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": { "practical_html": "Teknisk eksempel på engelsk
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.gpt-5.6-luna-proGPT-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/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5.6-luna-pro | 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0005 / 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0005 / 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 $0.0008 / 1K tokener Utdata · Utgående tokener $0.0036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00008 / 1K tokener Inndata · Skriving til hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-luna-pro","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-5.6-luna-pro", 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-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
gpt-5.6-luna-proGPT-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/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-5.6-luna-pro | 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0005 / 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0005 / 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 $0.0008 / 1K tokener Utdata · Utgående tokener $0.0036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00008 / 1K tokener Inndata · Skriving til hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5.6-luna-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5.6-luna-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-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/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-5.6-luna-pro | 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0005 / 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0005 / 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 $0.0008 / 1K tokener Utdata · Utgående tokener $0.0036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00008 / 1K tokener Inndata · Skriving til hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-luna-pro", "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-5.6-luna-pro',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-5.6-luna-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-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/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-5.6-luna-pro | 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0005 / 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0024 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0005 / 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 $0.0008 / 1K tokener Utdata · Utgående tokener $0.0036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00008 / 1K tokener Inndata · Skriving til hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.6-luna-pro', '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-5.6-luna-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
Teknisk eksempel på engelsk
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.