GPT-4 Turbo Preview 1106 er OpenAIs første navngitte tekstutgave av GPT-4 Turbo Preview. Den innfører et kontekstvindu på 128K, bedre instruksjonsfølging, JSON-modus og oppdateringer for funksjonskall, blant annet forespørsler om flere funksjoner i én melding. Nyttig output er et tekstsvar, et kodeforslag eller en strukturert applikasjonspost forankret i oppgitt materiale. Denne 1106-profilen er adskilt fra Vision Preview og den senere 0125-oppdateringen.
Lanseringen angir et kontekstvindu på 128K og kunnskap om verdenshendelser til og med april 2023. Oppgi nyere belegg når oppgaven avhenger av aktuell informasjon. En større kontekst kan romme beslektede kildedokumenter eller kode, men ledeteksten må fortsatt fastslå hva modellen skal gjøre med dem. Oppgi spørsmålet, hvilket materiale som er autoritativt, og forventet svarform.
For en dokumentsammenligning identifiserer du versjonene og ber om de endrede betingelsene med avsnittene som støtter dem. For en kodeoppgave tar du med eksisterende oppførsel, ønsket endring og relevante grensesnittbegrensninger. Et nyttig resultat kan være en målrettet patch eller en forklaring på en feil med det konkrete tilfellet som avdekker den. Hold irrelevant materiale utenfor oppgaven, slik at modellens oppmerksomhet rettes mot belegget som påvirker resultatet.
Produsenten fremhever bedre etterlevelse av instruksjoner som krever et bestemt svarformat. En forespørsel kan definere en ordnet forklaring, en tabell eller en maskinlesbar post. Navngi feltene og forklar hva som skal returneres når kilden ikke fastslår en verdi. En eksempeloppgave for postbehandling kan be om en kildeidentifikator, en uttrukket betingelse og avsnittet den ble hentet fra.
JSON-modus begrenser svaret til et syntaktisk gyldig JSON-objekt i produsentens Chat Completions-flyt. Gyldig JSON fastslår ikke at posten inneholder de riktige feltene eller korrekte verdier. Hold applikasjonsvalidering og kildekontroll adskilt fra formatkontrollen, særlig når neste trinn avhenger av en bestemt identifikator eller status. Når du bruker produsentens JSON-modus, må du eksplisitt instruere modellen om å produsere JSON og inkludere ordet «JSON» i samtalen. Uten den instruksjonen kan den sende blanktegn til tokengrensen; kontroller at et fullstendig objekt ble returnert. Senere funksjoner for output med begrenset skjema i andre modeller er en annen mekanisme.
Modellen kan produsere argumenter for applikasjonsdefinerte funksjoner. Utgivelsen legger til muligheten til å be om flere funksjoner i én melding, som kan støtte en oppgave med mer enn ett oppslag. Beskriv hver funksjons formål og påkrevde input, og knytt deretter informasjonen som faktisk returneres til neste svar. Modellen velger og beskriver forespørselen; applikasjonen utfører den.
Ved sammenligning av to poster kan en funksjon hente de faktiske detaljene for hver post før assistenten utarbeider sammenligningen. Bevar forbindelsen mellom det forespurte elementet og det returnerte resultatet. Når en kilde mangler eller en operasjon mislykkes, må den tilstanden følge med i svaret, fremfor å kunngjøre et vellykket utfall ut fra de foreslåtte argumentene alene.
Lanseringens seed-kontroll i beta tar sikte på å produsere konsistente svar mesteparten av tiden. Bruk den med samme kildemateriale og øvrige innstillinger når du sammenligner en liten endring i ledeteksten. Den garanterer ikke determinisme, så se gjennom begge svarene og behold betingelsene hvert av dem ble produsert under.
Den opprinnelige utgivelsen skiller denne tekstbaserte Preview fra GPT-4 Turbo with Vision, bildegenerering og talegenereringsmodeller. Oppgi et diagrams relevante informasjon skriftlig for denne profilen, fremfor å overføre Vision-modellens inputevne. Den senere 0125 Preview-oppdateringen retter seg mot grundigere oppgavefullføring og retter en kodingsfeil; 1106-utgaven kom før disse endringene. Behold navngitt modell, kildemateriale, ønsket format og returnert leveranse samlet når du vurderer et resultat.
", "aboutText": "GPT-4 Turbo Preview 1106 er OpenAIs første navngitte tekstutgave av GPT-4 Turbo Preview. Den innfører et kontekstvindu på 128K, bedre instruksjonsfølging, JSON-modus og oppdateringer for funksjonskall, blant annet forespørsler om flere funksjoner i én melding. Nyttig output er et tekstsvar, et kodeforslag eller en strukturert applikasjonspost forankret i oppgitt materiale. Denne 1106-profilen er adskilt fra Vision Preview og den senere 0125-oppdateringen.\n\n### Samle beslektet tekst i én avgrenset oppgave\n\nLanseringen angir et kontekstvindu på 128K og kunnskap om verdenshendelser til og med april 2023. Oppgi nyere belegg når oppgaven avhenger av aktuell informasjon. En større kontekst kan romme beslektede kildedokumenter eller kode, men ledeteksten må fortsatt fastslå hva modellen skal gjøre med dem. Oppgi spørsmålet, hvilket materiale som er autoritativt, og forventet svarform.\n\nFor en dokumentsammenligning identifiserer du versjonene og ber om de endrede betingelsene med avsnittene som støtter dem. For en kodeoppgave tar du med eksisterende oppførsel, ønsket endring og relevante grensesnittbegrensninger. Et nyttig resultat kan være en målrettet patch eller en forklaring på en feil med det konkrete tilfellet som avdekker den. Hold irrelevant materiale utenfor oppgaven, slik at modellens oppmerksomhet rettes mot belegget som påvirker resultatet.\n\n### Følg et ønsket format\n\nProdusenten fremhever bedre etterlevelse av instruksjoner som krever et bestemt svarformat. En forespørsel kan definere en ordnet forklaring, en tabell eller en maskinlesbar post. Navngi feltene og forklar hva som skal returneres når kilden ikke fastslår en verdi. En eksempeloppgave for postbehandling kan be om en kildeidentifikator, en uttrukket betingelse og avsnittet den ble hentet fra.\n\nJSON-modus begrenser svaret til et syntaktisk gyldig JSON-objekt i produsentens Chat Completions-flyt. Gyldig JSON fastslår ikke at posten inneholder de riktige feltene eller korrekte verdier. Hold applikasjonsvalidering og kildekontroll adskilt fra formatkontrollen, særlig når neste trinn avhenger av en bestemt identifikator eller status. Når du bruker produsentens JSON-modus, må du eksplisitt instruere modellen om å produsere JSON og inkludere ordet «JSON» i samtalen. Uten den instruksjonen kan den sende blanktegn til tokengrensen; kontroller at et fullstendig objekt ble returnert. Senere funksjoner for output med begrenset skjema i andre modeller er en annen mekanisme.\n\n### Be om funksjoner med nyttige argumenter\n\nModellen kan produsere argumenter for applikasjonsdefinerte funksjoner. Utgivelsen legger til muligheten til å be om flere funksjoner i én melding, som kan støtte en oppgave med mer enn ett oppslag. Beskriv hver funksjons formål og påkrevde input, og knytt deretter informasjonen som faktisk returneres til neste svar. Modellen velger og beskriver forespørselen; applikasjonen utfører den.\n\nVed sammenligning av to poster kan en funksjon hente de faktiske detaljene for hver post før assistenten utarbeider sammenligningen. Bevar forbindelsen mellom det forespurte elementet og det returnerte resultatet. Når en kilde mangler eller en operasjon mislykkes, må den tilstanden følge med i svaret, fremfor å kunngjøre et vellykket utfall ut fra de foreslåtte argumentene alene.\n\n### Repeterbare eksperimenter og den valgte utgaven\n\nLanseringens seed-kontroll i beta tar sikte på å produsere konsistente svar mesteparten av tiden. Bruk den med samme kildemateriale og øvrige innstillinger når du sammenligner en liten endring i ledeteksten. Den garanterer ikke determinisme, så se gjennom begge svarene og behold betingelsene hvert av dem ble produsert under.\n\nDen opprinnelige utgivelsen skiller denne tekstbaserte Preview fra GPT-4 Turbo with Vision, bildegenerering og talegenereringsmodeller. Oppgi et diagrams relevante informasjon skriftlig for denne profilen, fremfor å overføre Vision-modellens inputevne. Den senere 0125 Preview-oppdateringen retter seg mot grundigere oppgavefullføring og retter en kodingsfeil; 1106-utgaven kom før disse endringene. Behold navngitt modell, kildemateriale, ønsket format og returnert leveranse samlet når du vurderer et resultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.gpt-4-1106-previewGPT-4 Turbo Preview 1106 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 1106 er OpenAIs første navngitte tekstutgave av GPT-4 Turbo Preview. Den innfører et kontekstvindu på 128K, bedre instruksjonsfølging, JSON-modus og oppdateringer for funksjonskall, blant annet forespørsler om flere funksjoner i én melding. Nyttig output er et tekstsvar, et kodeforslag eller en strukturert applikasjonspost forankret i oppgitt materiale. Denne 1106-profilen er adskilt fra Vision Preview og den senere 0125-oppdateringen.
Lanseringen angir et kontekstvindu på 128K og kunnskap om verdenshendelser til og med april 2023. Oppgi nyere belegg når oppgaven avhenger av aktuell informasjon. En større kontekst kan romme beslektede kildedokumenter eller kode, men ledeteksten må fortsatt fastslå hva modellen skal gjøre med dem. Oppgi spørsmålet, hvilket materiale som er autoritativt, og forventet svarform.
For en dokumentsammenligning identifiserer du versjonene og ber om de endrede betingelsene med avsnittene som støtter dem. For en kodeoppgave tar du med eksisterende oppførsel, ønsket endring og relevante grensesnittbegrensninger. Et nyttig resultat kan være en målrettet patch eller en forklaring på en feil med det konkrete tilfellet som avdekker den. Hold irrelevant materiale utenfor oppgaven, slik at modellens oppmerksomhet rettes mot belegget som påvirker resultatet.
Produsenten fremhever bedre etterlevelse av instruksjoner som krever et bestemt svarformat. En forespørsel kan definere en ordnet forklaring, en tabell eller en maskinlesbar post. Navngi feltene og forklar hva som skal returneres når kilden ikke fastslår en verdi. En eksempeloppgave for postbehandling kan be om en kildeidentifikator, en uttrukket betingelse og avsnittet den ble hentet fra.
JSON-modus begrenser svaret til et syntaktisk gyldig JSON-objekt i produsentens Chat Completions-flyt. Gyldig JSON fastslår ikke at posten inneholder de riktige feltene eller korrekte verdier. Hold applikasjonsvalidering og kildekontroll adskilt fra formatkontrollen, særlig når neste trinn avhenger av en bestemt identifikator eller status. Når du bruker produsentens JSON-modus, må du eksplisitt instruere modellen om å produsere JSON og inkludere ordet «JSON» i samtalen. Uten den instruksjonen kan den sende blanktegn til tokengrensen; kontroller at et fullstendig objekt ble returnert. Senere funksjoner for output med begrenset skjema i andre modeller er en annen mekanisme.
Modellen kan produsere argumenter for applikasjonsdefinerte funksjoner. Utgivelsen legger til muligheten til å be om flere funksjoner i én melding, som kan støtte en oppgave med mer enn ett oppslag. Beskriv hver funksjons formål og påkrevde input, og knytt deretter informasjonen som faktisk returneres til neste svar. Modellen velger og beskriver forespørselen; applikasjonen utfører den.
Ved sammenligning av to poster kan en funksjon hente de faktiske detaljene for hver post før assistenten utarbeider sammenligningen. Bevar forbindelsen mellom det forespurte elementet og det returnerte resultatet. Når en kilde mangler eller en operasjon mislykkes, må den tilstanden følge med i svaret, fremfor å kunngjøre et vellykket utfall ut fra de foreslåtte argumentene alene.
Lanseringens seed-kontroll i beta tar sikte på å produsere konsistente svar mesteparten av tiden. Bruk den med samme kildemateriale og øvrige innstillinger når du sammenligner en liten endring i ledeteksten. Den garanterer ikke determinisme, så se gjennom begge svarene og behold betingelsene hvert av dem ble produsert under.
Den opprinnelige utgivelsen skiller denne tekstbaserte Preview fra GPT-4 Turbo with Vision, bildegenerering og talegenereringsmodeller. Oppgi et diagrams relevante informasjon skriftlig for denne profilen, fremfor å overføre Vision-modellens inputevne. Den senere 0125 Preview-oppdateringen retter seg mot grundigere oppgavefullføring og retter en kodingsfeil; 1106-utgaven kom før disse endringene. Behold navngitt modell, kildemateriale, ønsket format og returnert leveranse samlet når du vurderer et resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-4-1106-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-4-1106-preview", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gpt-4-1106-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gpt-4-1106-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-4-1106-preview
Bruk metodestiene som vises ovenfor.
gpt-4-1106-previewGPT-4 Turbo Preview 1106 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 1106 er OpenAIs første navngitte tekstutgave av GPT-4 Turbo Preview. Den innfører et kontekstvindu på 128K, bedre instruksjonsfølging, JSON-modus og oppdateringer for funksjonskall, blant annet forespørsler om flere funksjoner i én melding. Nyttig output er et tekstsvar, et kodeforslag eller en strukturert applikasjonspost forankret i oppgitt materiale. Denne 1106-profilen er adskilt fra Vision Preview og den senere 0125-oppdateringen.
Lanseringen angir et kontekstvindu på 128K og kunnskap om verdenshendelser til og med april 2023. Oppgi nyere belegg når oppgaven avhenger av aktuell informasjon. En større kontekst kan romme beslektede kildedokumenter eller kode, men ledeteksten må fortsatt fastslå hva modellen skal gjøre med dem. Oppgi spørsmålet, hvilket materiale som er autoritativt, og forventet svarform.
For en dokumentsammenligning identifiserer du versjonene og ber om de endrede betingelsene med avsnittene som støtter dem. For en kodeoppgave tar du med eksisterende oppførsel, ønsket endring og relevante grensesnittbegrensninger. Et nyttig resultat kan være en målrettet patch eller en forklaring på en feil med det konkrete tilfellet som avdekker den. Hold irrelevant materiale utenfor oppgaven, slik at modellens oppmerksomhet rettes mot belegget som påvirker resultatet.
Produsenten fremhever bedre etterlevelse av instruksjoner som krever et bestemt svarformat. En forespørsel kan definere en ordnet forklaring, en tabell eller en maskinlesbar post. Navngi feltene og forklar hva som skal returneres når kilden ikke fastslår en verdi. En eksempeloppgave for postbehandling kan be om en kildeidentifikator, en uttrukket betingelse og avsnittet den ble hentet fra.
JSON-modus begrenser svaret til et syntaktisk gyldig JSON-objekt i produsentens Chat Completions-flyt. Gyldig JSON fastslår ikke at posten inneholder de riktige feltene eller korrekte verdier. Hold applikasjonsvalidering og kildekontroll adskilt fra formatkontrollen, særlig når neste trinn avhenger av en bestemt identifikator eller status. Når du bruker produsentens JSON-modus, må du eksplisitt instruere modellen om å produsere JSON og inkludere ordet «JSON» i samtalen. Uten den instruksjonen kan den sende blanktegn til tokengrensen; kontroller at et fullstendig objekt ble returnert. Senere funksjoner for output med begrenset skjema i andre modeller er en annen mekanisme.
Modellen kan produsere argumenter for applikasjonsdefinerte funksjoner. Utgivelsen legger til muligheten til å be om flere funksjoner i én melding, som kan støtte en oppgave med mer enn ett oppslag. Beskriv hver funksjons formål og påkrevde input, og knytt deretter informasjonen som faktisk returneres til neste svar. Modellen velger og beskriver forespørselen; applikasjonen utfører den.
Ved sammenligning av to poster kan en funksjon hente de faktiske detaljene for hver post før assistenten utarbeider sammenligningen. Bevar forbindelsen mellom det forespurte elementet og det returnerte resultatet. Når en kilde mangler eller en operasjon mislykkes, må den tilstanden følge med i svaret, fremfor å kunngjøre et vellykket utfall ut fra de foreslåtte argumentene alene.
Lanseringens seed-kontroll i beta tar sikte på å produsere konsistente svar mesteparten av tiden. Bruk den med samme kildemateriale og øvrige innstillinger når du sammenligner en liten endring i ledeteksten. Den garanterer ikke determinisme, så se gjennom begge svarene og behold betingelsene hvert av dem ble produsert under.
Den opprinnelige utgivelsen skiller denne tekstbaserte Preview fra GPT-4 Turbo with Vision, bildegenerering og talegenereringsmodeller. Oppgi et diagrams relevante informasjon skriftlig for denne profilen, fremfor å overføre Vision-modellens inputevne. Den senere 0125 Preview-oppdateringen retter seg mot grundigere oppgavefullføring og retter en kodingsfeil; 1106-utgaven kom før disse endringene. Behold navngitt modell, kildemateriale, ønsket format og returnert leveranse samlet når du vurderer et resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-4-1106-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 $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gpt-4-1106-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-4-1106-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-4-1106-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-4-1106-preview
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Extract a source-linked renewal record\n\nFrom this note, draft a JSON object with fields account, renewal_date, owner and evidence: “Account Northbridge renews on 30 June. The commercial owner has not yet been assigned.” Use null for an unstated owner, retain the date wording and include the source sentence supporting the renewal date. Return no extra prose.A requested JSON record with the four named fields, an unknown owner and source evidence.Parse the returned record and check its values against the note; requested JSON formatting does not replace field validation.