GPT-5.1-Codex-Max er OpenAIs Codex-utgave laget for langvarig, detaljert agentbasert programmering. Den godtar tekst og bilder og produserer tekst. Lanseringen beskriver trening på faktiske programvareutviklingsoppgaver, inkludert kodegjennomgang, grensesnittarbeid og prosjektendringer, samt arbeid i Windows-miljøer.
En sentral mulighet er innebygd arbeid på tvers av flere kontekstvinduer gjennom komprimering. Når en lang oppgave nærmer seg vindusgrensen, kan Codex-arbeidsflyten komprimere historikken, beholde den viktige konteksten og fortsette i et nytt vindu. Produsenten presenterer dette som en måte å opprettholde refaktorering av hele prosjekter, grundig feilsøking og lange agentløp på. Dette er en videreføringsprosess, ikke en påstand om at en hel lang økt opptar ett kontekstvindu.
For en prosjektendring oppgir du ønsket atferd, relevante filer og reglene for redigeringer. En illustrerende forespørsel er å refaktorere flere tilknyttede komponenter og samtidig beholde den utadrettede atferden: identifiser sammenhengene, foreslå samordnede endringer og angi hvordan den resulterende atferden skal kontrolleres. For feilsøking tar du med den observerte feilen, forventet resultat og belegget som allerede er samlet. Arbeidsmiljøets filinnhold, kommandoutdata og kontroller bidrar til modellens neste beslutning.
OpenAIs modellkort oppgir et kontekstvindu på 400000 tokener, en maksimal utdatamengde på 128000 tokener og en kunnskapsgrense på 30. september 2024. Max-lanseringen anbefaler resonneringsinnsatsen medium for vanlig bruk og innfører xhigh for arbeid som har nytte av lengre analyse. Både resonnering og synlige utdata trenger plass i oppgavens kontekst. Hold suksesskriteriet og vesentlige beslutninger tilgjengelige mens arbeidsflyten fortsetter.
Modellens dokumenterte grensesnitt er bare Responses. Kortet oppgir strømming, Structured Outputs, funksjonskall, bildeinndata, nettsøk og hurtigbufring av instruksjoner; de nøyaktig oppgitte verktøyene omfatter funksjoner og nettsøk. I et Codex-lignende miljø leser og søker operasjoner fra applikasjonen i filer, utfører kommandoer og returnerer faktiske resultater. Lanseringens sandkasse, nettverksinnstillinger og terminallogger beskriver det omkringliggende Codex-produktmiljøet, ikke modellens direkte tekstutdata.
For grensesnittarbeid oppgir du det relevante skjermbildet eller designreferansen og forklarer brukeratferden som skal støttes. For en gjennomgang ber du om konkrete funn knyttet til avhengigheter eller krav. Et nyttig sluttprodukt identifiserer de berørte filene, forklarer vesentlige endringer og rapporterer resultatene av kontroller som faktisk er fullført. Hold gjenstående trinn konkrete, slik at en lang utviklingsoppgave avsluttes med et resultat som kan vurderes opp mot det opprinnelige målet.
", "aboutText": "GPT-5.1-Codex-Max er OpenAIs Codex-utgave laget for langvarig, detaljert agentbasert programmering. Den godtar tekst og bilder og produserer tekst. Lanseringen beskriver trening på faktiske programvareutviklingsoppgaver, inkludert kodegjennomgang, grensesnittarbeid og prosjektendringer, samt arbeid i Windows-miljøer.\n\nEn sentral mulighet er innebygd arbeid på tvers av flere kontekstvinduer gjennom komprimering. Når en lang oppgave nærmer seg vindusgrensen, kan Codex-arbeidsflyten komprimere historikken, beholde den viktige konteksten og fortsette i et nytt vindu. Produsenten presenterer dette som en måte å opprettholde refaktorering av hele prosjekter, grundig feilsøking og lange agentløp på. Dette er en videreføringsprosess, ikke en påstand om at en hel lang økt opptar ett kontekstvindu.\n\nFor en prosjektendring oppgir du ønsket atferd, relevante filer og reglene for redigeringer. En illustrerende forespørsel er å refaktorere flere tilknyttede komponenter og samtidig beholde den utadrettede atferden: identifiser sammenhengene, foreslå samordnede endringer og angi hvordan den resulterende atferden skal kontrolleres. For feilsøking tar du med den observerte feilen, forventet resultat og belegget som allerede er samlet. Arbeidsmiljøets filinnhold, kommandoutdata og kontroller bidrar til modellens neste beslutning.\n\nOpenAIs modellkort oppgir et kontekstvindu på 400000 tokener, en maksimal utdatamengde på 128000 tokener og en kunnskapsgrense på 30. september 2024. Max-lanseringen anbefaler resonneringsinnsatsen medium for vanlig bruk og innfører xhigh for arbeid som har nytte av lengre analyse. Både resonnering og synlige utdata trenger plass i oppgavens kontekst. Hold suksesskriteriet og vesentlige beslutninger tilgjengelige mens arbeidsflyten fortsetter.\n\nModellens dokumenterte grensesnitt er bare Responses. Kortet oppgir strømming, Structured Outputs, funksjonskall, bildeinndata, nettsøk og hurtigbufring av instruksjoner; de nøyaktig oppgitte verktøyene omfatter funksjoner og nettsøk. I et Codex-lignende miljø leser og søker operasjoner fra applikasjonen i filer, utfører kommandoer og returnerer faktiske resultater. Lanseringens sandkasse, nettverksinnstillinger og terminallogger beskriver det omkringliggende Codex-produktmiljøet, ikke modellens direkte tekstutdata.\n\nFor grensesnittarbeid oppgir du det relevante skjermbildet eller designreferansen og forklarer brukeratferden som skal støttes. For en gjennomgang ber du om konkrete funn knyttet til avhengigheter eller krav. Et nyttig sluttprodukt identifiserer de berørte filene, forklarer vesentlige endringer og rapporterer resultatene av kontroller som faktisk er fullført. Hold gjenstående trinn konkrete, slik at en lang utviklingsoppgave avsluttes med et resultat som kan vurderes opp mot det opprinnelige målet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.openai/gpt-5.1-codex-maxEn Codex-utgave laget for langvarig, detaljert programvareutvikling. Den godtar tekst og bilder og bruker komprimering mellom kontekstvinduer til å fortsette refaktorering av hele prosjekter, grundig feilsøking og andre agentbaserte programmeringsoppgaver.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.1-Codex-Max er OpenAIs Codex-utgave laget for langvarig, detaljert agentbasert programmering. Den godtar tekst og bilder og produserer tekst. Lanseringen beskriver trening på faktiske programvareutviklingsoppgaver, inkludert kodegjennomgang, grensesnittarbeid og prosjektendringer, samt arbeid i Windows-miljøer.
En sentral mulighet er innebygd arbeid på tvers av flere kontekstvinduer gjennom komprimering. Når en lang oppgave nærmer seg vindusgrensen, kan Codex-arbeidsflyten komprimere historikken, beholde den viktige konteksten og fortsette i et nytt vindu. Produsenten presenterer dette som en måte å opprettholde refaktorering av hele prosjekter, grundig feilsøking og lange agentløp på. Dette er en videreføringsprosess, ikke en påstand om at en hel lang økt opptar ett kontekstvindu.
For en prosjektendring oppgir du ønsket atferd, relevante filer og reglene for redigeringer. En illustrerende forespørsel er å refaktorere flere tilknyttede komponenter og samtidig beholde den utadrettede atferden: identifiser sammenhengene, foreslå samordnede endringer og angi hvordan den resulterende atferden skal kontrolleres. For feilsøking tar du med den observerte feilen, forventet resultat og belegget som allerede er samlet. Arbeidsmiljøets filinnhold, kommandoutdata og kontroller bidrar til modellens neste beslutning.
OpenAIs modellkort oppgir et kontekstvindu på 400000 tokener, en maksimal utdatamengde på 128000 tokener og en kunnskapsgrense på 30. september 2024. Max-lanseringen anbefaler resonneringsinnsatsen medium for vanlig bruk og innfører xhigh for arbeid som har nytte av lengre analyse. Både resonnering og synlige utdata trenger plass i oppgavens kontekst. Hold suksesskriteriet og vesentlige beslutninger tilgjengelige mens arbeidsflyten fortsetter.
Modellens dokumenterte grensesnitt er bare Responses. Kortet oppgir strømming, Structured Outputs, funksjonskall, bildeinndata, nettsøk og hurtigbufring av instruksjoner; de nøyaktig oppgitte verktøyene omfatter funksjoner og nettsøk. I et Codex-lignende miljø leser og søker operasjoner fra applikasjonen i filer, utfører kommandoer og returnerer faktiske resultater. Lanseringens sandkasse, nettverksinnstillinger og terminallogger beskriver det omkringliggende Codex-produktmiljøet, ikke modellens direkte tekstutdata.
For grensesnittarbeid oppgir du det relevante skjermbildet eller designreferansen og forklarer brukeratferden som skal støttes. For en gjennomgang ber du om konkrete funn knyttet til avhengigheter eller krav. Et nyttig sluttprodukt identifiserer de berørte filene, forklarer vesentlige endringer og rapporterer resultatene av kontroller som faktisk er fullført. Hold gjenstående trinn konkrete, slik at en lang utviklingsoppgave avsluttes med et resultat som kan vurderes opp mot det opprinnelige målet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-5.1-codex-max | 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.1-codex-max", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-5.1-codex-max',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-5.1-codex-max',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 openai/gpt-5.1-codex-max
Bruk metodestiene som vises ovenfor.
openai/gpt-5.1-codex-maxEn Codex-utgave laget for langvarig, detaljert programvareutvikling. Den godtar tekst og bilder og bruker komprimering mellom kontekstvinduer til å fortsette refaktorering av hele prosjekter, grundig feilsøking og andre agentbaserte programmeringsoppgaver.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.1-Codex-Max er OpenAIs Codex-utgave laget for langvarig, detaljert agentbasert programmering. Den godtar tekst og bilder og produserer tekst. Lanseringen beskriver trening på faktiske programvareutviklingsoppgaver, inkludert kodegjennomgang, grensesnittarbeid og prosjektendringer, samt arbeid i Windows-miljøer.
En sentral mulighet er innebygd arbeid på tvers av flere kontekstvinduer gjennom komprimering. Når en lang oppgave nærmer seg vindusgrensen, kan Codex-arbeidsflyten komprimere historikken, beholde den viktige konteksten og fortsette i et nytt vindu. Produsenten presenterer dette som en måte å opprettholde refaktorering av hele prosjekter, grundig feilsøking og lange agentløp på. Dette er en videreføringsprosess, ikke en påstand om at en hel lang økt opptar ett kontekstvindu.
For en prosjektendring oppgir du ønsket atferd, relevante filer og reglene for redigeringer. En illustrerende forespørsel er å refaktorere flere tilknyttede komponenter og samtidig beholde den utadrettede atferden: identifiser sammenhengene, foreslå samordnede endringer og angi hvordan den resulterende atferden skal kontrolleres. For feilsøking tar du med den observerte feilen, forventet resultat og belegget som allerede er samlet. Arbeidsmiljøets filinnhold, kommandoutdata og kontroller bidrar til modellens neste beslutning.
OpenAIs modellkort oppgir et kontekstvindu på 400000 tokener, en maksimal utdatamengde på 128000 tokener og en kunnskapsgrense på 30. september 2024. Max-lanseringen anbefaler resonneringsinnsatsen medium for vanlig bruk og innfører xhigh for arbeid som har nytte av lengre analyse. Både resonnering og synlige utdata trenger plass i oppgavens kontekst. Hold suksesskriteriet og vesentlige beslutninger tilgjengelige mens arbeidsflyten fortsetter.
Modellens dokumenterte grensesnitt er bare Responses. Kortet oppgir strømming, Structured Outputs, funksjonskall, bildeinndata, nettsøk og hurtigbufring av instruksjoner; de nøyaktig oppgitte verktøyene omfatter funksjoner og nettsøk. I et Codex-lignende miljø leser og søker operasjoner fra applikasjonen i filer, utfører kommandoer og returnerer faktiske resultater. Lanseringens sandkasse, nettverksinnstillinger og terminallogger beskriver det omkringliggende Codex-produktmiljøet, ikke modellens direkte tekstutdata.
For grensesnittarbeid oppgir du det relevante skjermbildet eller designreferansen og forklarer brukeratferden som skal støttes. For en gjennomgang ber du om konkrete funn knyttet til avhengigheter eller krav. Et nyttig sluttprodukt identifiserer de berørte filene, forklarer vesentlige endringer og rapporterer resultatene av kontroller som faktisk er fullført. Hold gjenstående trinn konkrete, slik at en lang utviklingsoppgave avsluttes med et resultat som kan vurderes opp mot det opprinnelige målet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-5.1-codex-max | 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 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 $0.0025 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-5.1-codex-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.1-codex-max', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.1-codex-max', '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 openai/gpt-5.1-codex-max
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.