GPT-4o mini er en liten modell fra OpenAI for avgrensede oppgaver. Den godtar tekst og bilder og returnerer tekst, inkludert strukturerte svar. En oppgave kan kombinere en kort instruksjon med en passasje, et skjermbilde eller et annet relevant bilde og deretter be om et bestemt resultat som uthentede felt, en kategori eller et svarutkast.
For meldingsklassifisering oppgir du kategoriene og forklarer håndteringen av en melding som passer til flere. Be om den valgte kategorien og delen av meldingen som støtter den. For uthenting angir du feltene og håndteringen av verdier som kilden ikke inneholder. Behold de opprinnelige identifikatorene, slik at hvert resultat kan spores til inndataene.
En oppgave med utkast kan oppgi kundens spørsmål, den relevante produktinformasjonen og poenget svaret må formidle. Be om et svar innenfor en definert lengde eller tone. For omskriving oppgir du den opprinnelige passasjen og angir hva som kan endres: ordlyd, lengde eller organisering. Hold navn, mengder og den tiltenkte betydningen tydelige.
En bildeoppgave kan be om den synlige meldingen i et skjermbilde, en beskrivelse av en produktdetalj eller en sammenligning mellom to merkede bilder. Pek på det relevante området, og angi hva resultatet skal inneholde. For en feil på skjermen kan du for eksempel be om den leselige feilteksten og grensesnittelementet det gjelder. Kontroller uthentede detaljer mot det innsendte bildet før de sendes videre til en annen operasjon.
Modellens dokumenterte utdata er tekst. Et visuelt spørsmål gir derfor en forklaring, beskrivelse eller uthentet informasjon fra inndatabildet. Oppgi en leselig kilde, og behold etiketten når flere bilder brukes i én oppgave.
OpenAI dokumenterer Structured Outputs og funksjonskall for GPT-4o mini. Et strukturert svar kan følge feltnavn og typer valgt for applikasjonen. Kontroller både strukturen og innholdet mot inndataene før resultatet lagres eller brukes.
I en funksjonsarbeidsflyt stiller applikasjonen en funksjon til rådighet og utfører et forespurt kall. Den returnerer deretter det faktiske resultatet for modellen å bruke. En avgrenset funksjonsbeskrivelse og eksplisitte argumentregler bidrar til å holde forespørselen knyttet til oppgaven som utføres.
Produsenten oppgir et kontekstvindu på 128000 tokener og en maksimal utdatamengde på 16384 tokener for den dokumenterte modellversjonen. Bruk konteksten til relevant materiale, og la det være plass til svaret. En avgrenset uthenting kan trenge bare noen få felt; en lengre dokumentsammenligning har nytte av merkede utdrag og et definert spørsmål.
", "aboutText": "GPT-4o mini er en liten modell fra OpenAI for avgrensede oppgaver. Den godtar tekst og bilder og returnerer tekst, inkludert strukturerte svar. En oppgave kan kombinere en kort instruksjon med en passasje, et skjermbilde eller et annet relevant bilde og deretter be om et bestemt resultat som uthentede felt, en kategori eller et svarutkast.\n\n### Gjør innsendt materiale om til et kort resultat\n\nFor meldingsklassifisering oppgir du kategoriene og forklarer håndteringen av en melding som passer til flere. Be om den valgte kategorien og delen av meldingen som støtter den. For uthenting angir du feltene og håndteringen av verdier som kilden ikke inneholder. Behold de opprinnelige identifikatorene, slik at hvert resultat kan spores til inndataene.\n\nEn oppgave med utkast kan oppgi kundens spørsmål, den relevante produktinformasjonen og poenget svaret må formidle. Be om et svar innenfor en definert lengde eller tone. For omskriving oppgir du den opprinnelige passasjen og angir hva som kan endres: ordlyd, lengde eller organisering. Hold navn, mengder og den tiltenkte betydningen tydelige.\n\n### Still et presist spørsmål om et bilde\n\nEn bildeoppgave kan be om den synlige meldingen i et skjermbilde, en beskrivelse av en produktdetalj eller en sammenligning mellom to merkede bilder. Pek på det relevante området, og angi hva resultatet skal inneholde. For en feil på skjermen kan du for eksempel be om den leselige feilteksten og grensesnittelementet det gjelder. Kontroller uthentede detaljer mot det innsendte bildet før de sendes videre til en annen operasjon.\n\nModellens dokumenterte utdata er tekst. Et visuelt spørsmål gir derfor en forklaring, beskrivelse eller uthentet informasjon fra inndatabildet. Oppgi en leselig kilde, og behold etiketten når flere bilder brukes i én oppgave.\n\n### Form svaret for en applikasjon\n\nOpenAI dokumenterer Structured Outputs og funksjonskall for GPT-4o mini. Et strukturert svar kan følge feltnavn og typer valgt for applikasjonen. Kontroller både strukturen og innholdet mot inndataene før resultatet lagres eller brukes.\n\nI en funksjonsarbeidsflyt stiller applikasjonen en funksjon til rådighet og utfører et forespurt kall. Den returnerer deretter det faktiske resultatet for modellen å bruke. En avgrenset funksjonsbeskrivelse og eksplisitte argumentregler bidrar til å holde forespørselen knyttet til oppgaven som utføres.\n\nProdusenten oppgir et kontekstvindu på 128000 tokener og en maksimal utdatamengde på 16384 tokener for den dokumenterte modellversjonen. Bruk konteksten til relevant materiale, og la det være plass til svaret. En avgrenset uthenting kan trenge bare noen få felt; en lengre dokumentsammenligning har nytte av merkede utdrag og et definert spørsmål.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract an appointment request\n\nExtract fields from this message: 'Hi, I am Morgan. Please move booking B-18 from Tuesday to Friday afternoon; I cannot attend in the morning.' Return name, booking ID, current day, requested day and time preference. Preserve the reference exactly and mark any precise requested time as unknown.A compact labelled record with the five requested fields and an explicit unknown precise time.Friday afternoon is a preference rather than an invented clock time, and B-18 remains exact.gpt-4o-miniGPT-4o mini er OpenAIs lille modell for avgrensede tekst- og bildeoppgaver. Bruk den til å klassifisere en melding, hente ut felt fra innsendt materiale, forklare et skjermbilde eller lage et svarutkast, med tekstutdata og støtte for Structured Outputs og funksjonskall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4o mini er en liten modell fra OpenAI for avgrensede oppgaver. Den godtar tekst og bilder og returnerer tekst, inkludert strukturerte svar. En oppgave kan kombinere en kort instruksjon med en passasje, et skjermbilde eller et annet relevant bilde og deretter be om et bestemt resultat som uthentede felt, en kategori eller et svarutkast.
For meldingsklassifisering oppgir du kategoriene og forklarer håndteringen av en melding som passer til flere. Be om den valgte kategorien og delen av meldingen som støtter den. For uthenting angir du feltene og håndteringen av verdier som kilden ikke inneholder. Behold de opprinnelige identifikatorene, slik at hvert resultat kan spores til inndataene.
En oppgave med utkast kan oppgi kundens spørsmål, den relevante produktinformasjonen og poenget svaret må formidle. Be om et svar innenfor en definert lengde eller tone. For omskriving oppgir du den opprinnelige passasjen og angir hva som kan endres: ordlyd, lengde eller organisering. Hold navn, mengder og den tiltenkte betydningen tydelige.
En bildeoppgave kan be om den synlige meldingen i et skjermbilde, en beskrivelse av en produktdetalj eller en sammenligning mellom to merkede bilder. Pek på det relevante området, og angi hva resultatet skal inneholde. For en feil på skjermen kan du for eksempel be om den leselige feilteksten og grensesnittelementet det gjelder. Kontroller uthentede detaljer mot det innsendte bildet før de sendes videre til en annen operasjon.
Modellens dokumenterte utdata er tekst. Et visuelt spørsmål gir derfor en forklaring, beskrivelse eller uthentet informasjon fra inndatabildet. Oppgi en leselig kilde, og behold etiketten når flere bilder brukes i én oppgave.
OpenAI dokumenterer Structured Outputs og funksjonskall for GPT-4o mini. Et strukturert svar kan følge feltnavn og typer valgt for applikasjonen. Kontroller både strukturen og innholdet mot inndataene før resultatet lagres eller brukes.
I en funksjonsarbeidsflyt stiller applikasjonen en funksjon til rådighet og utfører et forespurt kall. Den returnerer deretter det faktiske resultatet for modellen å bruke. En avgrenset funksjonsbeskrivelse og eksplisitte argumentregler bidrar til å holde forespørselen knyttet til oppgaven som utføres.
Produsenten oppgir et kontekstvindu på 128000 tokener og en maksimal utdatamengde på 16384 tokener for den dokumenterte modellversjonen. Bruk konteksten til relevant materiale, og la det være plass til svaret. En avgrenset uthenting kan trenge bare noen få felt; en lengre dokumentsammenligning har nytte av merkede utdrag og et definert spørsmål.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-4o-mini | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-4o-mini","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-4o-mini", 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 Ultra gpt-4o-mini, openai/gpt-4o-mini
/chat/completions
gpt-4o-miniGPT-4o mini er OpenAIs lille modell for avgrensede tekst- og bildeoppgaver. Bruk den til å klassifisere en melding, hente ut felt fra innsendt materiale, forklare et skjermbilde eller lage et svarutkast, med tekstutdata og støtte for Structured Outputs og funksjonskall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4o mini er en liten modell fra OpenAI for avgrensede oppgaver. Den godtar tekst og bilder og returnerer tekst, inkludert strukturerte svar. En oppgave kan kombinere en kort instruksjon med en passasje, et skjermbilde eller et annet relevant bilde og deretter be om et bestemt resultat som uthentede felt, en kategori eller et svarutkast.
For meldingsklassifisering oppgir du kategoriene og forklarer håndteringen av en melding som passer til flere. Be om den valgte kategorien og delen av meldingen som støtter den. For uthenting angir du feltene og håndteringen av verdier som kilden ikke inneholder. Behold de opprinnelige identifikatorene, slik at hvert resultat kan spores til inndataene.
En oppgave med utkast kan oppgi kundens spørsmål, den relevante produktinformasjonen og poenget svaret må formidle. Be om et svar innenfor en definert lengde eller tone. For omskriving oppgir du den opprinnelige passasjen og angir hva som kan endres: ordlyd, lengde eller organisering. Hold navn, mengder og den tiltenkte betydningen tydelige.
En bildeoppgave kan be om den synlige meldingen i et skjermbilde, en beskrivelse av en produktdetalj eller en sammenligning mellom to merkede bilder. Pek på det relevante området, og angi hva resultatet skal inneholde. For en feil på skjermen kan du for eksempel be om den leselige feilteksten og grensesnittelementet det gjelder. Kontroller uthentede detaljer mot det innsendte bildet før de sendes videre til en annen operasjon.
Modellens dokumenterte utdata er tekst. Et visuelt spørsmål gir derfor en forklaring, beskrivelse eller uthentet informasjon fra inndatabildet. Oppgi en leselig kilde, og behold etiketten når flere bilder brukes i én oppgave.
OpenAI dokumenterer Structured Outputs og funksjonskall for GPT-4o mini. Et strukturert svar kan følge feltnavn og typer valgt for applikasjonen. Kontroller både strukturen og innholdet mot inndataene før resultatet lagres eller brukes.
I en funksjonsarbeidsflyt stiller applikasjonen en funksjon til rådighet og utfører et forespurt kall. Den returnerer deretter det faktiske resultatet for modellen å bruke. En avgrenset funksjonsbeskrivelse og eksplisitte argumentregler bidrar til å holde forespørselen knyttet til oppgaven som utføres.
Produsenten oppgir et kontekstvindu på 128000 tokener og en maksimal utdatamengde på 16384 tokener for den dokumenterte modellversjonen. Bruk konteksten til relevant materiale, og la det være plass til svaret. En avgrenset uthenting kan trenge bare noen få felt; en lengre dokumentsammenligning har nytte av merkede utdrag og et definert spørsmål.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-4o-mini | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gpt-4o-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4o-mini', '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-4o-mini', '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-4o-mini, openai/gpt-4o-mini
/chat/completions
openai/gpt-4o-miniGPT-4o mini er OpenAIs lille modell for avgrensede tekst- og bildeoppgaver. Bruk den til å klassifisere en melding, hente ut felt fra innsendt materiale, forklare et skjermbilde eller lage et svarutkast, med tekstutdata og støtte for Structured Outputs og funksjonskall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4o mini er en liten modell fra OpenAI for avgrensede oppgaver. Den godtar tekst og bilder og returnerer tekst, inkludert strukturerte svar. En oppgave kan kombinere en kort instruksjon med en passasje, et skjermbilde eller et annet relevant bilde og deretter be om et bestemt resultat som uthentede felt, en kategori eller et svarutkast.
For meldingsklassifisering oppgir du kategoriene og forklarer håndteringen av en melding som passer til flere. Be om den valgte kategorien og delen av meldingen som støtter den. For uthenting angir du feltene og håndteringen av verdier som kilden ikke inneholder. Behold de opprinnelige identifikatorene, slik at hvert resultat kan spores til inndataene.
En oppgave med utkast kan oppgi kundens spørsmål, den relevante produktinformasjonen og poenget svaret må formidle. Be om et svar innenfor en definert lengde eller tone. For omskriving oppgir du den opprinnelige passasjen og angir hva som kan endres: ordlyd, lengde eller organisering. Hold navn, mengder og den tiltenkte betydningen tydelige.
En bildeoppgave kan be om den synlige meldingen i et skjermbilde, en beskrivelse av en produktdetalj eller en sammenligning mellom to merkede bilder. Pek på det relevante området, og angi hva resultatet skal inneholde. For en feil på skjermen kan du for eksempel be om den leselige feilteksten og grensesnittelementet det gjelder. Kontroller uthentede detaljer mot det innsendte bildet før de sendes videre til en annen operasjon.
Modellens dokumenterte utdata er tekst. Et visuelt spørsmål gir derfor en forklaring, beskrivelse eller uthentet informasjon fra inndatabildet. Oppgi en leselig kilde, og behold etiketten når flere bilder brukes i én oppgave.
OpenAI dokumenterer Structured Outputs og funksjonskall for GPT-4o mini. Et strukturert svar kan følge feltnavn og typer valgt for applikasjonen. Kontroller både strukturen og innholdet mot inndataene før resultatet lagres eller brukes.
I en funksjonsarbeidsflyt stiller applikasjonen en funksjon til rådighet og utfører et forespurt kall. Den returnerer deretter det faktiske resultatet for modellen å bruke. En avgrenset funksjonsbeskrivelse og eksplisitte argumentregler bidrar til å holde forespørselen knyttet til oppgaven som utføres.
Produsenten oppgir et kontekstvindu på 128000 tokener og en maksimal utdatamengde på 16384 tokener for den dokumenterte modellversjonen. Bruk konteksten til relevant materiale, og la det være plass til svaret. En avgrenset uthenting kan trenge bare noen få felt; en lengre dokumentsammenligning har nytte av merkede utdrag og et definert spørsmål.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-4o-mini | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-4o-mini", "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-4o-mini',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-4o-mini',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-4o-mini, openai/gpt-4o-mini
/chat/completions
openai/gpt-4o-miniGPT-4o mini er OpenAIs lille modell for avgrensede tekst- og bildeoppgaver. Bruk den til å klassifisere en melding, hente ut felt fra innsendt materiale, forklare et skjermbilde eller lage et svarutkast, med tekstutdata og støtte for Structured Outputs og funksjonskall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-4o mini er en liten modell fra OpenAI for avgrensede oppgaver. Den godtar tekst og bilder og returnerer tekst, inkludert strukturerte svar. En oppgave kan kombinere en kort instruksjon med en passasje, et skjermbilde eller et annet relevant bilde og deretter be om et bestemt resultat som uthentede felt, en kategori eller et svarutkast.
For meldingsklassifisering oppgir du kategoriene og forklarer håndteringen av en melding som passer til flere. Be om den valgte kategorien og delen av meldingen som støtter den. For uthenting angir du feltene og håndteringen av verdier som kilden ikke inneholder. Behold de opprinnelige identifikatorene, slik at hvert resultat kan spores til inndataene.
En oppgave med utkast kan oppgi kundens spørsmål, den relevante produktinformasjonen og poenget svaret må formidle. Be om et svar innenfor en definert lengde eller tone. For omskriving oppgir du den opprinnelige passasjen og angir hva som kan endres: ordlyd, lengde eller organisering. Hold navn, mengder og den tiltenkte betydningen tydelige.
En bildeoppgave kan be om den synlige meldingen i et skjermbilde, en beskrivelse av en produktdetalj eller en sammenligning mellom to merkede bilder. Pek på det relevante området, og angi hva resultatet skal inneholde. For en feil på skjermen kan du for eksempel be om den leselige feilteksten og grensesnittelementet det gjelder. Kontroller uthentede detaljer mot det innsendte bildet før de sendes videre til en annen operasjon.
Modellens dokumenterte utdata er tekst. Et visuelt spørsmål gir derfor en forklaring, beskrivelse eller uthentet informasjon fra inndatabildet. Oppgi en leselig kilde, og behold etiketten når flere bilder brukes i én oppgave.
OpenAI dokumenterer Structured Outputs og funksjonskall for GPT-4o mini. Et strukturert svar kan følge feltnavn og typer valgt for applikasjonen. Kontroller både strukturen og innholdet mot inndataene før resultatet lagres eller brukes.
I en funksjonsarbeidsflyt stiller applikasjonen en funksjon til rådighet og utfører et forespurt kall. Den returnerer deretter det faktiske resultatet for modellen å bruke. En avgrenset funksjonsbeskrivelse og eksplisitte argumentregler bidrar til å holde forespørselen knyttet til oppgaven som utføres.
Produsenten oppgir et kontekstvindu på 128000 tokener og en maksimal utdatamengde på 16384 tokener for den dokumenterte modellversjonen. Bruk konteksten til relevant materiale, og la det være plass til svaret. En avgrenset uthenting kan trenge bare noen få felt; en lengre dokumentsammenligning har nytte av merkede utdrag og et definert spørsmål.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-4o-mini | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-4o-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4o-mini', '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-4o-mini', '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-4o-mini, openai/gpt-4o-mini
/chat/completions
Teknisk eksempel på engelsk
Extract an appointment request\n\nExtract fields from this message: 'Hi, I am Morgan. Please move booking B-18 from Tuesday to Friday afternoon; I cannot attend in the morning.' Return name, booking ID, current day, requested day and time preference. Preserve the reference exactly and mark any precise requested time as unknown.A compact labelled record with the five requested fields and an explicit unknown precise time.Friday afternoon is a preference rather than an invented clock time, and B-18 remains exact.