GPT-5-Codex er OpenAIs versjon av GPT-5, optimalisert for agentbasert programvareutvikling i Codex og sammenlignbare programmeringsmiljøer. Treningen retter seg mot arbeid som å opprette prosjekter, implementere funksjoner og tester, feilsøke, refaktorere etablerte kodebaser og gjennomgå endringer. Forsterkningslæring på virkelige programmeringsoppgaver utvikler instruksjonsfølging, kodestil og iterativ verifisering. Det tiltenkte miljøet er en programmeringsassistent med tilgang til prosjektkontekst og utviklingsverktøy.
Modellen tilpasser hvor mye resonnering den bruker på en oppgave. En liten, klart definert endring kan håndteres som en interaktiv utveksling, mens en kompleks refaktorering kan innebære vedvarende analyse og gjentatte implementeringssteg. Denne tilpasningsdyktige atferden knytter samtale til utførelse: agenten undersøker prosjektet, foreslår en endring, mottar resultater fra miljøet sitt og fortsetter å arbeide mot det oppgitte utfallet.
Kodegjennomgang er en egen del av spesialiseringen. OpenAI beskriver en kontrollør som undersøker kodebasen og avhengighetene, knytter en foreslått endring til den tiltenkte oppførselen og bruker kodekjøring og tester til å undersøke korrektheten. De nyttige utdataene er en avgrenset forklaring av feil med betydelige konsekvenser og den berørte koden, fremfor kommentarer basert bare på hvordan en endringsvisning ser ut. Prosjektfiler og verktøyresultater gir underlaget for analysen.
Visuelle inndata støtter arbeid med brukergrensesnitt. Skjermbilder, skisser og diagrammer kan formidle det ønskede grensesnittet eller et observert problem. I et miljø med nettleser- og skjermbildeverktøy kan agenten undersøke implementasjonen og sammenligne det den har bygget med det oppgitte visuelle målet. Dette er arbeidsflyter med støtte fra miljøet: modellen tolker informasjon og velger handlinger, mens applikasjonen gir verktøyene og utfører dem.
Den publiserte modellspesifikasjonen angir tekst- og bildeinndata og tekstutdata, et kontekstvindu på 400000 tokener og opptil 128000 utdatatokener. Den støtter resonneringstokener, strømming, funksjonskall og strukturerte utdata. OpenAI dokumenterer modellen gjennom Responses-grensesnittet og identifiserer navnet uten versjon som en modellbetegnelse som oppdateres. Den dokumenterte kunnskapsgrensen er 30. september 2024. Lyd og video faller utenfor de oppførte inndatamodalitetene; finjustering og Predicted Outputs støttes ikke i denne konfigurasjonen.
Tillegget til systemkortet skiller modelltrening fra produktkontroller. Modellen er trent til å motstå instruksjoner som forsøker promptinjeksjon i programmeringsmateriale. Isolering av arbeidsområdet, nettverkstillatelser og godkjenningsregler tilhører agentmiljøet. Dette skillet er viktig når assistenten leser ekstern dokumentasjon eller kjører kommandoer: tilgangen defineres av applikasjonen, og utdataene dens gir en oversikt over det som faktisk skjedde.
For en programmeringsassistent som bruker Ailoot API, begynner du med oppførselen som skal oppnås, de relevante filene og et klart fullføringskriterium. En passende oppgave kan be om en koordinert endring, en forklaring av berørte avhengigheter og kontrollene som trengs for å validere resultatet. Oppgi gjeldende prosjektinstruksjoner og nyttige visuelle eksempler og be deretter om et utfall som kan vurderes: endret kode, en feilanalyse eller en testet implementeringsplan.
", "aboutText": "GPT-5-Codex er OpenAIs versjon av GPT-5, optimalisert for agentbasert programvareutvikling i Codex og sammenlignbare programmeringsmiljøer. Treningen retter seg mot arbeid som å opprette prosjekter, implementere funksjoner og tester, feilsøke, refaktorere etablerte kodebaser og gjennomgå endringer. Forsterkningslæring på virkelige programmeringsoppgaver utvikler instruksjonsfølging, kodestil og iterativ verifisering. Det tiltenkte miljøet er en programmeringsassistent med tilgang til prosjektkontekst og utviklingsverktøy.\n\nModellen tilpasser hvor mye resonnering den bruker på en oppgave. En liten, klart definert endring kan håndteres som en interaktiv utveksling, mens en kompleks refaktorering kan innebære vedvarende analyse og gjentatte implementeringssteg. Denne tilpasningsdyktige atferden knytter samtale til utførelse: agenten undersøker prosjektet, foreslår en endring, mottar resultater fra miljøet sitt og fortsetter å arbeide mot det oppgitte utfallet.\n\nKodegjennomgang er en egen del av spesialiseringen. OpenAI beskriver en kontrollør som undersøker kodebasen og avhengighetene, knytter en foreslått endring til den tiltenkte oppførselen og bruker kodekjøring og tester til å undersøke korrektheten. De nyttige utdataene er en avgrenset forklaring av feil med betydelige konsekvenser og den berørte koden, fremfor kommentarer basert bare på hvordan en endringsvisning ser ut. Prosjektfiler og verktøyresultater gir underlaget for analysen.\n\nVisuelle inndata støtter arbeid med brukergrensesnitt. Skjermbilder, skisser og diagrammer kan formidle det ønskede grensesnittet eller et observert problem. I et miljø med nettleser- og skjermbildeverktøy kan agenten undersøke implementasjonen og sammenligne det den har bygget med det oppgitte visuelle målet. Dette er arbeidsflyter med støtte fra miljøet: modellen tolker informasjon og velger handlinger, mens applikasjonen gir verktøyene og utfører dem.\n\nDen publiserte modellspesifikasjonen angir tekst- og bildeinndata og tekstutdata, et kontekstvindu på 400000 tokener og opptil 128000 utdatatokener. Den støtter resonneringstokener, strømming, funksjonskall og strukturerte utdata. OpenAI dokumenterer modellen gjennom Responses-grensesnittet og identifiserer navnet uten versjon som en modellbetegnelse som oppdateres. Den dokumenterte kunnskapsgrensen er 30. september 2024. Lyd og video faller utenfor de oppførte inndatamodalitetene; finjustering og Predicted Outputs støttes ikke i denne konfigurasjonen.\n\nTillegget til systemkortet skiller modelltrening fra produktkontroller. Modellen er trent til å motstå instruksjoner som forsøker promptinjeksjon i programmeringsmateriale. Isolering av arbeidsområdet, nettverkstillatelser og godkjenningsregler tilhører agentmiljøet. Dette skillet er viktig når assistenten leser ekstern dokumentasjon eller kjører kommandoer: tilgangen defineres av applikasjonen, og utdataene dens gir en oversikt over det som faktisk skjedde.\n\nFor en programmeringsassistent som bruker Ailoot API, begynner du med oppførselen som skal oppnås, de relevante filene og et klart fullføringskriterium. En passende oppgave kan be om en koordinert endring, en forklaring av berørte avhengigheter og kontrollene som trengs for å validere resultatet. Oppgi gjeldende prosjektinstruksjoner og nyttige visuelle eksempler og be deretter om et utfall som kan vurderes: endret kode, en feilanalyse eller en testet implementeringsplan.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review a mutable default argument\n\nReview this Python function: def add_tag(tag, tags=[]):\n tags.append(tag)\n return tags\nCalling add_tag("red") and then add_tag("blue") should return separate one-item lists when no list is supplied. Explain the defect, give a minimal correction and tests for independent calls and an explicitly provided list.A defect explanation, corrected function and tests covering default and explicit arguments.Check that omitted lists do not share state while a caller-supplied list retains the intended append behavior.gpt-5-codexGPT-5-Codex er OpenAIs GPT-5-variant for agentbasert programvareutvikling: implementering av funksjoner, feilsøking, refaktorering og kodegjennomgang i et miljø med verktøy. Den kombinerer tekst- og bildeinndata med tilpasningsdyktig resonnering og en kontekst på 400000 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5-Codex er OpenAIs versjon av GPT-5, optimalisert for agentbasert programvareutvikling i Codex og sammenlignbare programmeringsmiljøer. Treningen retter seg mot arbeid som å opprette prosjekter, implementere funksjoner og tester, feilsøke, refaktorere etablerte kodebaser og gjennomgå endringer. Forsterkningslæring på virkelige programmeringsoppgaver utvikler instruksjonsfølging, kodestil og iterativ verifisering. Det tiltenkte miljøet er en programmeringsassistent med tilgang til prosjektkontekst og utviklingsverktøy.
Modellen tilpasser hvor mye resonnering den bruker på en oppgave. En liten, klart definert endring kan håndteres som en interaktiv utveksling, mens en kompleks refaktorering kan innebære vedvarende analyse og gjentatte implementeringssteg. Denne tilpasningsdyktige atferden knytter samtale til utførelse: agenten undersøker prosjektet, foreslår en endring, mottar resultater fra miljøet sitt og fortsetter å arbeide mot det oppgitte utfallet.
Kodegjennomgang er en egen del av spesialiseringen. OpenAI beskriver en kontrollør som undersøker kodebasen og avhengighetene, knytter en foreslått endring til den tiltenkte oppførselen og bruker kodekjøring og tester til å undersøke korrektheten. De nyttige utdataene er en avgrenset forklaring av feil med betydelige konsekvenser og den berørte koden, fremfor kommentarer basert bare på hvordan en endringsvisning ser ut. Prosjektfiler og verktøyresultater gir underlaget for analysen.
Visuelle inndata støtter arbeid med brukergrensesnitt. Skjermbilder, skisser og diagrammer kan formidle det ønskede grensesnittet eller et observert problem. I et miljø med nettleser- og skjermbildeverktøy kan agenten undersøke implementasjonen og sammenligne det den har bygget med det oppgitte visuelle målet. Dette er arbeidsflyter med støtte fra miljøet: modellen tolker informasjon og velger handlinger, mens applikasjonen gir verktøyene og utfører dem.
Den publiserte modellspesifikasjonen angir tekst- og bildeinndata og tekstutdata, et kontekstvindu på 400000 tokener og opptil 128000 utdatatokener. Den støtter resonneringstokener, strømming, funksjonskall og strukturerte utdata. OpenAI dokumenterer modellen gjennom Responses-grensesnittet og identifiserer navnet uten versjon som en modellbetegnelse som oppdateres. Den dokumenterte kunnskapsgrensen er 30. september 2024. Lyd og video faller utenfor de oppførte inndatamodalitetene; finjustering og Predicted Outputs støttes ikke i denne konfigurasjonen.
Tillegget til systemkortet skiller modelltrening fra produktkontroller. Modellen er trent til å motstå instruksjoner som forsøker promptinjeksjon i programmeringsmateriale. Isolering av arbeidsområdet, nettverkstillatelser og godkjenningsregler tilhører agentmiljøet. Dette skillet er viktig når assistenten leser ekstern dokumentasjon eller kjører kommandoer: tilgangen defineres av applikasjonen, og utdataene dens gir en oversikt over det som faktisk skjedde.
For en programmeringsassistent som bruker Ailoot API, begynner du med oppførselen som skal oppnås, de relevante filene og et klart fullføringskriterium. En passende oppgave kan be om en koordinert endring, en forklaring av berørte avhengigheter og kontrollene som trengs for å validere resultatet. Oppgi gjeldende prosjektinstruksjoner og nyttige visuelle eksempler og be deretter om et utfall som kan vurderes: endret kode, en feilanalyse eller en testet implementeringsplan.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5-codex | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5-codex", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gpt-5-codex',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gpt-5-codex',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-5-codex
Bruk metodestiene som vises ovenfor.
gpt-5-codexGPT-5-Codex er OpenAIs GPT-5-variant for agentbasert programvareutvikling: implementering av funksjoner, feilsøking, refaktorering og kodegjennomgang i et miljø med verktøy. Den kombinerer tekst- og bildeinndata med tilpasningsdyktig resonnering og en kontekst på 400000 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5-Codex er OpenAIs versjon av GPT-5, optimalisert for agentbasert programvareutvikling i Codex og sammenlignbare programmeringsmiljøer. Treningen retter seg mot arbeid som å opprette prosjekter, implementere funksjoner og tester, feilsøke, refaktorere etablerte kodebaser og gjennomgå endringer. Forsterkningslæring på virkelige programmeringsoppgaver utvikler instruksjonsfølging, kodestil og iterativ verifisering. Det tiltenkte miljøet er en programmeringsassistent med tilgang til prosjektkontekst og utviklingsverktøy.
Modellen tilpasser hvor mye resonnering den bruker på en oppgave. En liten, klart definert endring kan håndteres som en interaktiv utveksling, mens en kompleks refaktorering kan innebære vedvarende analyse og gjentatte implementeringssteg. Denne tilpasningsdyktige atferden knytter samtale til utførelse: agenten undersøker prosjektet, foreslår en endring, mottar resultater fra miljøet sitt og fortsetter å arbeide mot det oppgitte utfallet.
Kodegjennomgang er en egen del av spesialiseringen. OpenAI beskriver en kontrollør som undersøker kodebasen og avhengighetene, knytter en foreslått endring til den tiltenkte oppførselen og bruker kodekjøring og tester til å undersøke korrektheten. De nyttige utdataene er en avgrenset forklaring av feil med betydelige konsekvenser og den berørte koden, fremfor kommentarer basert bare på hvordan en endringsvisning ser ut. Prosjektfiler og verktøyresultater gir underlaget for analysen.
Visuelle inndata støtter arbeid med brukergrensesnitt. Skjermbilder, skisser og diagrammer kan formidle det ønskede grensesnittet eller et observert problem. I et miljø med nettleser- og skjermbildeverktøy kan agenten undersøke implementasjonen og sammenligne det den har bygget med det oppgitte visuelle målet. Dette er arbeidsflyter med støtte fra miljøet: modellen tolker informasjon og velger handlinger, mens applikasjonen gir verktøyene og utfører dem.
Den publiserte modellspesifikasjonen angir tekst- og bildeinndata og tekstutdata, et kontekstvindu på 400000 tokener og opptil 128000 utdatatokener. Den støtter resonneringstokener, strømming, funksjonskall og strukturerte utdata. OpenAI dokumenterer modellen gjennom Responses-grensesnittet og identifiserer navnet uten versjon som en modellbetegnelse som oppdateres. Den dokumenterte kunnskapsgrensen er 30. september 2024. Lyd og video faller utenfor de oppførte inndatamodalitetene; finjustering og Predicted Outputs støttes ikke i denne konfigurasjonen.
Tillegget til systemkortet skiller modelltrening fra produktkontroller. Modellen er trent til å motstå instruksjoner som forsøker promptinjeksjon i programmeringsmateriale. Isolering av arbeidsområdet, nettverkstillatelser og godkjenningsregler tilhører agentmiljøet. Dette skillet er viktig når assistenten leser ekstern dokumentasjon eller kjører kommandoer: tilgangen defineres av applikasjonen, og utdataene dens gir en oversikt over det som faktisk skjedde.
For en programmeringsassistent som bruker Ailoot API, begynner du med oppførselen som skal oppnås, de relevante filene og et klart fullføringskriterium. En passende oppgave kan be om en koordinert endring, en forklaring av berørte avhengigheter og kontrollene som trengs for å validere resultatet. Oppgi gjeldende prosjektinstruksjoner og nyttige visuelle eksempler og be deretter om et utfall som kan vurderes: endret kode, en feilanalyse eller en testet implementeringsplan.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5-codex | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gpt-5-codex",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-codex', '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-codex', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-5-codex
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Review a mutable default argument\n\nReview this Python function: def add_tag(tag, tags=[]):\n tags.append(tag)\n return tags\nCalling add_tag("red") and then add_tag("blue") should return separate one-item lists when no list is supplied. Explain the defect, give a minimal correction and tests for independent calls and an explicitly provided list.A defect explanation, corrected function and tests covering default and explicit arguments.Check that omitted lists do not share state while a caller-supplied list retains the intended append behavior.