GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.
Beskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.
For en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.
En grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.
Modellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.
OpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.
Produsenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.
OpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.
En nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.
", "aboutText": "GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.\n\n### Fullfør en programmeringsoppgave rundt akseptvilkårene\n\nBeskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.\n\nFor en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.\n\n### Kombiner visuelt belegg og skriftlig materiale\n\nEn grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.\n\nModellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.\n\n### Resonnering og en stor arbeidskontekst\n\nOpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.\n\nProdusenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.\n\n### Modelloutput og verktøyleveranser\n\nOpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.\n\nEn nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct a command-line failure signal\n\nReview this Node.js CLI fragment: try { await importFile(path); console.log("Imported"); } catch (err) { console.error(err.message); process.exitCode = 0; }. Import failures must produce a nonzero exit status and never print Imported. Return a minimal patch and acceptance checks for one successful import and one rejected import.A focused code patch with expected stdout, stderr and exit status for the success and failure cases.Run each case in a separate process and check the actual exit status, not only the displayed error.gpt-5.6-solGPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien for kompleks resonnering, programmering og omfattende agentarbeidsflyter. Den støtter tekst- og bildeinndata, strukturerte resultater og verktøybruk, med et kontekstvindu på 1050000 tokener og justerbar resonneringsinnsats.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.
Beskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.
For en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.
En grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.
Modellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.
OpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.
Produsenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.
OpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.
En nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.
POST /v1/messagestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5.6-sol | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/messages| Forespørselsstørrelse, tokener | Inndata | Utdata | Lesing fra hurtigbuffer | Skriving til hurtigbuffer | Hurtigbuffer 5 min | Hurtigbuffer 1 time |
|---|---|---|---|---|---|---|
| Forespørselsstørrelse, tokener(0; 272 000] | Inndata0,004 USD | Utdata0,02 USD | Lesing fra hurtigbuffer0,0004 USD | Skriving til hurtigbuffer0,005 USD | Hurtigbuffer 5 min0,005 USD | Hurtigbuffer 1 timeGrunnsats: — |
| Forespørselsstørrelse, tokener(272 000; ∞) | Inndata0,008 USD | Utdata0,03 USD | Lesing fra hurtigbuffer0,0008 USD | Skriving til hurtigbuffer0,01 USD | Hurtigbuffer 5 min0,01 USD | Hurtigbuffer 1 timeGrunnsats: — |
Satser i USD per 1K tokener. Hvis ingen sats er angitt, arves grunnsatsen for denne metoden; «—» betyr at ingen grunnsats er angitt.
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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gpt-5.6-sol",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gpt-5.6-sol",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='gpt-5.6-sol',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
gpt-5.6-solGPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien for kompleks resonnering, programmering og omfattende agentarbeidsflyter. Den støtter tekst- og bildeinndata, strukturerte resultater og verktøybruk, med et kontekstvindu på 1050000 tokener og justerbar resonneringsinnsats.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.
Beskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.
For en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.
En grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.
Modellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.
OpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.
Produsenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.
OpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.
En nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.
POST /v1/responsestext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5.6-sol | Standard— |
Feltinput | Typestring|input_item[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].type | Typestring | KravValgfritt | Verdier & grenser message, reasoning, function_call, function_call_output | Standard— |
Feltinput[].content | Typestring|content_part[] | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: function_call_output; behold faktisk returnert call_id | Standard— |
Feltinput[].output | Typestring|content_part[] | KravValgfritt | Verdier & grenser Gjelder når: function_call_output | Standard— |
Feltmax_output_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.summary | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.verbosity | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinclude | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstore | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprevious_response_id | Typestring | KravValgfritt | Verdier & grenser ID-krav: Bare en faktisk svar-ID fra en støttet videreføring Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_key | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
inputtekst eller input_text-del
Tekst + bilde
{type:input_image,image_url}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, input |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/responses| Forespørselsstørrelse, tokener | Inndata | Utdata | Lesing fra hurtigbuffer | Skriving til hurtigbuffer | Hurtigbuffer 5 min | Hurtigbuffer 1 time |
|---|---|---|---|---|---|---|
| Forespørselsstørrelse, tokener(0; 272 000] | Inndata0,004 USD | Utdata0,02 USD | Lesing fra hurtigbuffer0,0004 USD | Skriving til hurtigbuffer0,005 USD | Hurtigbuffer 5 min0,005 USD | Hurtigbuffer 1 timeGrunnsats: — |
| Forespørselsstørrelse, tokener(272 000; ∞) | Inndata0,008 USD | Utdata0,03 USD | Lesing fra hurtigbuffer0,0008 USD | Skriving til hurtigbuffer0,01 USD | Hurtigbuffer 5 min0,01 USD | Hurtigbuffer 1 timeGrunnsats: — |
Satser i USD per 1K tokener. Hvis ingen sats er angitt, arves grunnsatsen for denne metoden; «—» betyr at ingen grunnsats er angitt.
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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="gpt-5.6-sol", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "gpt-5.6-sol", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="gpt-5.6-sol", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert outputelement og hver innholdsdel, faktisk call_id for funksjonen, kryptert resonnering og bruksdata. Ved strømming beholder du fullstendig hendelses-/elementidentitet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltstatus | Typestring |
Feltoutput[] | Typemessage|reasoning|function_call|other item |
Feltoutput[].content[] | Typecontent part |
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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
gpt-5.6-solGPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien for kompleks resonnering, programmering og omfattende agentarbeidsflyter. Den støtter tekst- og bildeinndata, strukturerte resultater og verktøybruk, med et kontekstvindu på 1050000 tokener og justerbar resonneringsinnsats.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.
Beskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.
For en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.
En grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.
Modellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.
OpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.
Produsenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.
OpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.
En nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.
POST /v1/chat/completionstext, imagetext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5.6-sol | 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 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— |
Tekst · UTF8-tekst
messages[].content
Tekst + bilde
{type:image_url,image_url:{url,detail}}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext, image |
Parameterrequired | Avtalemodel, messages |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | Avtalefaktisk UTF-8-innhold satt inn som tekst; fil-ID-er eller URL-adresser (URLs) trenger separat, eksakt støtte |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
POST /v1/chat/completions| Forespørselsstørrelse, tokener | Inndata | Utdata | Lesing fra hurtigbuffer | Skriving til hurtigbuffer | Hurtigbuffer 5 min | Hurtigbuffer 1 time |
|---|---|---|---|---|---|---|
| Forespørselsstørrelse, tokener(0; 272 000] | Inndata0,004 USD | Utdata0,02 USD | Lesing fra hurtigbuffer0,0004 USD | Skriving til hurtigbuffer0,005 USD | Hurtigbuffer 5 min0,005 USD | Hurtigbuffer 1 timeGrunnsats: — |
| Forespørselsstørrelse, tokener(272 000; ∞) | Inndata0,008 USD | Utdata0,03 USD | Lesing fra hurtigbuffer0,0008 USD | Skriving til hurtigbuffer0,01 USD | Hurtigbuffer 5 min0,01 USD | Hurtigbuffer 1 timeGrunnsats: — |
Satser i USD per 1K tokener. Hvis ingen sats er angitt, arves grunnsatsen for denne metoden; «—» betyr at ingen grunnsats er angitt.
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 →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonOpenAI Chat · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonOpenAI Chat · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Grunnsatser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 1 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonAnthropic Messages · Nivå 2 etter forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5.6-sol", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="gpt-5.6-sol",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "gpt-5.6-sol",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-5.6-sol',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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
gpt-5.6-solGPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien for kompleks resonnering, programmering og omfattende agentarbeidsflyter. Den støtter tekst- og bildeinndata, strukturerte resultater og verktøybruk, med et kontekstvindu på 1050000 tokener og justerbar resonneringsinnsats.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.
Beskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.
For en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.
En grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.
Modellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.
OpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.
Produsenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.
OpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.
En nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5.6-sol | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-sol","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gpt-5.6-sol", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
gpt-5.6-solGPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien for kompleks resonnering, programmering og omfattende agentarbeidsflyter. Den støtter tekst- og bildeinndata, strukturerte resultater og verktøybruk, med et kontekstvindu på 1050000 tokener og justerbar resonneringsinnsats.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.
Beskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.
For en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.
En grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.
Modellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.
OpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.
Produsenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.
OpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.
En nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5.6-sol | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gpt-5.6-sol",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.6-sol', '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-5.6-sol', '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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
openai/gpt-5.6-solGPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien for kompleks resonnering, programmering og omfattende agentarbeidsflyter. Den støtter tekst- og bildeinndata, strukturerte resultater og verktøybruk, med et kontekstvindu på 1050000 tokener og justerbar resonneringsinnsats.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.
Beskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.
For en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.
En grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.
Modellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.
OpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.
Produsenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.
OpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.
En nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-5.6-sol | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-sol", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-5.6-sol',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-5.6-sol',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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
openai/gpt-5.6-solGPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien for kompleks resonnering, programmering og omfattende agentarbeidsflyter. Den støtter tekst- og bildeinndata, strukturerte resultater og verktøybruk, med et kontekstvindu på 1050000 tokener og justerbar resonneringsinnsats.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Sol er OpenAIs flaggskipmodell i GPT-5.6-familien. Den er beregnet på komplekst profesjonelt arbeid, blant annet resonnering, koding og flertrinns agentoppgaver. Den publiserte profilen vektlegger kommandolinjen og utvidede programmeringsarbeidsflyter. Tekst- og bildeinput støtter et tekstsvar, mens et tilknyttet verktøymiljø kan utføre handlingene og produsere leveransene som en større oppgave trenger.
Beskriv den brukersynlige oppførselen som skal leveres, og oppgi relevant kode, begrensninger og observerte feil. En prosjektbeskrivelse kan identifisere de berørte modulene, kontraktene mellom dem og kontrollene som vil fastslå det tiltenkte resultatet. Hold den forespurte endringen tilstrekkelig avgrenset til at den foreslåtte implementeringen og valideringen kan inspiseres sammen.
For en kommandolinjearbeidsflyt beholder du faktisk kommandooutput og tilstanden som betyr noe for neste trinn. Be om en neste handling som skiller mulige årsaker når belegget etterlater flere forklaringer. Et modellforslag blir nyttig når det omkringliggende verktøymiljøet utfører handlingen og leverer resultatet, slik at arbeidet kan fortsette ut fra observert oppførsel.
En grensesnittoppgave kan inneholde skjermbilder sammen med krav og kildekode. Merk de relevante skjermene og tilstandene, og identifiser hvilke kontroller eller hvilket innhold som må bevares. En dokumentoppgave kan oppgi kildepassasjer og be om en sammenligning, forklaring eller strukturert uthenting. Behold kildeidentifikatorene med de endelige funnene, slik at en leser kan kontrollere materialet som støtter hver konklusjon.
Modellen støtter strukturerte output og funksjonskall. Definer resultatfeltene eller tilgjengelige operasjoner rundt oppgaven. Valider returnerte verdier mot belegget, og behold faktiske verktøyobservasjoner når et senere trinn avhenger av et innhentet faktum, en beregning eller en filendring.
OpenAI dokumenterer innsatsvalgene none, low, medium, high, xhigh og max, med medium som standard. Angi dybden og leveransen problemet krever. For en betydelig designbeslutning navngir du alternativene, konsekvensene og kriteriene som skal avgjøre anbefalingen. For implementering identifiserer du oppførselen som må demonstreres etter endringen.
Produsenten oppgir et kontekstvindu på 1,050,000 tokener og en maksimal output på 128,000 tokener. Organiser langt arbeid rundt kildemateriale, etablerte beslutninger, fullførte handlinger og åpne spørsmål. Sett av plass til resultatet og hold de nyeste relevante observasjonene synlige, fremfor å stole på gjentatt bakgrunnsmateriale for å drive oppgaven videre.
OpenAI dokumenterer strømming og et verktøyaktivert miljø som dekker nettsøk, filsøk, bildegenerering, kodetolking, skallarbeid, anvendelse av patcher, datamaskinbruk og MCP. Disse verktøyene gir evner rundt modellens tekstsvar. En applikasjon velger hvilke operasjoner som skal tilbys og returnerer de faktiske resultatene deres til arbeidsflyten.
En nyttig Sol-leveranse knytter ønsket utfall til leveransen og belegget: en endring med valideringen, en analyse knyttet til kildene eller et fullført verktøyresultat med relevant kontekst. Bevar den endelige tilstanden, slik at en senere oppgave kan fortsette fra arbeidet som allerede er etablert.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-5.6-sol | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0125 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-5.6-sol",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.6-sol', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.6-sol', '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 gpt-5.6-sol
Ailoot Ultra gpt-5.6-sol, openai/gpt-5.6-sol
/chat/completions
Teknisk eksempel på engelsk
Correct a command-line failure signal\n\nReview this Node.js CLI fragment: try { await importFile(path); console.log("Imported"); } catch (err) { console.error(err.message); process.exitCode = 0; }. Import failures must produce a nonzero exit status and never print Imported. Return a minimal patch and acceptance checks for one successful import and one rejected import.A focused code patch with expected stdout, stderr and exit status for the success and failure cases.Run each case in a separate process and check the actual exit status, not only the displayed error.