, membolehkan tugas meminta respons dialog yang singkat atau analisis yang lebih mendalam. OpenAI memerlukan format Harmony, yang memisahkan analisis dalaman daripada respons akhir; pengeluar menyatakan bahawa analisis mentah ditujukan untuk kegunaan pembangun, bukannya paparan terus kepada pengguna akhir.
Pengeluar mendokumenkan panggilan fungsi, pelayaran web, pelaksanaan kod Python melalui alat dan Structured Outputs. Kad model turut menyenaraikan penstriman, dengan keupayaan fungsi, pentafsiran kod, MCP dan carian dalam persekitaran alat yang didokumenkan. Aplikasi menyediakan operasi, melaksanakan tindakannya dan memulangkan hasil sebenar. Pengiraan atau carian kemudian boleh menjadi bukti untuk langkah penaakulan berikutnya, manakala permintaan alat yang dicadangkan kekal berbeza daripada operasi yang telah dijalankan.
Sediakan matlamat yang jelas, takrif dan artifak akhir yang berguna: penerangan, cadangan kod, formula atau himpunan dapatan berstruktur. Kenal pasti fakta yang mesti dikekalkan melalui transformasi dan cara maklumat yang tiada harus diwakili. Respons akhir yang berguna menghubungkan kesimpulan dengan syarat yang dibekalkan serta hasil alat sebenar. Untuk susulan, bawa bukti penting dan keputusan yang masih perlu dibuat ke permintaan seterusnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had openai/gpt-oss-120b | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00015 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00015 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-oss-120b", "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='openai/gpt-oss-120b',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='openai/gpt-oss-120b',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-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bModel gpt-oss dengan pemberat terbuka OpenAI yang lebih besar menggunakan penaakulan mixture-of-experts untuk teks, pengekodan dan kerja berasaskan ejen. Model ini menyokong usaha penaakulan low, medium dan high, panggilan fungsi serta Structured Outputs dalam persekitaran yang disambungkan kepada alat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
gpt-oss-120b ialah model bahasa dengan pemberat terbuka OpenAI yang lebih besar untuk penaakulan kegunaan umum, pengekodan dan kerja berasaskan ejen. Model ini menerima dan menghasilkan teks. Pengeluar menerbitkan 117 bilion parameter keseluruhan dengan 5.1 bilion parameter aktif bagi setiap token dalam seni bina mixture-of-experts. Ini ialah edisi 120b keluarga tersebut, berasingan daripada gpt-oss-20b dan model Safeguard khusus.
Keluaran ini menerangkan set latihan teks sahaja yang kebanyakannya dalam bahasa Inggeris dan tertumpu pada STEM, pengekodan serta pengetahuan umum. Contoh tugas ialah menganalisis algoritma daripada kod dan syarat yang dinyatakan: terangkan hubungan penting, bandingkan pendekatan yang mungkin dan hasilkan cadangan pelaksanaan yang konkrit. Untuk keputusan berdasarkan dokumen, berikan bahan dan kriteria, kemudian minta kesimpulan yang berkaitan dengan bukti yang dibekalkan.
Seni bina yang diterbitkan OpenAI mempunyai 36 lapisan, 128 pakar dan empat pakar aktif bagi setiap token. Keluaran asal menggunakan MXFP4 untuk pemberat mixture-of-experts dan menerangkan model yang berjalan dalam satu GPU 80 GB. OpenAI mengeluarkan pemberat di bawah Apache 2.0 dan menyokong penalaan halus untuk kegunaan khusus. Ini ialah ciri model serta format yang diterbitkan pengeluar, bukannya penerangan tentang pelaksanaan tertentu bagi sesuatu aplikasi.
Dokumentasi model menyenaraikan tetingkap konteks 131,072 token dan output terjana maksimum 131,072 token, dengan had pengetahuan pada 1 Jun 2024. Input, penaakulan dan output mesti muat dalam konteks yang tersedia. Tahap penaakulan yang disokong ialah low, medium dan high, membolehkan tugas meminta respons dialog yang singkat atau analisis yang lebih mendalam. OpenAI memerlukan format Harmony, yang memisahkan analisis dalaman daripada respons akhir; pengeluar menyatakan bahawa analisis mentah ditujukan untuk kegunaan pembangun, bukannya paparan terus kepada pengguna akhir.
Pengeluar mendokumenkan panggilan fungsi, pelayaran web, pelaksanaan kod Python melalui alat dan Structured Outputs. Kad model turut menyenaraikan penstriman, dengan keupayaan fungsi, pentafsiran kod, MCP dan carian dalam persekitaran alat yang didokumenkan. Aplikasi menyediakan operasi, melaksanakan tindakannya dan memulangkan hasil sebenar. Pengiraan atau carian kemudian boleh menjadi bukti untuk langkah penaakulan berikutnya, manakala permintaan alat yang dicadangkan kekal berbeza daripada operasi yang telah dijalankan.
Sediakan matlamat yang jelas, takrif dan artifak akhir yang berguna: penerangan, cadangan kod, formula atau himpunan dapatan berstruktur. Kenal pasti fakta yang mesti dikekalkan melalui transformasi dan cara maklumat yang tiada harus diwakili. Respons akhir yang berguna menghubungkan kesimpulan dengan syarat yang dibekalkan serta hasil alat sebenar. Untuk susulan, bawa bukti penting dan keputusan yang masih perlu dibuat ke permintaan seterusnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had openai/gpt-oss-120b | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00015 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00015 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "openai/gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'openai/gpt-oss-120b', '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': 'openai/gpt-oss-120b', '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-oss-120b, openai/gpt-oss-120b
/chat/completions
Contoh teknikal dalam bahasa Inggeris
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.