o3-pro ialah edisi o3 berasingan OpenAI yang menggunakan pengiraan tambahan untuk penaakulan yang sukar. Siri o dilatih dengan pembelajaran pengukuhan untuk menghuraikan masalah sebelum menjawab. Model ini menerima teks dan imej serta menghasilkan teks, dengan mengekalkan perbezaan edisi Pro daripada model o3 standard dan tetapan mod pelaksanaan Pro yang muncul kemudian.
Kegunaan praktikalnya ialah soalan teknikal dengan beberapa syarat yang saling bergantung. Bekalkan masalah lengkap, bukti yang tersedia dan kriteria pemilihan pendekatan. Contoh tugasan ialah membandingkan pelaksanaan yang tingkah lakunya bergantung pada andaian berbeza, kemudian menghasilkan cadangan yang menyatakan kebergantungan itu dengan jelas. Permintaan matematik juga patut menyatakan domain, syarat yang diketahui dan bentuk jawapan yang diperlukan.
Untuk bukti visual, berikan rajah, tangkapan skrin atau imej lain yang jelas dan kenal pasti butiran yang mempengaruhi soalan. Sertakan konteks bertulis yang tidak dapat dibuktikan oleh imej sahaja. Minta hasil yang berguna seperti penjelasan, penyelesaian yang dicadangkan, pelan atau set dapatan. Ini menghubungkan kerja penaakulan tambahan model dengan soalan dan artifak tertentu.
OpenAI menyenaraikan tetingkap konteks 200,000 token, output maksimum 100,000 token dan had pengetahuan pada 1 Jun 2024. Penaakulan menggunakan ruang bersama input dan jawapan yang kelihatan. Pengeluar mendokumentasikan o3-pro melalui Responses untuk interaksi model berbilang giliran sebelum respons akhir, dengan Batch turut disenaraikan dalam spesifikasi. Permintaan sukar boleh mengambil masa beberapa minit, dan pengeluar mengesyorkan pelaksanaan latar belakang untuk kerja yang berpanjangan.
Kad model asal mengesahkan bahawa penstriman tidak disokong, manakala panggilan fungsi dan Structured Outputs disokong. Set alat yang didokumentasikan merangkumi fungsi, carian fail dan web, alat penjanaan imej serta sambungan MCP. Aplikasi menyediakan operasinya, melaksanakan tindakannya dan membekalkan hasil sebenar. Penjejakan status latar belakang dan pengambilan hasil berasingan daripada aliran token jawapan.
Tentukan kriteria penyelesaian sebelum permintaan. Untuk analisis, minta fakta yang dibekalkan, kesimpulan dan syarat yang belum diselesaikan kekal boleh dibezakan. Untuk perubahan yang dicadangkan, kenal pasti tingkah laku yang dijangkakan dan bukti yang diperlukan untuk menyemaknya. Respons akhir yang berguna menghubungkan pilihan penting dengan soalan asal dan memperlakukan tindakan alat yang dicadangkan secara berasingan daripada operasi yang telah selesai dalam persekitaran.
", "aboutText": "o3-pro ialah edisi o3 berasingan OpenAI yang menggunakan pengiraan tambahan untuk penaakulan yang sukar. Siri o dilatih dengan pembelajaran pengukuhan untuk menghuraikan masalah sebelum menjawab. Model ini menerima teks dan imej serta menghasilkan teks, dengan mengekalkan perbezaan edisi Pro daripada model o3 standard dan tetapan mod pelaksanaan Pro yang muncul kemudian.\n\nKegunaan praktikalnya ialah soalan teknikal dengan beberapa syarat yang saling bergantung. Bekalkan masalah lengkap, bukti yang tersedia dan kriteria pemilihan pendekatan. Contoh tugasan ialah membandingkan pelaksanaan yang tingkah lakunya bergantung pada andaian berbeza, kemudian menghasilkan cadangan yang menyatakan kebergantungan itu dengan jelas. Permintaan matematik juga patut menyatakan domain, syarat yang diketahui dan bentuk jawapan yang diperlukan.\n\nUntuk bukti visual, berikan rajah, tangkapan skrin atau imej lain yang jelas dan kenal pasti butiran yang mempengaruhi soalan. Sertakan konteks bertulis yang tidak dapat dibuktikan oleh imej sahaja. Minta hasil yang berguna seperti penjelasan, penyelesaian yang dicadangkan, pelan atau set dapatan. Ini menghubungkan kerja penaakulan tambahan model dengan soalan dan artifak tertentu.\n\nOpenAI menyenaraikan tetingkap konteks 200,000 token, output maksimum 100,000 token dan had pengetahuan pada 1 Jun 2024. Penaakulan menggunakan ruang bersama input dan jawapan yang kelihatan. Pengeluar mendokumentasikan o3-pro melalui Responses untuk interaksi model berbilang giliran sebelum respons akhir, dengan Batch turut disenaraikan dalam spesifikasi. Permintaan sukar boleh mengambil masa beberapa minit, dan pengeluar mengesyorkan pelaksanaan latar belakang untuk kerja yang berpanjangan.\n\nKad model asal mengesahkan bahawa penstriman tidak disokong, manakala panggilan fungsi dan Structured Outputs disokong. Set alat yang didokumentasikan merangkumi fungsi, carian fail dan web, alat penjanaan imej serta sambungan MCP. Aplikasi menyediakan operasinya, melaksanakan tindakannya dan membekalkan hasil sebenar. Penjejakan status latar belakang dan pengambilan hasil berasingan daripada aliran token jawapan.\n\nTentukan kriteria penyelesaian sebelum permintaan. Untuk analisis, minta fakta yang dibekalkan, kesimpulan dan syarat yang belum diselesaikan kekal boleh dibezakan. Untuk perubahan yang dicadangkan, kenal pasti tingkah laku yang dijangkakan dan bukti yang diperlukan untuk menyemaknya. Respons akhir yang berguna menghubungkan pilihan penting dengan soalan asal dan memperlakukan tindakan alat yang dicadangkan secara berasingan daripada operasi yang telah selesai dalam persekitaran.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.openai/o3-proEdisi o3-pro yang berasingan menggunakan pengiraan tambahan untuk penaakulan yang sukar. Model ini menerima teks dan imej serta mengembalikan teks, dengan panggilan fungsi dan Structured Outputs; aliran kerja pengeluar menggunakan Responses dan tidak menyokong penstriman.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
o3-pro ialah edisi o3 berasingan OpenAI yang menggunakan pengiraan tambahan untuk penaakulan yang sukar. Siri o dilatih dengan pembelajaran pengukuhan untuk menghuraikan masalah sebelum menjawab. Model ini menerima teks dan imej serta menghasilkan teks, dengan mengekalkan perbezaan edisi Pro daripada model o3 standard dan tetapan mod pelaksanaan Pro yang muncul kemudian.
Kegunaan praktikalnya ialah soalan teknikal dengan beberapa syarat yang saling bergantung. Bekalkan masalah lengkap, bukti yang tersedia dan kriteria pemilihan pendekatan. Contoh tugasan ialah membandingkan pelaksanaan yang tingkah lakunya bergantung pada andaian berbeza, kemudian menghasilkan cadangan yang menyatakan kebergantungan itu dengan jelas. Permintaan matematik juga patut menyatakan domain, syarat yang diketahui dan bentuk jawapan yang diperlukan.
Untuk bukti visual, berikan rajah, tangkapan skrin atau imej lain yang jelas dan kenal pasti butiran yang mempengaruhi soalan. Sertakan konteks bertulis yang tidak dapat dibuktikan oleh imej sahaja. Minta hasil yang berguna seperti penjelasan, penyelesaian yang dicadangkan, pelan atau set dapatan. Ini menghubungkan kerja penaakulan tambahan model dengan soalan dan artifak tertentu.
OpenAI menyenaraikan tetingkap konteks 200,000 token, output maksimum 100,000 token dan had pengetahuan pada 1 Jun 2024. Penaakulan menggunakan ruang bersama input dan jawapan yang kelihatan. Pengeluar mendokumentasikan o3-pro melalui Responses untuk interaksi model berbilang giliran sebelum respons akhir, dengan Batch turut disenaraikan dalam spesifikasi. Permintaan sukar boleh mengambil masa beberapa minit, dan pengeluar mengesyorkan pelaksanaan latar belakang untuk kerja yang berpanjangan.
Kad model asal mengesahkan bahawa penstriman tidak disokong, manakala panggilan fungsi dan Structured Outputs disokong. Set alat yang didokumentasikan merangkumi fungsi, carian fail dan web, alat penjanaan imej serta sambungan MCP. Aplikasi menyediakan operasinya, melaksanakan tindakannya dan membekalkan hasil sebenar. Penjejakan status latar belakang dan pengambilan hasil berasingan daripada aliran token jawapan.
Tentukan kriteria penyelesaian sebelum permintaan. Untuk analisis, minta fakta yang dibekalkan, kesimpulan dan syarat yang belum diselesaikan kekal boleh dibezakan. Untuk perubahan yang dicadangkan, kenal pasti tingkah laku yang dijangkakan dan bukti yang diperlukan untuk menyemaknya. Respons akhir yang berguna menghubungkan pilihan penting dengan soalan asal dan memperlakukan tindakan alat yang dicadangkan secara berasingan daripada operasi yang telah selesai dalam persekitaran.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had openai/o3-pro | 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 $0.04 / 1K token Output · Token output $0.16 / 1K token Input · Bacaan cache — / 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 $0.04 / 1K token Output · Token output $0.16 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-pro", "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/o3-pro',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/o3-pro',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 openai/o3-pro
Gunakan laluan kaedah yang dipaparkan di atas.
openai/o3-proEdisi o3-pro yang berasingan menggunakan pengiraan tambahan untuk penaakulan yang sukar. Model ini menerima teks dan imej serta mengembalikan teks, dengan panggilan fungsi dan Structured Outputs; aliran kerja pengeluar menggunakan Responses dan tidak menyokong penstriman.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
o3-pro ialah edisi o3 berasingan OpenAI yang menggunakan pengiraan tambahan untuk penaakulan yang sukar. Siri o dilatih dengan pembelajaran pengukuhan untuk menghuraikan masalah sebelum menjawab. Model ini menerima teks dan imej serta menghasilkan teks, dengan mengekalkan perbezaan edisi Pro daripada model o3 standard dan tetapan mod pelaksanaan Pro yang muncul kemudian.
Kegunaan praktikalnya ialah soalan teknikal dengan beberapa syarat yang saling bergantung. Bekalkan masalah lengkap, bukti yang tersedia dan kriteria pemilihan pendekatan. Contoh tugasan ialah membandingkan pelaksanaan yang tingkah lakunya bergantung pada andaian berbeza, kemudian menghasilkan cadangan yang menyatakan kebergantungan itu dengan jelas. Permintaan matematik juga patut menyatakan domain, syarat yang diketahui dan bentuk jawapan yang diperlukan.
Untuk bukti visual, berikan rajah, tangkapan skrin atau imej lain yang jelas dan kenal pasti butiran yang mempengaruhi soalan. Sertakan konteks bertulis yang tidak dapat dibuktikan oleh imej sahaja. Minta hasil yang berguna seperti penjelasan, penyelesaian yang dicadangkan, pelan atau set dapatan. Ini menghubungkan kerja penaakulan tambahan model dengan soalan dan artifak tertentu.
OpenAI menyenaraikan tetingkap konteks 200,000 token, output maksimum 100,000 token dan had pengetahuan pada 1 Jun 2024. Penaakulan menggunakan ruang bersama input dan jawapan yang kelihatan. Pengeluar mendokumentasikan o3-pro melalui Responses untuk interaksi model berbilang giliran sebelum respons akhir, dengan Batch turut disenaraikan dalam spesifikasi. Permintaan sukar boleh mengambil masa beberapa minit, dan pengeluar mengesyorkan pelaksanaan latar belakang untuk kerja yang berpanjangan.
Kad model asal mengesahkan bahawa penstriman tidak disokong, manakala panggilan fungsi dan Structured Outputs disokong. Set alat yang didokumentasikan merangkumi fungsi, carian fail dan web, alat penjanaan imej serta sambungan MCP. Aplikasi menyediakan operasinya, melaksanakan tindakannya dan membekalkan hasil sebenar. Penjejakan status latar belakang dan pengambilan hasil berasingan daripada aliran token jawapan.
Tentukan kriteria penyelesaian sebelum permintaan. Untuk analisis, minta fakta yang dibekalkan, kesimpulan dan syarat yang belum diselesaikan kekal boleh dibezakan. Untuk perubahan yang dicadangkan, kenal pasti tingkah laku yang dijangkakan dan bukti yang diperlukan untuk menyemaknya. Respons akhir yang berguna menghubungkan pilihan penting dengan soalan asal dan memperlakukan tindakan alat yang dicadangkan secara berasingan daripada operasi yang telah selesai dalam persekitaran.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had openai/o3-pro | 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 $0.04 / 1K token Output · Token output $0.16 / 1K token Input · Bacaan cache — / 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 $0.04 / 1K token Output · Token output $0.16 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "openai/o3-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/o3-pro', '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/o3-pro', '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 openai/o3-pro
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.