GPT-4.1 Nano er OpenAIs raskeste medlem av GPT-4.1-familien, laget for instruksjonsfølging og verktøykall uten et separat resonneringstrinn. Den tar imot tekst og bilder og produserer tekst. Nano passer til en klart definert operasjon der applikasjonen trenger et kompakt svar, et sett med felter eller neste verktøyforespørsel fremfor en omfattende undersøkelse.
Et nyttig eksempel er å sortere innkommende meldinger etter et oppgitt sett med kategorier. Forklar hver kategori, vis hvordan tvetydige meldinger eller meldinger utenfor virkeområdet skal representeres og be om kategorien sammen med kildeformuleringen som støtter den. For uthenting definerer du feltnavn, tillatte verdier og håndtering av manglende opplysninger. For en kort skriveoppgave oppgir du faktaene og ber om det konkrete avsnittet som neste steg i applikasjonen trenger. Eksemplene og begrensningene bør være små nok til å forbli klare selv når kildesamlingen er stor.
Produsenten angir et kontekstvindu på 1047576 tokener, en maksimal utdatamengde på 32768 tokener og en kunnskapsgrense på 1. juni 2024. Disse spesifikasjonene samsvarer med vinduet til GPT-4.1 Mini, samtidig som Nanos separate modellidentitet og rolle med vekt på rask respons bevares. Merk dokumenter og samtaledeler, ta bare med konteksten som er relevant for operasjonen og sett av plass til hele svaret. Søkeresultater eller oppgitt referansetekst kan gi fakta som er nyere enn modellens innlærte kunnskap.
Nano støtter strømming og Structured Outputs. Et skjemabegrenset endelig svar har et annet formål enn et funksjonskall: det ene gir applikasjonen et ferdig produkt, mens det andre ber den utføre en operasjon. Structured Outputs støtter et delsett av JSON Schema; definer nødvendige egenskaper og en tydelig representasjon for ukjente verdier. Håndter avslag og ufullstendige svar separat og kontroller uthentede verdier mot inndataene, fremfor å likestille en gyldig form med en korrekt konklusjon.
Det dokumenterte verktøysettet inkluderer funksjonskall, filsøk, kodetolkning, MCP-tilkoblinger og et separat verktøy for bildegenerering. Applikasjonen oppgir verktøybeskrivelser og skjemaer, utfører egendefinerte funksjoner og returnerer de faktiske resultatene deres. For Nano-modellversjonen fra 14. april 2025 anbefaler OpenAI uttrykkelig å deaktivere parallelle verktøykall fordi modellen kan be om det samme verktøyet flere ganger i én tur. Dette er et hensyn ved utførelse som er spesifikt for modellversjonen, ikke en grunn til å tolke flere foreslåtte kall som fullførte handlinger.
Bildeinndata gir visuelle bevis til en tekstoppgave, som å lese en synlig etikett eller beskrive tilstanden i et skjermbilde. Bruk støttede bilder i PNG, JPEG, WebP eller ikke-animert GIF, hold teksten leselig og forklar hvilken observasjon som er viktig. Bildeveiledningen omtaler vansker med liten eller rotert tekst, presise romlige forhold, antall gjenstander og noe skrift utenfor det latinske alfabetet. Gi omkringliggende kontekst der et utsnitt alene ville gjøre en etikett eller et diagram tvetydig. Nanos eget svar er tekst; et verktøy for bildegenerering returnerer sitt eget separate produkt. I OpenAIs dokumenterte bildearbeidsflyt er forespørselens samlede datamengde begrenset til 512 MB, og en forespørsel kan inneholde opptil 1500 bilder; bildene og teksten må også passe i modellens kontekst.
I produsentens filarbeidsflyt mottar en modell med bildestøtte både uthentet tekst og sidebilder fra PDF-filer. Andre dokumentformater bidrar med uthentet tekst, og utvidet regnearkbehandling tar hensyn til opptil de første 1000 radene per ark. En fil må være under 50 MB, med 50 MB samlet for forespørselen. Chat Completions støtter PDF-fildeler, mens den dokumenterte Responses-arbeidsflyten godtar flere filtyper. Innebygde diagrammer i dokumenter som ikke er PDF, sendes ikke som bildeinnhold, så en PDF-representasjon er nyttig når visuelle bevis er viktige.
OpenAI dokumenterer hurtigbufring av instruksjoner for Nano og Predicted Outputs for GPT-4.1 Nano-serien. Hurtigbufring av instruksjoner gjenbruker et kvalifisert inndataprefiks i produsentens tjeneste. Predicted Outputs oppgir i stedet stort sett kjent utdatatekst for en endring, for eksempel revisjon av et dokument eller en kodefil der uendrede deler bevares. Prediksjonsveien bruker bare tekst og utelukker blant annet funksjonskall, logprobs og max_completion_tokens. Velg veien som passer den faktiske operasjonen og hold resultatet knyttet til originalkilden.
Produsenten dokumenterer også veiledet finjustering og direkte preferanseoptimalisering for Nanos navngitte GPT-4.1-modellversjon. Treningseksempler og foretrukne kontra avviste svar tilpasser en modell til en gjentakende oppgave; de er forskjellige fra konteksten som gis i en vanlig forespørsel. For et praktisk steg med uthenting eller klassifisering begynner du med tydelige kategorier, eksempler og et uttrykkelig sluttformat og undersøker så om de returnerte feltene bevarer faktaene neste steg skal bruke.
", "aboutText": "GPT-4.1 Nano er OpenAIs raskeste medlem av GPT-4.1-familien, laget for instruksjonsfølging og verktøykall uten et separat resonneringstrinn. Den tar imot tekst og bilder og produserer tekst. Nano passer til en klart definert operasjon der applikasjonen trenger et kompakt svar, et sett med felter eller neste verktøyforespørsel fremfor en omfattende undersøkelse.\n\nEt nyttig eksempel er å sortere innkommende meldinger etter et oppgitt sett med kategorier. Forklar hver kategori, vis hvordan tvetydige meldinger eller meldinger utenfor virkeområdet skal representeres og be om kategorien sammen med kildeformuleringen som støtter den. For uthenting definerer du feltnavn, tillatte verdier og håndtering av manglende opplysninger. For en kort skriveoppgave oppgir du faktaene og ber om det konkrete avsnittet som neste steg i applikasjonen trenger. Eksemplene og begrensningene bør være små nok til å forbli klare selv når kildesamlingen er stor.\n\nProdusenten angir et kontekstvindu på 1047576 tokener, en maksimal utdatamengde på 32768 tokener og en kunnskapsgrense på 1. juni 2024. Disse spesifikasjonene samsvarer med vinduet til GPT-4.1 Mini, samtidig som Nanos separate modellidentitet og rolle med vekt på rask respons bevares. Merk dokumenter og samtaledeler, ta bare med konteksten som er relevant for operasjonen og sett av plass til hele svaret. Søkeresultater eller oppgitt referansetekst kan gi fakta som er nyere enn modellens innlærte kunnskap.\n\nNano støtter strømming og Structured Outputs. Et skjemabegrenset endelig svar har et annet formål enn et funksjonskall: det ene gir applikasjonen et ferdig produkt, mens det andre ber den utføre en operasjon. Structured Outputs støtter et delsett av JSON Schema; definer nødvendige egenskaper og en tydelig representasjon for ukjente verdier. Håndter avslag og ufullstendige svar separat og kontroller uthentede verdier mot inndataene, fremfor å likestille en gyldig form med en korrekt konklusjon.\n\nDet dokumenterte verktøysettet inkluderer funksjonskall, filsøk, kodetolkning, MCP-tilkoblinger og et separat verktøy for bildegenerering. Applikasjonen oppgir verktøybeskrivelser og skjemaer, utfører egendefinerte funksjoner og returnerer de faktiske resultatene deres. For Nano-modellversjonen fra 14. april 2025 anbefaler OpenAI uttrykkelig å deaktivere parallelle verktøykall fordi modellen kan be om det samme verktøyet flere ganger i én tur. Dette er et hensyn ved utførelse som er spesifikt for modellversjonen, ikke en grunn til å tolke flere foreslåtte kall som fullførte handlinger.\n\nBildeinndata gir visuelle bevis til en tekstoppgave, som å lese en synlig etikett eller beskrive tilstanden i et skjermbilde. Bruk støttede bilder i PNG, JPEG, WebP eller ikke-animert GIF, hold teksten leselig og forklar hvilken observasjon som er viktig. Bildeveiledningen omtaler vansker med liten eller rotert tekst, presise romlige forhold, antall gjenstander og noe skrift utenfor det latinske alfabetet. Gi omkringliggende kontekst der et utsnitt alene ville gjøre en etikett eller et diagram tvetydig. Nanos eget svar er tekst; et verktøy for bildegenerering returnerer sitt eget separate produkt. I OpenAIs dokumenterte bildearbeidsflyt er forespørselens samlede datamengde begrenset til 512 MB, og en forespørsel kan inneholde opptil 1500 bilder; bildene og teksten må også passe i modellens kontekst.\n\nI produsentens filarbeidsflyt mottar en modell med bildestøtte både uthentet tekst og sidebilder fra PDF-filer. Andre dokumentformater bidrar med uthentet tekst, og utvidet regnearkbehandling tar hensyn til opptil de første 1000 radene per ark. En fil må være under 50 MB, med 50 MB samlet for forespørselen. Chat Completions støtter PDF-fildeler, mens den dokumenterte Responses-arbeidsflyten godtar flere filtyper. Innebygde diagrammer i dokumenter som ikke er PDF, sendes ikke som bildeinnhold, så en PDF-representasjon er nyttig når visuelle bevis er viktige.\n\nOpenAI dokumenterer hurtigbufring av instruksjoner for Nano og Predicted Outputs for GPT-4.1 Nano-serien. Hurtigbufring av instruksjoner gjenbruker et kvalifisert inndataprefiks i produsentens tjeneste. Predicted Outputs oppgir i stedet stort sett kjent utdatatekst for en endring, for eksempel revisjon av et dokument eller en kodefil der uendrede deler bevares. Prediksjonsveien bruker bare tekst og utelukker blant annet funksjonskall, logprobs og max_completion_tokens. Velg veien som passer den faktiske operasjonen og hold resultatet knyttet til originalkilden.\n\nProdusenten dokumenterer også veiledet finjustering og direkte preferanseoptimalisering for Nanos navngitte GPT-4.1-modellversjon. Treningseksempler og foretrukne kontra avviste svar tilpasser en modell til en gjentakende oppgave; de er forskjellige fra konteksten som gis i en vanlig forespørsel. For et praktisk steg med uthenting eller klassifisering begynner du med tydelige kategorier, eksempler og et uttrykkelig sluttformat og undersøker så om de returnerte feltene bevarer faktaene neste steg skal bruke.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d5ef0dd05115796432a24c985f34bb9d7a1ae6f482f54cc8ac780fbfd74bdacb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "openai/gpt-4.1-nano:batchGPT-4.1 Nano er det kompakte og responsive medlemmet av GPT-4.1-familien for presist spesifiserte tekst- og bildeoppgaver. Den store konteksten, Structured Outputs og funksjonskall støtter klassifisering, uthenting og avgrensede steg i applikasjonen.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4.1 Nano er OpenAIs raskeste medlem av GPT-4.1-familien, laget for instruksjonsfølging og verktøykall uten et separat resonneringstrinn. Den tar imot tekst og bilder og produserer tekst. Nano passer til en klart definert operasjon der applikasjonen trenger et kompakt svar, et sett med felter eller neste verktøyforespørsel fremfor en omfattende undersøkelse.
Et nyttig eksempel er å sortere innkommende meldinger etter et oppgitt sett med kategorier. Forklar hver kategori, vis hvordan tvetydige meldinger eller meldinger utenfor virkeområdet skal representeres og be om kategorien sammen med kildeformuleringen som støtter den. For uthenting definerer du feltnavn, tillatte verdier og håndtering av manglende opplysninger. For en kort skriveoppgave oppgir du faktaene og ber om det konkrete avsnittet som neste steg i applikasjonen trenger. Eksemplene og begrensningene bør være små nok til å forbli klare selv når kildesamlingen er stor.
Produsenten angir et kontekstvindu på 1047576 tokener, en maksimal utdatamengde på 32768 tokener og en kunnskapsgrense på 1. juni 2024. Disse spesifikasjonene samsvarer med vinduet til GPT-4.1 Mini, samtidig som Nanos separate modellidentitet og rolle med vekt på rask respons bevares. Merk dokumenter og samtaledeler, ta bare med konteksten som er relevant for operasjonen og sett av plass til hele svaret. Søkeresultater eller oppgitt referansetekst kan gi fakta som er nyere enn modellens innlærte kunnskap.
Nano støtter strømming og Structured Outputs. Et skjemabegrenset endelig svar har et annet formål enn et funksjonskall: det ene gir applikasjonen et ferdig produkt, mens det andre ber den utføre en operasjon. Structured Outputs støtter et delsett av JSON Schema; definer nødvendige egenskaper og en tydelig representasjon for ukjente verdier. Håndter avslag og ufullstendige svar separat og kontroller uthentede verdier mot inndataene, fremfor å likestille en gyldig form med en korrekt konklusjon.
Det dokumenterte verktøysettet inkluderer funksjonskall, filsøk, kodetolkning, MCP-tilkoblinger og et separat verktøy for bildegenerering. Applikasjonen oppgir verktøybeskrivelser og skjemaer, utfører egendefinerte funksjoner og returnerer de faktiske resultatene deres. For Nano-modellversjonen fra 14. april 2025 anbefaler OpenAI uttrykkelig å deaktivere parallelle verktøykall fordi modellen kan be om det samme verktøyet flere ganger i én tur. Dette er et hensyn ved utførelse som er spesifikt for modellversjonen, ikke en grunn til å tolke flere foreslåtte kall som fullførte handlinger.
Bildeinndata gir visuelle bevis til en tekstoppgave, som å lese en synlig etikett eller beskrive tilstanden i et skjermbilde. Bruk støttede bilder i PNG, JPEG, WebP eller ikke-animert GIF, hold teksten leselig og forklar hvilken observasjon som er viktig. Bildeveiledningen omtaler vansker med liten eller rotert tekst, presise romlige forhold, antall gjenstander og noe skrift utenfor det latinske alfabetet. Gi omkringliggende kontekst der et utsnitt alene ville gjøre en etikett eller et diagram tvetydig. Nanos eget svar er tekst; et verktøy for bildegenerering returnerer sitt eget separate produkt. I OpenAIs dokumenterte bildearbeidsflyt er forespørselens samlede datamengde begrenset til 512 MB, og en forespørsel kan inneholde opptil 1500 bilder; bildene og teksten må også passe i modellens kontekst.
I produsentens filarbeidsflyt mottar en modell med bildestøtte både uthentet tekst og sidebilder fra PDF-filer. Andre dokumentformater bidrar med uthentet tekst, og utvidet regnearkbehandling tar hensyn til opptil de første 1000 radene per ark. En fil må være under 50 MB, med 50 MB samlet for forespørselen. Chat Completions støtter PDF-fildeler, mens den dokumenterte Responses-arbeidsflyten godtar flere filtyper. Innebygde diagrammer i dokumenter som ikke er PDF, sendes ikke som bildeinnhold, så en PDF-representasjon er nyttig når visuelle bevis er viktige.
OpenAI dokumenterer hurtigbufring av instruksjoner for Nano og Predicted Outputs for GPT-4.1 Nano-serien. Hurtigbufring av instruksjoner gjenbruker et kvalifisert inndataprefiks i produsentens tjeneste. Predicted Outputs oppgir i stedet stort sett kjent utdatatekst for en endring, for eksempel revisjon av et dokument eller en kodefil der uendrede deler bevares. Prediksjonsveien bruker bare tekst og utelukker blant annet funksjonskall, logprobs og max_completion_tokens. Velg veien som passer den faktiske operasjonen og hold resultatet knyttet til originalkilden.
Produsenten dokumenterer også veiledet finjustering og direkte preferanseoptimalisering for Nanos navngitte GPT-4.1-modellversjon. Treningseksempler og foretrukne kontra avviste svar tilpasser en modell til en gjentakende oppgave; de er forskjellige fra konteksten som gis i en vanlig forespørsel. For et praktisk steg med uthenting eller klassifisering begynner du med tydelige kategorier, eksempler og et uttrykkelig sluttformat og undersøker så om de returnerte feltene bevarer faktaene neste steg skal bruke.
POST /v1/batchestexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrevd | Verdier & grenser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-4.1-nano:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltcompletion_window | Typestring | KravValgfritt | Verdier & grenser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfritt | Verdier & grenser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfritt | Verdier & grenser openai/gpt-4.1-nano:batch, openai/gpt-4.1-nano | Standard— |
Feltprovider.only | Typestring[] | KravValgfritt | Verdier & grenser openai | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfritt | Verdier & grenser false, null | Standard— |
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtaleendpoint, model, requests |
Parametermaterial_types | Avtaletext |
Parameterrepresentation | Avtalerequests[] direkte i forespørselen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Avtale/v1/chat/completions |
Parameterfile_material | AvtaleKlienten kan lese det faktiske UTF-8-kodede JSONL-innholdet lokalt inn i requests[]. Feltet purpose for opplasting, input_file_id og filreferanser brukes ikke. Manglende eller tomt kundemateriale stopper klargjøringen før POST. |
Parameterserialization_order | Avtaleendpoint, model, provider (hvis angitt), completion_window (hvis angitt), requests til slutt |
Parameteroptional_controls | Avtaleprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | AvtaleForespørselsinnhold for tekstbasert Chat Completions lagt direkte inn i det dokumenterte Batch-formatet. |
Livssyklus: asynchronous
GET /v1/batches/{operation_id} · faktisk response.id fra den opprinnelige opprettelsen; samme bruker/nøkkel/gruppe
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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000025 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000025 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-4.1-nano:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-4.1-nano:batch', 'openai/gpt-4.1-nano']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4.1-nano:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON fra results[].response.body direkte i svaret
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBehold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele den opprinnelige statusresponsen i JSON, alle resultater og custom_id-verdier samt hele svar- eller feilinnholdet. Lagre fullførte results[] som JSONL uten filtrering.
Bevar den opprinnelige operasjons-ID-en. 503 result_pending_check har X-Should-Retry:false; send aldri den opprinnelige batchen på nytt når utfallet er ukjent.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldig struktur i det dokumenterte formatet med innebygde forespørsler, dupliserte nøkler, ugyldig elementidentitet eller konflikt med modellens konfigurerte funksjoner. | Neste trinnRett de angitte feltene før du sender en ny forespørsel. |
Svar401 · authentication_error | VilkårUgyldig API-nøkkel. | Neste trinnBruk den autoriserte Ailoot-nøkkelen. |
Svar403 · permission_error | VilkårGruppen for batchbehandling er ikke tilgjengelig. | Neste trinnKontroller tilgangsrettighetene til nøkkelen/gruppen. |
Svar422 · invalid_request_error | VilkårBatch belastes saldoen; opprettelse via abonnement avvises. | Neste trinnBruk den autoriserte gruppen som belastes saldoen. |
Svar422 · price_unavailable | VilkårDet kan ikke beregnes en pris for batchens inndata. | Neste trinnBevar svaret; bruk de dokumenterte inndataene for API-familien. |
Svar402 · billing_error | VilkårBeløpsreservasjon for batchbehandling er ikke tilgjengelig. | Neste trinnLøs problemet som hindrer forespørselen i å bli godkjent før du sender en ny forespørsel. |
Svar503 · price_unavailable | VilkårPris for Batch-metoden eller systemets innebygde satser er ikke tilgjengelige. | Neste trinnBevar svaret; ikke erstatt prisene. |
Svar503 · api_error | VilkårDen nøyaktige leverandørruten er ikke tilgjengelig. | Neste trinnBevar svaret slik at ruten kan repareres. |
Svar503 · result_pending_check | VilkårDet opprinnelige resultatet må kontrolleres; X-Should-Retry:false. | Neste trinnBevar opprinnelig operation_id/id og les statusen; gjenta aldri den opprinnelige POST-forespørselen. |
Svar404 · not_found | VilkårStatusoperasjonen for batchen finnes ikke eller tilhører en annen identitet. | Neste trinnBruk nøyaktig den opprinnelige id-verdien og samme bruker/nøkkel/gruppe. |
Ailoot Ultra openai/gpt-4.1-nano:batch
Bruk metodestiene som vises ovenfor.