GPT-5.6 Luna Pro betegner OpenAIs GPT-5.6 Luna med Pro-resonnering. Grunnutgaven av Luna er laget for avgrensede arbeidsoppgaver med stort volum og tilsvarer omtrent nano-klassen i tidligere GPT-5-familier. Den godtar tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle det endelige svaret; det er en utføringsmodus som ikke erstatter grunnutgaven.
En praktisk bruk er å hente ut et definert sett med opplysninger fra et dokument der reglene inneholder unntak. Oppgi dokumentet og feltene du trenger, angi passasjer som har forrang, og forklar hvordan en manglende verdi skal håndteres. En illustrerende forespørsel er å hente ut dokumentets tema, vilkårene som er relevante for en forespørsel, og det neste spørsmålet som trengs for å fullføre den. Be om en forklaring på et unntak sammen med de uthentede feltene, slik at resultatet kan sammenlignes med kilden.
For visuelt materiale sender du inn en tydelig side eller et skjermbilde og angir detaljen eller etiketten som oppgaven bygger på. For en oppgave med svarskriving oppgir du forespørselen, reglene for svaret og fakta som må beholdes. Definer ønsket tone og lengde, og be om ett kort svar fremfor en ubegrenset diskusjon. Denne forberedelsen knytter Lunas målrettede rolle til et konkret tekstresultat.
OpenAI oppgir et kontekstvindu på 1050000 tokener for GPT-5.6 Luna, en maksimal inndatamengde på 922000 tokener og en maksimal utdatamengde på 128000 tokener, med kunnskapsgrense 16. februar 2026. Grunnmodellens valg for resonneringsinnsats er none, low, medium, high, xhigh og max; medium er standard. Modus og innsats er uavhengige: Pro bestemmer ekstra modellarbeid, mens innsatsen styrer mengden resonnering innenfor modusen. Resonnering bruker også kontekstplass, så sett av rom for analysen og det synlige svaret.
Produsenten dokumenterer Pro i Responses API for krevende oppgaver som tåler ekstra ventetid og modellaktivitet. Grunnmodellen oppgir strømming, Structured Outputs, funksjonskall, nett- og filsøk, bildeinndata og hurtigbufring av instruksjoner. Verktøysettet omfatter bildegenerering, kodetolking, vertsbasert kommandoskall og oppdateringsoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Verktøyoperasjoner krever det tilhørende miljøet; en applikasjon utfører handlingene sine og leverer faktiske resultater for det videre arbeidet.
Angi et nyttig sluttprodukt: obligatoriske felt, regelen som underbygger en beslutning, og eventuelle åpne spørsmål. Be for eksempel om et svarutkast sammen med dokumentfaktaene det bygger på, og forbedre deretter svaret når manglende informasjon er oppgitt. Hold skillet mellom en foreslått handling og en handling fullført av et verktøy tydelig. Denne arbeidsflyten gir Pros ekstra analyse et konkret formål innenfor en avgrenset Luna-oppgave.
", "aboutText": "GPT-5.6 Luna Pro betegner OpenAIs GPT-5.6 Luna med Pro-resonnering. Grunnutgaven av Luna er laget for avgrensede arbeidsoppgaver med stort volum og tilsvarer omtrent nano-klassen i tidligere GPT-5-familier. Den godtar tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle det endelige svaret; det er en utføringsmodus som ikke erstatter grunnutgaven.\n\nEn praktisk bruk er å hente ut et definert sett med opplysninger fra et dokument der reglene inneholder unntak. Oppgi dokumentet og feltene du trenger, angi passasjer som har forrang, og forklar hvordan en manglende verdi skal håndteres. En illustrerende forespørsel er å hente ut dokumentets tema, vilkårene som er relevante for en forespørsel, og det neste spørsmålet som trengs for å fullføre den. Be om en forklaring på et unntak sammen med de uthentede feltene, slik at resultatet kan sammenlignes med kilden.\n\nFor visuelt materiale sender du inn en tydelig side eller et skjermbilde og angir detaljen eller etiketten som oppgaven bygger på. For en oppgave med svarskriving oppgir du forespørselen, reglene for svaret og fakta som må beholdes. Definer ønsket tone og lengde, og be om ett kort svar fremfor en ubegrenset diskusjon. Denne forberedelsen knytter Lunas målrettede rolle til et konkret tekstresultat.\n\nOpenAI oppgir et kontekstvindu på 1050000 tokener for GPT-5.6 Luna, en maksimal inndatamengde på 922000 tokener og en maksimal utdatamengde på 128000 tokener, med kunnskapsgrense 16. februar 2026. Grunnmodellens valg for resonneringsinnsats er none, low, medium, high, xhigh og max; medium er standard. Modus og innsats er uavhengige: Pro bestemmer ekstra modellarbeid, mens innsatsen styrer mengden resonnering innenfor modusen. Resonnering bruker også kontekstplass, så sett av rom for analysen og det synlige svaret.\n\nProdusenten dokumenterer Pro i Responses API for krevende oppgaver som tåler ekstra ventetid og modellaktivitet. Grunnmodellen oppgir strømming, Structured Outputs, funksjonskall, nett- og filsøk, bildeinndata og hurtigbufring av instruksjoner. Verktøysettet omfatter bildegenerering, kodetolking, vertsbasert kommandoskall og oppdateringsoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Verktøyoperasjoner krever det tilhørende miljøet; en applikasjon utfører handlingene sine og leverer faktiske resultater for det videre arbeidet.\n\nAngi et nyttig sluttprodukt: obligatoriske felt, regelen som underbygger en beslutning, og eventuelle åpne spørsmål. Be for eksempel om et svarutkast sammen med dokumentfaktaene det bygger på, og forbedre deretter svaret når manglende informasjon er oppgitt. Hold skillet mellom en foreslått handling og en handling fullført av et verktøy tydelig. Denne arbeidsflyten gir Pros ekstra analyse et konkret formål innenfor en avgrenset Luna-oppgave.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "db3dc30917d63b961eba596bef80ce422e73ce621b0da52669b71f8f4006cb0f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "openai/gpt-5.6-luna-pro:batchGPT-5.6 Luna med Pro-resonnering for avgrensede oppgaver som trenger mer analyse. Oppgi tekst eller bilder og tydelige regler for å utvikle et uthentingsresultat, et kort svar eller en forklaring på et unntak.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Luna Pro betegner OpenAIs GPT-5.6 Luna med Pro-resonnering. Grunnutgaven av Luna er laget for avgrensede arbeidsoppgaver med stort volum og tilsvarer omtrent nano-klassen i tidligere GPT-5-familier. Den godtar tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle det endelige svaret; det er en utføringsmodus som ikke erstatter grunnutgaven.
En praktisk bruk er å hente ut et definert sett med opplysninger fra et dokument der reglene inneholder unntak. Oppgi dokumentet og feltene du trenger, angi passasjer som har forrang, og forklar hvordan en manglende verdi skal håndteres. En illustrerende forespørsel er å hente ut dokumentets tema, vilkårene som er relevante for en forespørsel, og det neste spørsmålet som trengs for å fullføre den. Be om en forklaring på et unntak sammen med de uthentede feltene, slik at resultatet kan sammenlignes med kilden.
For visuelt materiale sender du inn en tydelig side eller et skjermbilde og angir detaljen eller etiketten som oppgaven bygger på. For en oppgave med svarskriving oppgir du forespørselen, reglene for svaret og fakta som må beholdes. Definer ønsket tone og lengde, og be om ett kort svar fremfor en ubegrenset diskusjon. Denne forberedelsen knytter Lunas målrettede rolle til et konkret tekstresultat.
OpenAI oppgir et kontekstvindu på 1050000 tokener for GPT-5.6 Luna, en maksimal inndatamengde på 922000 tokener og en maksimal utdatamengde på 128000 tokener, med kunnskapsgrense 16. februar 2026. Grunnmodellens valg for resonneringsinnsats er none, low, medium, high, xhigh og max; medium er standard. Modus og innsats er uavhengige: Pro bestemmer ekstra modellarbeid, mens innsatsen styrer mengden resonnering innenfor modusen. Resonnering bruker også kontekstplass, så sett av rom for analysen og det synlige svaret.
Produsenten dokumenterer Pro i Responses API for krevende oppgaver som tåler ekstra ventetid og modellaktivitet. Grunnmodellen oppgir strømming, Structured Outputs, funksjonskall, nett- og filsøk, bildeinndata og hurtigbufring av instruksjoner. Verktøysettet omfatter bildegenerering, kodetolking, vertsbasert kommandoskall og oppdateringsoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Verktøyoperasjoner krever det tilhørende miljøet; en applikasjon utfører handlingene sine og leverer faktiske resultater for det videre arbeidet.
Angi et nyttig sluttprodukt: obligatoriske felt, regelen som underbygger en beslutning, og eventuelle åpne spørsmål. Be for eksempel om et svarutkast sammen med dokumentfaktaene det bygger på, og forbedre deretter svaret når manglende informasjon er oppgitt. Hold skillet mellom en foreslått handling og en handling fullført av et verktøy tydelig. Denne arbeidsflyten gir Pros ekstra analyse et konkret formål innenfor en avgrenset Luna-oppgave.
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-5.6-luna-pro: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-5.6-luna-pro:batch, openai/gpt-5.6-luna-pro | 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 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 med272 000 | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0004 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-5.6-luna-pro: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-5.6-luna-pro:batch', 'openai/gpt-5.6-luna-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-luna-pro: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-5.6-luna-pro:batch
Bruk metodestiene som vises ovenfor.