GPT-6.1 Sol Pro betegner OpenAIs GPT-6.1 Sol med Pro-resonnering. Grunnmodellen er utformet for kompleks koding, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret; det beskriver hvordan den valgte modellen arbeider med forespørselen, mens resonneringsnivået styrer mengden resonnering innenfor denne modusen. Dette skillet holder identiteten til GPT-6.1 Sol atskilt fra Pro-kjøringsinnstillingen.
For en krevende teknisk oppgave oppgir du påkrevd oppførsel, relevante filer eller kodeutdrag og begrensningene endringen må bevare. En eksempelforespørsel er å undersøke to mulige implementasjoner, angi avhengighetene hver påvirker og lage et endringsforslag med en kort forklaring av avveiningene. For profesjonell analyse legger du ved dokumentene, beslutningen som skal tas og kriteriene for å sammenligne alternativer. Hvis et bilde inneholder viktig dokumentasjon, angir du grensesnittelementet, diagrammet eller detaljen svaret skal behandle.
OpenAI oppgir et kontekstvindu på 1050000 tokens for grunnmodellen, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 30. april 2026. Resonnering bruker også tokenplass, så lange inndata og et langt synlig svar trenger rom for modellens analyse. Klargjør det relevante materialet med tydelig merking og definisjoner, og angi resultatet: en kodeendring, et beslutningsnotat, en prosedyre eller et strukturert sett med funn.
Grunnmodellens dokumenterte resonneringsnivåer er low, medium, high, xhigh og max; medium er standard. Den støtter ikke none eller minimal. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6.1 Sol bruker verktøykall Responses; produsentens Chat Completions-grensesnitt godtar forespørsler uten verktøy. Disse skillene er viktige når du utformer en arbeidsflyt rundt modellen, fremfor å behandle alle grensesnitt og resonneringsinnstillinger som utskiftbare.
Produsenten oppgir strømming, Structured Outputs og funksjonskall, sammen med nett- og filsøk, bildegenereringsverktøy, en kodetolker, skall- og patchverktøy, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Grunnmodellens utdata er fortsatt tekst; bildegenerering gjennom et verktøy er en separat operasjon. En applikasjon definerer de tilgjengelige verktøyene, utfører sine egne operasjoner og returnerer resultatene, slik at modellen kan fortsette. GPT-6-dokumentasjonen beskriver også asynkront verktøyarbeid, styring av en aktiv runde, bevaring av resonnering mellom kall og komprimering av en lang samtale.
Gi modellen et tydelig fullføringskriterium og dokumentasjonen den skal bruke til å kontrollere resultatet. I en kodegjennomgang ber du om den berørte oppførselen og en konkret forklaring av hvert viktig problem. I en dokumentbasert beslutning ber du om de vedlagte faktaene, den valgte tilnærmingen og betingelsene konklusjonen avhenger av. Et nyttig sluttresultat gjør beslutningen og grunnlaget tydelig, slik at neste person eller applikasjonstrinn kan handle ut fra et konkret resultat.
", "aboutText": "GPT-6.1 Sol Pro betegner OpenAIs GPT-6.1 Sol med Pro-resonnering. Grunnmodellen er utformet for kompleks koding, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret; det beskriver hvordan den valgte modellen arbeider med forespørselen, mens resonneringsnivået styrer mengden resonnering innenfor denne modusen. Dette skillet holder identiteten til GPT-6.1 Sol atskilt fra Pro-kjøringsinnstillingen.\n\nFor en krevende teknisk oppgave oppgir du påkrevd oppførsel, relevante filer eller kodeutdrag og begrensningene endringen må bevare. En eksempelforespørsel er å undersøke to mulige implementasjoner, angi avhengighetene hver påvirker og lage et endringsforslag med en kort forklaring av avveiningene. For profesjonell analyse legger du ved dokumentene, beslutningen som skal tas og kriteriene for å sammenligne alternativer. Hvis et bilde inneholder viktig dokumentasjon, angir du grensesnittelementet, diagrammet eller detaljen svaret skal behandle.\n\nOpenAI oppgir et kontekstvindu på 1050000 tokens for grunnmodellen, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 30. april 2026. Resonnering bruker også tokenplass, så lange inndata og et langt synlig svar trenger rom for modellens analyse. Klargjør det relevante materialet med tydelig merking og definisjoner, og angi resultatet: en kodeendring, et beslutningsnotat, en prosedyre eller et strukturert sett med funn.\n\nGrunnmodellens dokumenterte resonneringsnivåer er low, medium, high, xhigh og max; medium er standard. Den støtter ikke none eller minimal. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6.1 Sol bruker verktøykall Responses; produsentens Chat Completions-grensesnitt godtar forespørsler uten verktøy. Disse skillene er viktige når du utformer en arbeidsflyt rundt modellen, fremfor å behandle alle grensesnitt og resonneringsinnstillinger som utskiftbare.\n\nProdusenten oppgir strømming, Structured Outputs og funksjonskall, sammen med nett- og filsøk, bildegenereringsverktøy, en kodetolker, skall- og patchverktøy, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Grunnmodellens utdata er fortsatt tekst; bildegenerering gjennom et verktøy er en separat operasjon. En applikasjon definerer de tilgjengelige verktøyene, utfører sine egne operasjoner og returnerer resultatene, slik at modellen kan fortsette. GPT-6-dokumentasjonen beskriver også asynkront verktøyarbeid, styring av en aktiv runde, bevaring av resonnering mellom kall og komprimering av en lang samtale.\n\nGi modellen et tydelig fullføringskriterium og dokumentasjonen den skal bruke til å kontrollere resultatet. I en kodegjennomgang ber du om den berørte oppførselen og en konkret forklaring av hvert viktig problem. I en dokumentbasert beslutning ber du om de vedlagte faktaene, den valgte tilnærmingen og betingelsene konklusjonen avhenger av. Et nyttig sluttresultat gjør beslutningen og grunnlaget tydelig, slik at neste person eller applikasjonstrinn kan handle ut fra et konkret resultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare duplicate-prevention designs\n\nCompare two job designs using these supplied facts. A records completion after a remote send. B records 'started' before the send and skips all started jobs. The process may crash before or after the send, and the receiver supports an idempotency key. Propose a recoverable design, explain the failure windows and give scenario checks without performing any sends.A design comparison, proposed state transitions and crash-window checks using the stated receiver capability.Check the proposal handles both unsent started jobs and sends completed before local recording.openai/gpt-6.1-sol-proGPT-6.1 Sol med Pro-resonnering for kompleks koding, datamaskinbruk og profesjonell analyse. Pro legger til modellarbeid før sluttsvaret, mens den underliggende modellen håndterer tekst og bilder og produserer tekst.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-6.1 Sol Pro betegner OpenAIs GPT-6.1 Sol med Pro-resonnering. Grunnmodellen er utformet for kompleks koding, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret; det beskriver hvordan den valgte modellen arbeider med forespørselen, mens resonneringsnivået styrer mengden resonnering innenfor denne modusen. Dette skillet holder identiteten til GPT-6.1 Sol atskilt fra Pro-kjøringsinnstillingen.
For en krevende teknisk oppgave oppgir du påkrevd oppførsel, relevante filer eller kodeutdrag og begrensningene endringen må bevare. En eksempelforespørsel er å undersøke to mulige implementasjoner, angi avhengighetene hver påvirker og lage et endringsforslag med en kort forklaring av avveiningene. For profesjonell analyse legger du ved dokumentene, beslutningen som skal tas og kriteriene for å sammenligne alternativer. Hvis et bilde inneholder viktig dokumentasjon, angir du grensesnittelementet, diagrammet eller detaljen svaret skal behandle.
OpenAI oppgir et kontekstvindu på 1050000 tokens for grunnmodellen, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 30. april 2026. Resonnering bruker også tokenplass, så lange inndata og et langt synlig svar trenger rom for modellens analyse. Klargjør det relevante materialet med tydelig merking og definisjoner, og angi resultatet: en kodeendring, et beslutningsnotat, en prosedyre eller et strukturert sett med funn.
Grunnmodellens dokumenterte resonneringsnivåer er low, medium, high, xhigh og max; medium er standard. Den støtter ikke none eller minimal. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6.1 Sol bruker verktøykall Responses; produsentens Chat Completions-grensesnitt godtar forespørsler uten verktøy. Disse skillene er viktige når du utformer en arbeidsflyt rundt modellen, fremfor å behandle alle grensesnitt og resonneringsinnstillinger som utskiftbare.
Produsenten oppgir strømming, Structured Outputs og funksjonskall, sammen med nett- og filsøk, bildegenereringsverktøy, en kodetolker, skall- og patchverktøy, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Grunnmodellens utdata er fortsatt tekst; bildegenerering gjennom et verktøy er en separat operasjon. En applikasjon definerer de tilgjengelige verktøyene, utfører sine egne operasjoner og returnerer resultatene, slik at modellen kan fortsette. GPT-6-dokumentasjonen beskriver også asynkront verktøyarbeid, styring av en aktiv runde, bevaring av resonnering mellom kall og komprimering av en lang samtale.
Gi modellen et tydelig fullføringskriterium og dokumentasjonen den skal bruke til å kontrollere resultatet. I en kodegjennomgang ber du om den berørte oppførselen og en konkret forklaring av hvert viktig problem. I en dokumentbasert beslutning ber du om de vedlagte faktaene, den valgte tilnærmingen og betingelsene konklusjonen avhenger av. Et nyttig sluttresultat gjør beslutningen og grunnlaget tydelig, slik at neste person eller applikasjonstrinn kan handle ut fra et konkret resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-6.1-sol-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 $0.004 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.005 / 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 $0.004 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.005 / 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 $0.008 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.01 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-6.1-sol-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-6.1-sol-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-6.1-sol-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 openai/gpt-6.1-sol-pro
Bruk metodestiene som vises ovenfor.
openai/gpt-6.1-sol-proGPT-6.1 Sol med Pro-resonnering for kompleks koding, datamaskinbruk og profesjonell analyse. Pro legger til modellarbeid før sluttsvaret, mens den underliggende modellen håndterer tekst og bilder og produserer tekst.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-6.1 Sol Pro betegner OpenAIs GPT-6.1 Sol med Pro-resonnering. Grunnmodellen er utformet for kompleks koding, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret; det beskriver hvordan den valgte modellen arbeider med forespørselen, mens resonneringsnivået styrer mengden resonnering innenfor denne modusen. Dette skillet holder identiteten til GPT-6.1 Sol atskilt fra Pro-kjøringsinnstillingen.
For en krevende teknisk oppgave oppgir du påkrevd oppførsel, relevante filer eller kodeutdrag og begrensningene endringen må bevare. En eksempelforespørsel er å undersøke to mulige implementasjoner, angi avhengighetene hver påvirker og lage et endringsforslag med en kort forklaring av avveiningene. For profesjonell analyse legger du ved dokumentene, beslutningen som skal tas og kriteriene for å sammenligne alternativer. Hvis et bilde inneholder viktig dokumentasjon, angir du grensesnittelementet, diagrammet eller detaljen svaret skal behandle.
OpenAI oppgir et kontekstvindu på 1050000 tokens for grunnmodellen, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 30. april 2026. Resonnering bruker også tokenplass, så lange inndata og et langt synlig svar trenger rom for modellens analyse. Klargjør det relevante materialet med tydelig merking og definisjoner, og angi resultatet: en kodeendring, et beslutningsnotat, en prosedyre eller et strukturert sett med funn.
Grunnmodellens dokumenterte resonneringsnivåer er low, medium, high, xhigh og max; medium er standard. Den støtter ikke none eller minimal. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6.1 Sol bruker verktøykall Responses; produsentens Chat Completions-grensesnitt godtar forespørsler uten verktøy. Disse skillene er viktige når du utformer en arbeidsflyt rundt modellen, fremfor å behandle alle grensesnitt og resonneringsinnstillinger som utskiftbare.
Produsenten oppgir strømming, Structured Outputs og funksjonskall, sammen med nett- og filsøk, bildegenereringsverktøy, en kodetolker, skall- og patchverktøy, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Grunnmodellens utdata er fortsatt tekst; bildegenerering gjennom et verktøy er en separat operasjon. En applikasjon definerer de tilgjengelige verktøyene, utfører sine egne operasjoner og returnerer resultatene, slik at modellen kan fortsette. GPT-6-dokumentasjonen beskriver også asynkront verktøyarbeid, styring av en aktiv runde, bevaring av resonnering mellom kall og komprimering av en lang samtale.
Gi modellen et tydelig fullføringskriterium og dokumentasjonen den skal bruke til å kontrollere resultatet. I en kodegjennomgang ber du om den berørte oppførselen og en konkret forklaring av hvert viktig problem. I en dokumentbasert beslutning ber du om de vedlagte faktaene, den valgte tilnærmingen og betingelsene konklusjonen avhenger av. Et nyttig sluttresultat gjør beslutningen og grunnlaget tydelig, slik at neste person eller applikasjonstrinn kan handle ut fra et konkret resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-6.1-sol-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 $0.004 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.005 / 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 $0.004 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.005 / 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 $0.008 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.01 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-6.1-sol-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-6.1-sol-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-6.1-sol-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 openai/gpt-6.1-sol-pro
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare duplicate-prevention designs\n\nCompare two job designs using these supplied facts. A records completion after a remote send. B records 'started' before the send and skips all started jobs. The process may crash before or after the send, and the receiver supports an idempotency key. Propose a recoverable design, explain the failure windows and give scenario checks without performing any sends.A design comparison, proposed state transitions and crash-window checks using the stated receiver capability.Check the proposal handles both unsent started jobs and sends completed before local recording.