GPT-4 Turbo Preview 0125 er OpenAIs oppdaterte, tekstfokuserte forhåndsversjon av GPT-4 Turbo for forskningsutprøving. Den håndterer skriftlige instruksjoner, kildemateriale og kode og produserer tekstsvar eller applikasjonsrettede poster. Januaroppdateringen retter seg særlig mot mer fullstendig oppgaveutførelse på områder som kodegenerering og retter en feil som påvirket generering av ikke-engelsk UTF-8-tekst. Denne navngitte 0125-utgaven er forskjellig fra den tidligere 1106 Preview og fra GPT-4 Turbo with Vision.
Produsentens Preview-kort angir et kontekstvindu på 128000 tokener og opptil 4096 utdatatokener, med en kunnskapsgrense på 1. desember 2023. Det store inndatavinduet kan romme relaterte dokumenter eller kode sammen med et detaljert spørsmål; tillatt utdatamengde er mye mindre og bør forme det ønskede produktet. Oppgi oppdatert underlag når et spørsmål avhenger av informasjon utover modellens lagrede kunnskap.
For en kravsammenligning tar du med de relevante dokumentene, identifiserer hvilket som har forrang ved uenighet og ber om det endrede kravet, avsnittet som støtter det og virkningen på den oppgitte arbeidsflyten. For en kodeoppgave gir du oppførselen som skal oppnås, de relevante funksjonene og det forventede resultatet. Be om en fullstendig endring innenfor dette omfanget og identifiser hva som teller som fullføring, fremfor å behandle et overbevisende utdrag som hele oppgaven.
GPT-4 Turbo Preview-familien legger til bedre etterlevelse av formatkrav og JSON-modus. Produsenten beskriver JSON-modus som en begrensning av svaret til syntaktisk gyldig JSON; den verifiserer ikke på egen hånd at verdien i et felt er riktig eller at en post oppfyller alle forretningsregler. Definer feltene, tillatte verdier og håndtering av manglende opplysninger i instruksjonen og undersøk så det returnerte objektet mot disse kravene. Når du bruker produsentens JSON-modus, instruerer du modellen uttrykkelig om å produsere JSON og tar med ordet «JSON» i samtalen. Uten den instruksjonen kan den generere blanktegn frem til tokengrensen; kontroller at et fullstendig objekt ble returnert.
En uthentingsoppgave kan be om en elementidentifikator, kildeteksten som fastslår statusen og neste handling støttet av underlaget. Bevar originalmaterialet sammen med posten, slik at en verdi kan kontrolleres. At en parser godtar den returnerte JSON-en, er én del av arbeidsflyten; en korrekt forbindelse mellom kilden og de uthentede feltene er en annen.
OpenAIs Preview-lansering dokumenterer funksjonskall, inkludert forespørsler om flere funksjoner i én melding. Utvikleren beskriver hver funksjon og parameterne, og modellen returnerer argumenter for den forespurte operasjonen. Applikasjonen rundt modellen utfører operasjonen og returnerer det faktiske resultatet. En oppslagsforespørsel er derfor separat fra den hentede posten, og en foreslått handling er separat fra fullføringen.
Gi funksjoner som passer oppgaven og navngi underlaget neste svar bør bruke. En sammenligningsassistent kan be om postene for to navngitte elementer og så forklare forskjellene ved hjelp av de returnerte verdiene. Hvis et oppslag mislykkes eller gir ufullstendig materiale, bevarer du det vilkåret fremfor å lage en plausibel erstatning. Bevar funksjonsidentifikatorene og resultatene sammen med fortsettelsen.
Preview-familiens seed-kontroll er dokumentert som et hjelpemiddel i beta for å få konsistente fullføringer det meste av tiden. Den er nyttig for å sammenligne en instruksjonsendring mens andre innstillinger holdes like; den garanterer ikke at hver gjentatte forespørsel gir identiske utdata. Hold instruksjonen, kildematerialet og innstillingene samlet når du sammenligner svar.
Denne profilens oppførte modaliteter er tekstinndata og tekstutdata. Bildeanalyse tilhører den separat navngitte Vision Preview eller senere multimodale profiler. JSON-modus skiller seg også fra nyere funksjoner med skjemabegrensninger. Forbedringene i fullstendighet og tegnkoding i 0125-oppdateringen fjerner ikke behovet for å undersøke en kodeendring, et uthentet felt eller en konklusjon mot underlaget du har gitt. Velg et avgrenset produkt som passer den tillatte utdatamengden og bevar den nøyaktige navngitte utgaven sammen med resultatet.
", "aboutText": "GPT-4 Turbo Preview 0125 er OpenAIs oppdaterte, tekstfokuserte forhåndsversjon av GPT-4 Turbo for forskningsutprøving. Den håndterer skriftlige instruksjoner, kildemateriale og kode og produserer tekstsvar eller applikasjonsrettede poster. Januaroppdateringen retter seg særlig mot mer fullstendig oppgaveutførelse på områder som kodegenerering og retter en feil som påvirket generering av ikke-engelsk UTF-8-tekst. Denne navngitte 0125-utgaven er forskjellig fra den tidligere 1106 Preview og fra GPT-4 Turbo with Vision.\n\n### Tekstarbeid med stor kontekst\n\nProdusentens Preview-kort angir et kontekstvindu på 128000 tokener og opptil 4096 utdatatokener, med en kunnskapsgrense på 1. desember 2023. Det store inndatavinduet kan romme relaterte dokumenter eller kode sammen med et detaljert spørsmål; tillatt utdatamengde er mye mindre og bør forme det ønskede produktet. Oppgi oppdatert underlag når et spørsmål avhenger av informasjon utover modellens lagrede kunnskap.\n\nFor en kravsammenligning tar du med de relevante dokumentene, identifiserer hvilket som har forrang ved uenighet og ber om det endrede kravet, avsnittet som støtter det og virkningen på den oppgitte arbeidsflyten. For en kodeoppgave gir du oppførselen som skal oppnås, de relevante funksjonene og det forventede resultatet. Be om en fullstendig endring innenfor dette omfanget og identifiser hva som teller som fullføring, fremfor å behandle et overbevisende utdrag som hele oppgaven.\n\n### Formater og JSON-modus\n\nGPT-4 Turbo Preview-familien legger til bedre etterlevelse av formatkrav og JSON-modus. Produsenten beskriver JSON-modus som en begrensning av svaret til syntaktisk gyldig JSON; den verifiserer ikke på egen hånd at verdien i et felt er riktig eller at en post oppfyller alle forretningsregler. Definer feltene, tillatte verdier og håndtering av manglende opplysninger i instruksjonen og undersøk så det returnerte objektet mot disse kravene. Når du bruker produsentens JSON-modus, instruerer du modellen uttrykkelig om å produsere JSON og tar med ordet «JSON» i samtalen. Uten den instruksjonen kan den generere blanktegn frem til tokengrensen; kontroller at et fullstendig objekt ble returnert.\n\nEn uthentingsoppgave kan be om en elementidentifikator, kildeteksten som fastslår statusen og neste handling støttet av underlaget. Bevar originalmaterialet sammen med posten, slik at en verdi kan kontrolleres. At en parser godtar den returnerte JSON-en, er én del av arbeidsflyten; en korrekt forbindelse mellom kilden og de uthentede feltene er en annen.\n\n### Funksjonskall og faktiske resultater\n\nOpenAIs Preview-lansering dokumenterer funksjonskall, inkludert forespørsler om flere funksjoner i én melding. Utvikleren beskriver hver funksjon og parameterne, og modellen returnerer argumenter for den forespurte operasjonen. Applikasjonen rundt modellen utfører operasjonen og returnerer det faktiske resultatet. En oppslagsforespørsel er derfor separat fra den hentede posten, og en foreslått handling er separat fra fullføringen.\n\nGi funksjoner som passer oppgaven og navngi underlaget neste svar bør bruke. En sammenligningsassistent kan be om postene for to navngitte elementer og så forklare forskjellene ved hjelp av de returnerte verdiene. Hvis et oppslag mislykkes eller gir ufullstendig materiale, bevarer du det vilkåret fremfor å lage en plausibel erstatning. Bevar funksjonsidentifikatorene og resultatene sammen med fortsettelsen.\n\n### Repeterbarhet og utgavegrenser\n\nPreview-familiens seed-kontroll er dokumentert som et hjelpemiddel i beta for å få konsistente fullføringer det meste av tiden. Den er nyttig for å sammenligne en instruksjonsendring mens andre innstillinger holdes like; den garanterer ikke at hver gjentatte forespørsel gir identiske utdata. Hold instruksjonen, kildematerialet og innstillingene samlet når du sammenligner svar.\n\nDenne profilens oppførte modaliteter er tekstinndata og tekstutdata. Bildeanalyse tilhører den separat navngitte Vision Preview eller senere multimodale profiler. JSON-modus skiller seg også fra nyere funksjoner med skjemabegrensninger. Forbedringene i fullstendighet og tegnkoding i 0125-oppdateringen fjerner ikke behovet for å undersøke en kodeendring, et uthentet felt eller en konklusjon mot underlaget du har gitt. Velg et avgrenset produkt som passer den tillatte utdatamengden og bevar den nøyaktige navngitte utgaven sammen med resultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Complete a CSV escaping function\n\nWrite a complete Python function csv_cell(value) that converts value to text and wraps it in double quotes only when it contains a comma, double quote or newline. Embedded double quotes must be doubled. Return the function and tests for plain text, a comma, a quotation mark and a newline. Use no third-party packages.A complete function and four concrete test cases covering each escaping condition.The quotation-mark test checks both outer quoting and doubling of the embedded quote.gpt-4-0125-previewGPT-4 Turbo Preview 0125 håndterer tekst- og kodeoppgaver med lang kontekst og et dokumentert kontekstvindu på 128K. JSON-modus og funksjonskall hjelper med å gjøre oppgitt materiale om til tekstsvar eller applikasjonsposter, med den nøyaktige Preview-utgaven holdt separat fra modeller med bildestøtte og fra senere modeller.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4 Turbo Preview 0125 er OpenAIs oppdaterte, tekstfokuserte forhåndsversjon av GPT-4 Turbo for forskningsutprøving. Den håndterer skriftlige instruksjoner, kildemateriale og kode og produserer tekstsvar eller applikasjonsrettede poster. Januaroppdateringen retter seg særlig mot mer fullstendig oppgaveutførelse på områder som kodegenerering og retter en feil som påvirket generering av ikke-engelsk UTF-8-tekst. Denne navngitte 0125-utgaven er forskjellig fra den tidligere 1106 Preview og fra GPT-4 Turbo with Vision.
Produsentens Preview-kort angir et kontekstvindu på 128000 tokener og opptil 4096 utdatatokener, med en kunnskapsgrense på 1. desember 2023. Det store inndatavinduet kan romme relaterte dokumenter eller kode sammen med et detaljert spørsmål; tillatt utdatamengde er mye mindre og bør forme det ønskede produktet. Oppgi oppdatert underlag når et spørsmål avhenger av informasjon utover modellens lagrede kunnskap.
For en kravsammenligning tar du med de relevante dokumentene, identifiserer hvilket som har forrang ved uenighet og ber om det endrede kravet, avsnittet som støtter det og virkningen på den oppgitte arbeidsflyten. For en kodeoppgave gir du oppførselen som skal oppnås, de relevante funksjonene og det forventede resultatet. Be om en fullstendig endring innenfor dette omfanget og identifiser hva som teller som fullføring, fremfor å behandle et overbevisende utdrag som hele oppgaven.
GPT-4 Turbo Preview-familien legger til bedre etterlevelse av formatkrav og JSON-modus. Produsenten beskriver JSON-modus som en begrensning av svaret til syntaktisk gyldig JSON; den verifiserer ikke på egen hånd at verdien i et felt er riktig eller at en post oppfyller alle forretningsregler. Definer feltene, tillatte verdier og håndtering av manglende opplysninger i instruksjonen og undersøk så det returnerte objektet mot disse kravene. Når du bruker produsentens JSON-modus, instruerer du modellen uttrykkelig om å produsere JSON og tar med ordet «JSON» i samtalen. Uten den instruksjonen kan den generere blanktegn frem til tokengrensen; kontroller at et fullstendig objekt ble returnert.
En uthentingsoppgave kan be om en elementidentifikator, kildeteksten som fastslår statusen og neste handling støttet av underlaget. Bevar originalmaterialet sammen med posten, slik at en verdi kan kontrolleres. At en parser godtar den returnerte JSON-en, er én del av arbeidsflyten; en korrekt forbindelse mellom kilden og de uthentede feltene er en annen.
OpenAIs Preview-lansering dokumenterer funksjonskall, inkludert forespørsler om flere funksjoner i én melding. Utvikleren beskriver hver funksjon og parameterne, og modellen returnerer argumenter for den forespurte operasjonen. Applikasjonen rundt modellen utfører operasjonen og returnerer det faktiske resultatet. En oppslagsforespørsel er derfor separat fra den hentede posten, og en foreslått handling er separat fra fullføringen.
Gi funksjoner som passer oppgaven og navngi underlaget neste svar bør bruke. En sammenligningsassistent kan be om postene for to navngitte elementer og så forklare forskjellene ved hjelp av de returnerte verdiene. Hvis et oppslag mislykkes eller gir ufullstendig materiale, bevarer du det vilkåret fremfor å lage en plausibel erstatning. Bevar funksjonsidentifikatorene og resultatene sammen med fortsettelsen.
Preview-familiens seed-kontroll er dokumentert som et hjelpemiddel i beta for å få konsistente fullføringer det meste av tiden. Den er nyttig for å sammenligne en instruksjonsendring mens andre innstillinger holdes like; den garanterer ikke at hver gjentatte forespørsel gir identiske utdata. Hold instruksjonen, kildematerialet og innstillingene samlet når du sammenligner svar.
Denne profilens oppførte modaliteter er tekstinndata og tekstutdata. Bildeanalyse tilhører den separat navngitte Vision Preview eller senere multimodale profiler. JSON-modus skiller seg også fra nyere funksjoner med skjemabegrensninger. Forbedringene i fullstendighet og tegnkoding i 0125-oppdateringen fjerner ikke behovet for å undersøke en kodeendring, et uthentet felt eller en konklusjon mot underlaget du har gitt. Velg et avgrenset produkt som passer den tillatte utdatamengden og bevar den nøyaktige navngitte utgaven sammen med resultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-4-0125-preview | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-4-0125-preview", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gpt-4-0125-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gpt-4-0125-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-4-0125-preview
Bruk metodestiene som vises ovenfor.
gpt-4-0125-previewGPT-4 Turbo Preview 0125 håndterer tekst- og kodeoppgaver med lang kontekst og et dokumentert kontekstvindu på 128K. JSON-modus og funksjonskall hjelper med å gjøre oppgitt materiale om til tekstsvar eller applikasjonsposter, med den nøyaktige Preview-utgaven holdt separat fra modeller med bildestøtte og fra senere modeller.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4 Turbo Preview 0125 er OpenAIs oppdaterte, tekstfokuserte forhåndsversjon av GPT-4 Turbo for forskningsutprøving. Den håndterer skriftlige instruksjoner, kildemateriale og kode og produserer tekstsvar eller applikasjonsrettede poster. Januaroppdateringen retter seg særlig mot mer fullstendig oppgaveutførelse på områder som kodegenerering og retter en feil som påvirket generering av ikke-engelsk UTF-8-tekst. Denne navngitte 0125-utgaven er forskjellig fra den tidligere 1106 Preview og fra GPT-4 Turbo with Vision.
Produsentens Preview-kort angir et kontekstvindu på 128000 tokener og opptil 4096 utdatatokener, med en kunnskapsgrense på 1. desember 2023. Det store inndatavinduet kan romme relaterte dokumenter eller kode sammen med et detaljert spørsmål; tillatt utdatamengde er mye mindre og bør forme det ønskede produktet. Oppgi oppdatert underlag når et spørsmål avhenger av informasjon utover modellens lagrede kunnskap.
For en kravsammenligning tar du med de relevante dokumentene, identifiserer hvilket som har forrang ved uenighet og ber om det endrede kravet, avsnittet som støtter det og virkningen på den oppgitte arbeidsflyten. For en kodeoppgave gir du oppførselen som skal oppnås, de relevante funksjonene og det forventede resultatet. Be om en fullstendig endring innenfor dette omfanget og identifiser hva som teller som fullføring, fremfor å behandle et overbevisende utdrag som hele oppgaven.
GPT-4 Turbo Preview-familien legger til bedre etterlevelse av formatkrav og JSON-modus. Produsenten beskriver JSON-modus som en begrensning av svaret til syntaktisk gyldig JSON; den verifiserer ikke på egen hånd at verdien i et felt er riktig eller at en post oppfyller alle forretningsregler. Definer feltene, tillatte verdier og håndtering av manglende opplysninger i instruksjonen og undersøk så det returnerte objektet mot disse kravene. Når du bruker produsentens JSON-modus, instruerer du modellen uttrykkelig om å produsere JSON og tar med ordet «JSON» i samtalen. Uten den instruksjonen kan den generere blanktegn frem til tokengrensen; kontroller at et fullstendig objekt ble returnert.
En uthentingsoppgave kan be om en elementidentifikator, kildeteksten som fastslår statusen og neste handling støttet av underlaget. Bevar originalmaterialet sammen med posten, slik at en verdi kan kontrolleres. At en parser godtar den returnerte JSON-en, er én del av arbeidsflyten; en korrekt forbindelse mellom kilden og de uthentede feltene er en annen.
OpenAIs Preview-lansering dokumenterer funksjonskall, inkludert forespørsler om flere funksjoner i én melding. Utvikleren beskriver hver funksjon og parameterne, og modellen returnerer argumenter for den forespurte operasjonen. Applikasjonen rundt modellen utfører operasjonen og returnerer det faktiske resultatet. En oppslagsforespørsel er derfor separat fra den hentede posten, og en foreslått handling er separat fra fullføringen.
Gi funksjoner som passer oppgaven og navngi underlaget neste svar bør bruke. En sammenligningsassistent kan be om postene for to navngitte elementer og så forklare forskjellene ved hjelp av de returnerte verdiene. Hvis et oppslag mislykkes eller gir ufullstendig materiale, bevarer du det vilkåret fremfor å lage en plausibel erstatning. Bevar funksjonsidentifikatorene og resultatene sammen med fortsettelsen.
Preview-familiens seed-kontroll er dokumentert som et hjelpemiddel i beta for å få konsistente fullføringer det meste av tiden. Den er nyttig for å sammenligne en instruksjonsendring mens andre innstillinger holdes like; den garanterer ikke at hver gjentatte forespørsel gir identiske utdata. Hold instruksjonen, kildematerialet og innstillingene samlet når du sammenligner svar.
Denne profilens oppførte modaliteter er tekstinndata og tekstutdata. Bildeanalyse tilhører den separat navngitte Vision Preview eller senere multimodale profiler. JSON-modus skiller seg også fra nyere funksjoner med skjemabegrensninger. Forbedringene i fullstendighet og tegnkoding i 0125-oppdateringen fjerner ikke behovet for å undersøke en kodeendring, et uthentet felt eller en konklusjon mot underlaget du har gitt. Velg et avgrenset produkt som passer den tillatte utdatamengden og bevar den nøyaktige navngitte utgaven sammen med resultatet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-4-0125-preview | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gpt-4-0125-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-4-0125-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-4-0125-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-4-0125-preview
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Complete a CSV escaping function\n\nWrite a complete Python function csv_cell(value) that converts value to text and wraps it in double quotes only when it contains a comma, double quote or newline. Embedded double quotes must be doubled. Return the function and tests for plain text, a comma, a quotation mark and a newline. Use no third-party packages.A complete function and four concrete test cases covering each escaping condition.The quotation-mark test checks both outer quoting and doubling of the embedded quote.