GPT-4 32K er OpenAIs GPT-4-tekstprofil med utvidet kontekst for oppgaver som trenger mer relatert materiale i én forespørsel. Produsenten dokumenterer en kontekst på 32768 tokener, sammenlignet med 8192 tokener i den opprinnelige GPT-4-profilen. Den tar imot tekst og returnerer tekst, inkludert forklaringer på naturlig språk, utkast og kode. Det definerende skillet er den større konteksten, fremfor vinduet på 128K eller de multimodale egenskapene til senere GPT-4 Turbo-profiler.
Oppgi dokumentene eller koden som er relevant for en klart angitt oppgave. En kravsammenligning kan samle flere spesifikasjoner og spørre hvilke vilkår som samsvarer, hvilke som er i konflikt og hvilken kilde som styrer en beslutning. Gi hver kilde en identifikator og be om avsnittet som støtter et viktig funn. Å holde relatert underlag samlet kan hjelpe modellen med å sammenligne det, mens resultatet fortsatt må bevare forbindelsen mellom en konklusjon og kilden.
For et spørsmål om en kodebase tar du med de relevante funksjonene, stedene de kalles fra og oppførselen som undersøkes. Be om en forklaring av avhengigheten eller en avgrenset endring knyttet til den oppførselen. Den større konteksten kan romme nyttig kode rundt, men fjerner ikke behovet for å definere spørsmålet eller fullføringskriteriet. Et kodeforslag bør identifisere inndatatilfellet som begrunner det og det forventede resultatet som kan kontrolleres.
GPT-4-lanseringen beskriver styrbarhet gjennom systemmeldingen: utvikleren kan angi modellens oppgave, tone og stil. Bruk den instruksjonen til å fastslå om svaret skal være en kort forklaring, en sammenligning, et utkast eller en post med navngitte felter. Definer hvordan manglende informasjon skal vises og skill oppgitte fakta fra antakelser. En dokumentbehandlingsoppgave kan be om en liste med vilkår, med kildeidentifikatoren og det relevante avsnittet ved hvert vilkår.
Oppretthold disse instruksjonene etter hvert som samtalen utvikler seg. Ta med det faktiske forrige resultatet når neste forespørsel reviderer det og identifiser hva som skal endres. En nyttig oppfølging avgrenser en uenighet i en sammenligning eller ber om en korreksjon av én del av et utkast, fremfor å anta at en ny isolert instruksjon bevarer hele den tidligere oppgaven.
Produsentens 0613-oppdatering legger til forbedringene i GPT-4s funksjonskall i utgaven med utvidet kontekst. Utvikleren beskriver en funksjon og parameterne, og modellen kan returnere et JSON-objekt med argumenter for den funksjonen. Applikasjonen utfører operasjonen og oppgir det returnerte resultatet. Den nyttige egenskapen er en strukturert forespørsel knyttet til applikasjonsatferd, fremfor at modellen direkte fullfører en ekstern handling.
For en informasjonsassistent kan en funksjon hente den faktiske posten som trengs for å besvare et spørsmål. Hold den forespurte identifikatoren og den returnerte posten knyttet sammen og be så om et svar basert på resultatet. Kontroller om en foreslått handling støttes av brukerens forespørsel og om funksjonen faktisk fullførte den. Det oppdaterte funksjonsgrensesnittet er separat fra de senere tilleggene for JSON-modus og parallelle kall i GPT-4 Turbo.
Den opprinnelige GPT-4-lanseringen identifiserer faktahallusinasjoner, resonneringsfeil og begrenset kunnskap om nyere hendelser som vesentlige begrensninger. Oppgi oppdatert underlag for et spørsmål der svaret har endret seg og kontroller viktige tall, navn og kodeatferd mot kilden. En selvsikker forklaring kan fortsatt mistolke et vilkår eller innføre en feil.
Hold det ønskede produktet i forhold til oppgaven og den tilgjengelige konteksten. Tallet 32K er en kontekstkapasitet, ikke et løfte om et like langt ferdig svar eller perfekt forståelse av hvert inkluderte avsnitt. Bevar den valgte modellprofilen, instruksjonene, kildematerialet og resultatet sammen. Dette gjør en sammenligning av lange dokumenter, en kodeforklaring eller et revidert utkast konkret nok til å undersøke og fortsette.
", "aboutText": "GPT-4 32K er OpenAIs GPT-4-tekstprofil med utvidet kontekst for oppgaver som trenger mer relatert materiale i én forespørsel. Produsenten dokumenterer en kontekst på 32768 tokener, sammenlignet med 8192 tokener i den opprinnelige GPT-4-profilen. Den tar imot tekst og returnerer tekst, inkludert forklaringer på naturlig språk, utkast og kode. Det definerende skillet er den større konteksten, fremfor vinduet på 128K eller de multimodale egenskapene til senere GPT-4 Turbo-profiler.\n\n### Bruk konteksten til relatert underlag\n\nOppgi dokumentene eller koden som er relevant for en klart angitt oppgave. En kravsammenligning kan samle flere spesifikasjoner og spørre hvilke vilkår som samsvarer, hvilke som er i konflikt og hvilken kilde som styrer en beslutning. Gi hver kilde en identifikator og be om avsnittet som støtter et viktig funn. Å holde relatert underlag samlet kan hjelpe modellen med å sammenligne det, mens resultatet fortsatt må bevare forbindelsen mellom en konklusjon og kilden.\n\nFor et spørsmål om en kodebase tar du med de relevante funksjonene, stedene de kalles fra og oppførselen som undersøkes. Be om en forklaring av avhengigheten eller en avgrenset endring knyttet til den oppførselen. Den større konteksten kan romme nyttig kode rundt, men fjerner ikke behovet for å definere spørsmålet eller fullføringskriteriet. Et kodeforslag bør identifisere inndatatilfellet som begrunner det og det forventede resultatet som kan kontrolleres.\n\n### Angi oppgaven og svarstilen\n\nGPT-4-lanseringen beskriver styrbarhet gjennom systemmeldingen: utvikleren kan angi modellens oppgave, tone og stil. Bruk den instruksjonen til å fastslå om svaret skal være en kort forklaring, en sammenligning, et utkast eller en post med navngitte felter. Definer hvordan manglende informasjon skal vises og skill oppgitte fakta fra antakelser. En dokumentbehandlingsoppgave kan be om en liste med vilkår, med kildeidentifikatoren og det relevante avsnittet ved hvert vilkår.\n\nOppretthold disse instruksjonene etter hvert som samtalen utvikler seg. Ta med det faktiske forrige resultatet når neste forespørsel reviderer det og identifiser hva som skal endres. En nyttig oppfølging avgrenser en uenighet i en sammenligning eller ber om en korreksjon av én del av et utkast, fremfor å anta at en ny isolert instruksjon bevarer hele den tidligere oppgaven.\n\n### Funksjonskall i den oppdaterte 32K-serien\n\nProdusentens 0613-oppdatering legger til forbedringene i GPT-4s funksjonskall i utgaven med utvidet kontekst. Utvikleren beskriver en funksjon og parameterne, og modellen kan returnere et JSON-objekt med argumenter for den funksjonen. Applikasjonen utfører operasjonen og oppgir det returnerte resultatet. Den nyttige egenskapen er en strukturert forespørsel knyttet til applikasjonsatferd, fremfor at modellen direkte fullfører en ekstern handling.\n\nFor en informasjonsassistent kan en funksjon hente den faktiske posten som trengs for å besvare et spørsmål. Hold den forespurte identifikatoren og den returnerte posten knyttet sammen og be så om et svar basert på resultatet. Kontroller om en foreslått handling støttes av brukerens forespørsel og om funksjonen faktisk fullførte den. Det oppdaterte funksjonsgrensesnittet er separat fra de senere tilleggene for JSON-modus og parallelle kall i GPT-4 Turbo.\n\n### Vurder svaret mot materialet\n\nDen opprinnelige GPT-4-lanseringen identifiserer faktahallusinasjoner, resonneringsfeil og begrenset kunnskap om nyere hendelser som vesentlige begrensninger. Oppgi oppdatert underlag for et spørsmål der svaret har endret seg og kontroller viktige tall, navn og kodeatferd mot kilden. En selvsikker forklaring kan fortsatt mistolke et vilkår eller innføre en feil.\n\nHold det ønskede produktet i forhold til oppgaven og den tilgjengelige konteksten. Tallet 32K er en kontekstkapasitet, ikke et løfte om et like langt ferdig svar eller perfekt forståelse av hvert inkluderte avsnitt. Bevar den valgte modellprofilen, instruksjonene, kildematerialet og resultatet sammen. Dette gjør en sammenligning av lange dokumenter, en kodeforklaring eller et revidert utkast konkret nok til å undersøke og fortsette.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare requirements using a precedence rule\n\nCompare three labelled specifications. BASE: exports include all orders and run nightly. ADDENDUM: exports include paid orders only; cadence is unchanged. OPERATIONS: exports run hourly. The signed ADDENDUM overrides BASE, while OPERATIONS is an unsigned proposal. Produce the effective requirements and unresolved proposal, citing the governing source for each.An effective-requirements table plus a separate unresolved-proposal entry with source references.Paid orders and nightly cadence are retained as effective; hourly cadence remains an unsigned proposal.gpt-4-32k-0613GPT-4 32K er GPT-4-tekstprofilen med utvidet kontekst for arbeid med større samlinger av dokumenter eller kode. Den dokumenterte konteksten på 32768 tokener støtter relatert materiale i én oppgave, med systeminstruksjoner som styrer svaret og funksjonskall dokumentert i den oppdaterte 0613-utgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4 32K er OpenAIs GPT-4-tekstprofil med utvidet kontekst for oppgaver som trenger mer relatert materiale i én forespørsel. Produsenten dokumenterer en kontekst på 32768 tokener, sammenlignet med 8192 tokener i den opprinnelige GPT-4-profilen. Den tar imot tekst og returnerer tekst, inkludert forklaringer på naturlig språk, utkast og kode. Det definerende skillet er den større konteksten, fremfor vinduet på 128K eller de multimodale egenskapene til senere GPT-4 Turbo-profiler.
Oppgi dokumentene eller koden som er relevant for en klart angitt oppgave. En kravsammenligning kan samle flere spesifikasjoner og spørre hvilke vilkår som samsvarer, hvilke som er i konflikt og hvilken kilde som styrer en beslutning. Gi hver kilde en identifikator og be om avsnittet som støtter et viktig funn. Å holde relatert underlag samlet kan hjelpe modellen med å sammenligne det, mens resultatet fortsatt må bevare forbindelsen mellom en konklusjon og kilden.
For et spørsmål om en kodebase tar du med de relevante funksjonene, stedene de kalles fra og oppførselen som undersøkes. Be om en forklaring av avhengigheten eller en avgrenset endring knyttet til den oppførselen. Den større konteksten kan romme nyttig kode rundt, men fjerner ikke behovet for å definere spørsmålet eller fullføringskriteriet. Et kodeforslag bør identifisere inndatatilfellet som begrunner det og det forventede resultatet som kan kontrolleres.
GPT-4-lanseringen beskriver styrbarhet gjennom systemmeldingen: utvikleren kan angi modellens oppgave, tone og stil. Bruk den instruksjonen til å fastslå om svaret skal være en kort forklaring, en sammenligning, et utkast eller en post med navngitte felter. Definer hvordan manglende informasjon skal vises og skill oppgitte fakta fra antakelser. En dokumentbehandlingsoppgave kan be om en liste med vilkår, med kildeidentifikatoren og det relevante avsnittet ved hvert vilkår.
Oppretthold disse instruksjonene etter hvert som samtalen utvikler seg. Ta med det faktiske forrige resultatet når neste forespørsel reviderer det og identifiser hva som skal endres. En nyttig oppfølging avgrenser en uenighet i en sammenligning eller ber om en korreksjon av én del av et utkast, fremfor å anta at en ny isolert instruksjon bevarer hele den tidligere oppgaven.
Produsentens 0613-oppdatering legger til forbedringene i GPT-4s funksjonskall i utgaven med utvidet kontekst. Utvikleren beskriver en funksjon og parameterne, og modellen kan returnere et JSON-objekt med argumenter for den funksjonen. Applikasjonen utfører operasjonen og oppgir det returnerte resultatet. Den nyttige egenskapen er en strukturert forespørsel knyttet til applikasjonsatferd, fremfor at modellen direkte fullfører en ekstern handling.
For en informasjonsassistent kan en funksjon hente den faktiske posten som trengs for å besvare et spørsmål. Hold den forespurte identifikatoren og den returnerte posten knyttet sammen og be så om et svar basert på resultatet. Kontroller om en foreslått handling støttes av brukerens forespørsel og om funksjonen faktisk fullførte den. Det oppdaterte funksjonsgrensesnittet er separat fra de senere tilleggene for JSON-modus og parallelle kall i GPT-4 Turbo.
Den opprinnelige GPT-4-lanseringen identifiserer faktahallusinasjoner, resonneringsfeil og begrenset kunnskap om nyere hendelser som vesentlige begrensninger. Oppgi oppdatert underlag for et spørsmål der svaret har endret seg og kontroller viktige tall, navn og kodeatferd mot kilden. En selvsikker forklaring kan fortsatt mistolke et vilkår eller innføre en feil.
Hold det ønskede produktet i forhold til oppgaven og den tilgjengelige konteksten. Tallet 32K er en kontekstkapasitet, ikke et løfte om et like langt ferdig svar eller perfekt forståelse av hvert inkluderte avsnitt. Bevar den valgte modellprofilen, instruksjonene, kildematerialet og resultatet sammen. Dette gjør en sammenligning av lange dokumenter, en kodeforklaring eller et revidert utkast konkret nok til å undersøke og fortsette.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-4-32k-0613 | 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 $0.12 / 1K tokener Utdata · Utgående tokener $0.24 / 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-4-32k-0613", "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-4-32k-0613',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-4-32k-0613',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-4-32k-0613
Bruk metodestiene som vises ovenfor.
gpt-4-32k-0613GPT-4 32K er GPT-4-tekstprofilen med utvidet kontekst for arbeid med større samlinger av dokumenter eller kode. Den dokumenterte konteksten på 32768 tokener støtter relatert materiale i én oppgave, med systeminstruksjoner som styrer svaret og funksjonskall dokumentert i den oppdaterte 0613-utgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4 32K er OpenAIs GPT-4-tekstprofil med utvidet kontekst for oppgaver som trenger mer relatert materiale i én forespørsel. Produsenten dokumenterer en kontekst på 32768 tokener, sammenlignet med 8192 tokener i den opprinnelige GPT-4-profilen. Den tar imot tekst og returnerer tekst, inkludert forklaringer på naturlig språk, utkast og kode. Det definerende skillet er den større konteksten, fremfor vinduet på 128K eller de multimodale egenskapene til senere GPT-4 Turbo-profiler.
Oppgi dokumentene eller koden som er relevant for en klart angitt oppgave. En kravsammenligning kan samle flere spesifikasjoner og spørre hvilke vilkår som samsvarer, hvilke som er i konflikt og hvilken kilde som styrer en beslutning. Gi hver kilde en identifikator og be om avsnittet som støtter et viktig funn. Å holde relatert underlag samlet kan hjelpe modellen med å sammenligne det, mens resultatet fortsatt må bevare forbindelsen mellom en konklusjon og kilden.
For et spørsmål om en kodebase tar du med de relevante funksjonene, stedene de kalles fra og oppførselen som undersøkes. Be om en forklaring av avhengigheten eller en avgrenset endring knyttet til den oppførselen. Den større konteksten kan romme nyttig kode rundt, men fjerner ikke behovet for å definere spørsmålet eller fullføringskriteriet. Et kodeforslag bør identifisere inndatatilfellet som begrunner det og det forventede resultatet som kan kontrolleres.
GPT-4-lanseringen beskriver styrbarhet gjennom systemmeldingen: utvikleren kan angi modellens oppgave, tone og stil. Bruk den instruksjonen til å fastslå om svaret skal være en kort forklaring, en sammenligning, et utkast eller en post med navngitte felter. Definer hvordan manglende informasjon skal vises og skill oppgitte fakta fra antakelser. En dokumentbehandlingsoppgave kan be om en liste med vilkår, med kildeidentifikatoren og det relevante avsnittet ved hvert vilkår.
Oppretthold disse instruksjonene etter hvert som samtalen utvikler seg. Ta med det faktiske forrige resultatet når neste forespørsel reviderer det og identifiser hva som skal endres. En nyttig oppfølging avgrenser en uenighet i en sammenligning eller ber om en korreksjon av én del av et utkast, fremfor å anta at en ny isolert instruksjon bevarer hele den tidligere oppgaven.
Produsentens 0613-oppdatering legger til forbedringene i GPT-4s funksjonskall i utgaven med utvidet kontekst. Utvikleren beskriver en funksjon og parameterne, og modellen kan returnere et JSON-objekt med argumenter for den funksjonen. Applikasjonen utfører operasjonen og oppgir det returnerte resultatet. Den nyttige egenskapen er en strukturert forespørsel knyttet til applikasjonsatferd, fremfor at modellen direkte fullfører en ekstern handling.
For en informasjonsassistent kan en funksjon hente den faktiske posten som trengs for å besvare et spørsmål. Hold den forespurte identifikatoren og den returnerte posten knyttet sammen og be så om et svar basert på resultatet. Kontroller om en foreslått handling støttes av brukerens forespørsel og om funksjonen faktisk fullførte den. Det oppdaterte funksjonsgrensesnittet er separat fra de senere tilleggene for JSON-modus og parallelle kall i GPT-4 Turbo.
Den opprinnelige GPT-4-lanseringen identifiserer faktahallusinasjoner, resonneringsfeil og begrenset kunnskap om nyere hendelser som vesentlige begrensninger. Oppgi oppdatert underlag for et spørsmål der svaret har endret seg og kontroller viktige tall, navn og kodeatferd mot kilden. En selvsikker forklaring kan fortsatt mistolke et vilkår eller innføre en feil.
Hold det ønskede produktet i forhold til oppgaven og den tilgjengelige konteksten. Tallet 32K er en kontekstkapasitet, ikke et løfte om et like langt ferdig svar eller perfekt forståelse av hvert inkluderte avsnitt. Bevar den valgte modellprofilen, instruksjonene, kildematerialet og resultatet sammen. Dette gjør en sammenligning av lange dokumenter, en kodeforklaring eller et revidert utkast konkret nok til å undersøke og fortsette.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-4-32k-0613 | 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 $0.12 / 1K tokener Utdata · Utgående tokener $0.24 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gpt-4-32k-0613",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-32k-0613', '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-4-32k-0613', '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-4-32k-0613
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare requirements using a precedence rule\n\nCompare three labelled specifications. BASE: exports include all orders and run nightly. ADDENDUM: exports include paid orders only; cadence is unchanged. OPERATIONS: exports run hourly. The signed ADDENDUM overrides BASE, while OPERATIONS is an unsigned proposal. Produce the effective requirements and unresolved proposal, citing the governing source for each.An effective-requirements table plus a separate unresolved-proposal entry with source references.Paid orders and nightly cadence are retained as effective; hourly cadence remains an unsigned proposal.