GPT-5.6 Terra er OpenAIs balanserte modell i GPT-5.6-familien. Produsenten knytter arbeidsbelastningsrollen til mini-nivået brukt i tidligere GPT-5-familier, mens Terra beholder sin egen navngitte profil. Den arbeider med tekst og bilder og returnerer tekst, for eksempel en forklaring, et utkast, et kodeforslag eller en strukturert analysepost.
Gi kildematerialet, spørsmålet og kriteriene for en konklusjon. En praktisk oppgavebeskrivelse er: «Sammenlign disse kravene med forslaget, identifiser hvert avvik og returner det støttende tekstutdraget, konsekvensen og det uavklarte spørsmålet.» Merk dokumentene, og bevar termer eller enheter som påvirker betydningen. Resultatet bør vise hva materialet fastslår, og hva som fortsatt er en antakelse.
For skriving definerer du målgruppe, tone og fakta som må beholdes. For en revisjon navngir du avsnittet som skal endres, og betydningen som skal bevares. For en kodeoppgave gir du den relevante implementasjonen, den observerte feilen og den påkrevde oppførselen. En avgrenset leveranse er mer nyttig enn en vid instruks om å forbedre en uspesifisert materialsamling.
Modellen støtter resonneringsinnsatsene none, low, medium, high, xhigh og max, med medium som standard. Innsatsen styrer analysedybden, mens standard- eller Pro-modus er et separat valg for kjøringen. Kravene til oppgavens endelige leveranse er viktige ved alle innstillinger: angi svarets språk, påkrevde felter og kriteriene for ferdigstillelse.
OpenAI beskriver at tilgjengelig tidligere resonnering som standard tas med i påfølgende GPT-5.6-turer, med en kontekstkontroll for støttede arbeidsflyter. Dette kan støtte en videreført analyse, men beholdt materiale bruker fortsatt kontekstplass. Hold godkjente fakta og nye observasjoner adskilt fra foreløpige mellomkonklusjoner.
Terras publiserte kontekst er 1,050,000 tokener, med opptil 922,000 inngående tokener og opptil 128,000 utgående tokener. Kunnskapsgrensen er 16. februar 2026. Kilder, historikk, verktøyresultater, resonnering og det synlige svaret trenger plass sammen. Sett av rom til en fullstendig sluttleveranse, og undersøk ufullstendige svar før oppgaven regnes som ferdig.
For visuelt materiale bevarer du lesbar tekst, merking og den omkringliggende konteksten. Be svaret identifisere bildedetaljen som underbygger en konklusjon. Modellen behandler tekst og bilder til tekst; rendret medieinnhold eller utførte applikasjonshandlinger er andre resultater.
Produsenten oppgir funksjonskall, Structured Outputs og strømming, i tillegg til nett- og filsøk, verktøy for bildegenerering, en kodetolk, skall- og patch-operasjoner, ferdigheter, datamaskinbruk, MCP-forbindelser og verktøysøk. Applikasjonen rundt modellen utfører de valgte operasjonene og returnerer observasjoner, slik at modellen kan fortsette.
Gi funksjoner presise formål og parameterskjemaer. For en strukturert post definerer du hvert felt og hvordan manglende kildebelegg skal representeres, og sammenligner deretter returnerte verdier med kilden. Et svar som følger formatet, beviser ikke i seg selv innhenting, utføring eller validering.
Et nyttig sluttresultat er et utkast som kan gjennomgås, en kildesammenligning, et kodeforslag eller en datapost knyttet til oppgavens krav og observasjoner. Bruk Terras støttede resonneringsinnstillinger og grenser når oppgaven forberedes; Sol og GPT-6 har sine egne profiler.
", "aboutText": "GPT-5.6 Terra er OpenAIs balanserte modell i GPT-5.6-familien. Produsenten knytter arbeidsbelastningsrollen til mini-nivået brukt i tidligere GPT-5-familier, mens Terra beholder sin egen navngitte profil. Den arbeider med tekst og bilder og returnerer tekst, for eksempel en forklaring, et utkast, et kodeforslag eller en strukturert analysepost.\n\n### Analyse med et definert resultat\n\nGi kildematerialet, spørsmålet og kriteriene for en konklusjon. En praktisk oppgavebeskrivelse er: «Sammenlign disse kravene med forslaget, identifiser hvert avvik og returner det støttende tekstutdraget, konsekvensen og det uavklarte spørsmålet.» Merk dokumentene, og bevar termer eller enheter som påvirker betydningen. Resultatet bør vise hva materialet fastslår, og hva som fortsatt er en antakelse.\n\nFor skriving definerer du målgruppe, tone og fakta som må beholdes. For en revisjon navngir du avsnittet som skal endres, og betydningen som skal bevares. For en kodeoppgave gir du den relevante implementasjonen, den observerte feilen og den påkrevde oppførselen. En avgrenset leveranse er mer nyttig enn en vid instruks om å forbedre en uspesifisert materialsamling.\n\n### Resonneringsdybde og modus\n\nModellen støtter resonneringsinnsatsene none, low, medium, high, xhigh og max, med medium som standard. Innsatsen styrer analysedybden, mens standard- eller Pro-modus er et separat valg for kjøringen. Kravene til oppgavens endelige leveranse er viktige ved alle innstillinger: angi svarets språk, påkrevde felter og kriteriene for ferdigstillelse.\n\nOpenAI beskriver at tilgjengelig tidligere resonnering som standard tas med i påfølgende GPT-5.6-turer, med en kontekstkontroll for støttede arbeidsflyter. Dette kan støtte en videreført analyse, men beholdt materiale bruker fortsatt kontekstplass. Hold godkjente fakta og nye observasjoner adskilt fra foreløpige mellomkonklusjoner.\n\n### Grenser for inndata og utdata\n\nTerras publiserte kontekst er 1,050,000 tokener, med opptil 922,000 inngående tokener og opptil 128,000 utgående tokener. Kunnskapsgrensen er 16. februar 2026. Kilder, historikk, verktøyresultater, resonnering og det synlige svaret trenger plass sammen. Sett av rom til en fullstendig sluttleveranse, og undersøk ufullstendige svar før oppgaven regnes som ferdig.\n\nFor visuelt materiale bevarer du lesbar tekst, merking og den omkringliggende konteksten. Be svaret identifisere bildedetaljen som underbygger en konklusjon. Modellen behandler tekst og bilder til tekst; rendret medieinnhold eller utførte applikasjonshandlinger er andre resultater.\n\n### Verktøy og strukturerte leveranser\n\nProdusenten oppgir funksjonskall, Structured Outputs og strømming, i tillegg til nett- og filsøk, verktøy for bildegenerering, en kodetolk, skall- og patch-operasjoner, ferdigheter, datamaskinbruk, MCP-forbindelser og verktøysøk. Applikasjonen rundt modellen utfører de valgte operasjonene og returnerer observasjoner, slik at modellen kan fortsette.\n\nGi funksjoner presise formål og parameterskjemaer. For en strukturert post definerer du hvert felt og hvordan manglende kildebelegg skal representeres, og sammenligner deretter returnerte verdier med kilden. Et svar som følger formatet, beviser ikke i seg selv innhenting, utføring eller validering.\n\nEt nyttig sluttresultat er et utkast som kan gjennomgås, en kildesammenligning, et kodeforslag eller en datapost knyttet til oppgavens krav og observasjoner. Bruk Terras støttede resonneringsinnstillinger og grenser når oppgaven forberedes; Sol og GPT-6 har sine egne profiler.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7cd478ad756e2c5dcdb519d4f57d3ac3335c2c74a01f36baa4ecdb1e67d46c25", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "openai/gpt-5.6-terra:batchGPT-5.6 Terra er OpenAIs balanserte resonneringsmodell for analyse, utkast og assistanse i flere trinn. Den bruker tekst og bilder til å produsere forklaringer, kode eller strukturerte funn, med konfigurerbart resonneringsnivå og en produsentkontekst på 1050000 tokens.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-5.6 Terra er OpenAIs balanserte modell i GPT-5.6-familien. Produsenten knytter arbeidsbelastningsrollen til mini-nivået brukt i tidligere GPT-5-familier, mens Terra beholder sin egen navngitte profil. Den arbeider med tekst og bilder og returnerer tekst, for eksempel en forklaring, et utkast, et kodeforslag eller en strukturert analysepost.
Gi kildematerialet, spørsmålet og kriteriene for en konklusjon. En praktisk oppgavebeskrivelse er: «Sammenlign disse kravene med forslaget, identifiser hvert avvik og returner det støttende tekstutdraget, konsekvensen og det uavklarte spørsmålet.» Merk dokumentene, og bevar termer eller enheter som påvirker betydningen. Resultatet bør vise hva materialet fastslår, og hva som fortsatt er en antakelse.
For skriving definerer du målgruppe, tone og fakta som må beholdes. For en revisjon navngir du avsnittet som skal endres, og betydningen som skal bevares. For en kodeoppgave gir du den relevante implementasjonen, den observerte feilen og den påkrevde oppførselen. En avgrenset leveranse er mer nyttig enn en vid instruks om å forbedre en uspesifisert materialsamling.
Modellen støtter resonneringsinnsatsene none, low, medium, high, xhigh og max, med medium som standard. Innsatsen styrer analysedybden, mens standard- eller Pro-modus er et separat valg for kjøringen. Kravene til oppgavens endelige leveranse er viktige ved alle innstillinger: angi svarets språk, påkrevde felter og kriteriene for ferdigstillelse.
OpenAI beskriver at tilgjengelig tidligere resonnering som standard tas med i påfølgende GPT-5.6-turer, med en kontekstkontroll for støttede arbeidsflyter. Dette kan støtte en videreført analyse, men beholdt materiale bruker fortsatt kontekstplass. Hold godkjente fakta og nye observasjoner adskilt fra foreløpige mellomkonklusjoner.
Terras publiserte kontekst er 1,050,000 tokener, med opptil 922,000 inngående tokener og opptil 128,000 utgående tokener. Kunnskapsgrensen er 16. februar 2026. Kilder, historikk, verktøyresultater, resonnering og det synlige svaret trenger plass sammen. Sett av rom til en fullstendig sluttleveranse, og undersøk ufullstendige svar før oppgaven regnes som ferdig.
For visuelt materiale bevarer du lesbar tekst, merking og den omkringliggende konteksten. Be svaret identifisere bildedetaljen som underbygger en konklusjon. Modellen behandler tekst og bilder til tekst; rendret medieinnhold eller utførte applikasjonshandlinger er andre resultater.
Produsenten oppgir funksjonskall, Structured Outputs og strømming, i tillegg til nett- og filsøk, verktøy for bildegenerering, en kodetolk, skall- og patch-operasjoner, ferdigheter, datamaskinbruk, MCP-forbindelser og verktøysøk. Applikasjonen rundt modellen utfører de valgte operasjonene og returnerer observasjoner, slik at modellen kan fortsette.
Gi funksjoner presise formål og parameterskjemaer. For en strukturert post definerer du hvert felt og hvordan manglende kildebelegg skal representeres, og sammenligner deretter returnerte verdier med kilden. Et svar som følger formatet, beviser ikke i seg selv innhenting, utføring eller validering.
Et nyttig sluttresultat er et utkast som kan gjennomgås, en kildesammenligning, et kodeforslag eller en datapost knyttet til oppgavens krav og observasjoner. Bruk Terras støttede resonneringsinnstillinger og grenser når oppgaven forberedes; Sol og GPT-6 har sine egne profiler.
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-terra: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-terra:batch, openai/gpt-5.6-terra | 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 $0.002 / 1K tokener Utdata · Utgående tokener $0.012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 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 $0.002 / 1K tokener Utdata · Utgående tokener $0.012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 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 $0.004 / 1K tokener Utdata · Utgående tokener $0.018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-terra: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-terra:batch', 'openai/gpt-5.6-terra']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-terra: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-terra:batch
Bruk metodestiene som vises ovenfor.