GPT-6 Astra Pro betegner OpenAIs GPT-6 Astra med Pro-resonnering. Grunnmodellen Astra er utformet for krevende resonnering, koding, forskning, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid når sluttsvaret utvikles, mens resonneringsnivået styrer analysemengden innenfor valgt kjøringsmodus. Pro endrer kjøringsmodusen, mens GPT-6 Astra fortsatt er den underliggende modellen.
Produsentens Astra-lansering beskriver arbeidsflyter som gjør relevant materiale til dokumenter, regneark, presentasjoner og analyser. Den fremhever å følge maler og skriftlig eller visuell stil samtidig som konteksten som er viktig for oppgaven, velges ut. For et profesjonelt dokument gir du kildematerialet, malkravene og beslutningen leseren må ta. En eksempelforespørsel er å samordne to sett med prosjektkrav og lage en fremstilling som skiller avtalte fakta, motstridende dokumentasjon og betingelsene for en anbefaling.
For teknisk arbeid eller forskning angir du målet, dokumentasjonen som skal undersøkes og hva som vil regnes som fullføring. En kodeoppgave kan inkludere påkrevd oppførsel, tilhørende filer og begrensninger; en forskningsoppgave kan inkludere spørsmålet og kriteriene for vurdering av vedlagt materiale. Astras dokumenterte datamaskin- og nettleserfunksjoner knytter modellens beslutninger til et miljø som gir de tilsvarende verktøyene. Miljøets faktiske utdata er dokumentasjon for neste trinn, atskilt fra modellens foreslåtte handlinger.
OpenAIs GPT-6 Astra-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens, med en kunnskapsgrense på 30. april 2026. Resonneringsnivåene er low, medium, high, xhigh og max; none støttes ikke. Både resonneringstokens og det synlige resultatet bruker kontekstplass. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet; modus og nivå er fortsatt uavhengige innstillinger.
Grunnmodellen oppgir strømming, Structured Outputs, funksjonskall, nett- og filsøk, bildegenereringsverktøy, kodetolkning, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Funksjonskall bruker produsentens Responses-grensesnitt. GPT-6-veiledningen beskriver også asynkront verktøyarbeid og styring av en aktiv runde. Applikasjoner utfører sine egne operasjoner, håndterer ventende arbeid og returnerer informasjonen som oppstår; modellens egne utdata er fortsatt tekst selv når et separat verktøy lager et annet resultat.
Astra-lanseringen beskriver tilpasning til nye krav samtidig som det overordnede målet beholdes i sikte. Den skiller også defensiv kodegjennomgang og retting fra avansert utvikling av kode som utnytter sårbarheter, som modellen kan avvise, og beskriver automatiske kontroller som kan avbryte en oppgave. Bygg forespørselen rundt ønsket resultat, tillatt arbeid og dokumentasjon fremfor å behandle ekstra resonnering som en erstatning for manglende kildemateriale. Et nyttig sluttresultat angir konklusjonen eller endringsforslaget, grunnlaget i den vedlagte informasjonen og spørsmål som vil endre beslutningen vesentlig.
", "aboutText": "GPT-6 Astra Pro betegner OpenAIs GPT-6 Astra med Pro-resonnering. Grunnmodellen Astra er utformet for krevende resonnering, koding, forskning, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid når sluttsvaret utvikles, mens resonneringsnivået styrer analysemengden innenfor valgt kjøringsmodus. Pro endrer kjøringsmodusen, mens GPT-6 Astra fortsatt er den underliggende modellen.\n\nProdusentens Astra-lansering beskriver arbeidsflyter som gjør relevant materiale til dokumenter, regneark, presentasjoner og analyser. Den fremhever å følge maler og skriftlig eller visuell stil samtidig som konteksten som er viktig for oppgaven, velges ut. For et profesjonelt dokument gir du kildematerialet, malkravene og beslutningen leseren må ta. En eksempelforespørsel er å samordne to sett med prosjektkrav og lage en fremstilling som skiller avtalte fakta, motstridende dokumentasjon og betingelsene for en anbefaling.\n\nFor teknisk arbeid eller forskning angir du målet, dokumentasjonen som skal undersøkes og hva som vil regnes som fullføring. En kodeoppgave kan inkludere påkrevd oppførsel, tilhørende filer og begrensninger; en forskningsoppgave kan inkludere spørsmålet og kriteriene for vurdering av vedlagt materiale. Astras dokumenterte datamaskin- og nettleserfunksjoner knytter modellens beslutninger til et miljø som gir de tilsvarende verktøyene. Miljøets faktiske utdata er dokumentasjon for neste trinn, atskilt fra modellens foreslåtte handlinger.\n\nOpenAIs GPT-6 Astra-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens, med en kunnskapsgrense på 30. april 2026. Resonneringsnivåene er low, medium, high, xhigh og max; none støttes ikke. Både resonneringstokens og det synlige resultatet bruker kontekstplass. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet; modus og nivå er fortsatt uavhengige innstillinger.\n\nGrunnmodellen oppgir strømming, Structured Outputs, funksjonskall, nett- og filsøk, bildegenereringsverktøy, kodetolkning, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Funksjonskall bruker produsentens Responses-grensesnitt. GPT-6-veiledningen beskriver også asynkront verktøyarbeid og styring av en aktiv runde. Applikasjoner utfører sine egne operasjoner, håndterer ventende arbeid og returnerer informasjonen som oppstår; modellens egne utdata er fortsatt tekst selv når et separat verktøy lager et annet resultat.\n\nAstra-lanseringen beskriver tilpasning til nye krav samtidig som det overordnede målet beholdes i sikte. Den skiller også defensiv kodegjennomgang og retting fra avansert utvikling av kode som utnytter sårbarheter, som modellen kan avvise, og beskriver automatiske kontroller som kan avbryte en oppgave. Bygg forespørselen rundt ønsket resultat, tillatt arbeid og dokumentasjon fremfor å behandle ekstra resonnering som en erstatning for manglende kildemateriale. Et nyttig sluttresultat angir konklusjonen eller endringsforslaget, grunnlaget i den vedlagte informasjonen og spørsmål som vil endre beslutningen vesentlig.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile conflicting launch requirements\n\nWrite a decision brief using this template: Decision needed; Agreed facts; Conflict; Recommendation conditions. Product requirement P1 says launch must include CSV export. Security requirement S1 prohibits exporting customer email addresses. Current design D1 exports name and email only. Reconcile the requirements, propose a compliant export scope and list the decision still needed about useful fields.A brief under the four supplied headings, with P1, S1 and D1 references beside relevant findings.Check that the proposed scope preserves an export feature while excluding emails and does not invent an approved field list.openai/gpt-6-astra-proGPT-6 Astra med Pro-resonnering for krevende forskning, koding og profesjonelt arbeid. Pro legger til modellarbeid før sluttsvaret; grunnmodellen tar imot tekst og bilder og støtter arbeid i flere trinn i et miljø med tilkoblede verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-6 Astra Pro betegner OpenAIs GPT-6 Astra med Pro-resonnering. Grunnmodellen Astra er utformet for krevende resonnering, koding, forskning, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid når sluttsvaret utvikles, mens resonneringsnivået styrer analysemengden innenfor valgt kjøringsmodus. Pro endrer kjøringsmodusen, mens GPT-6 Astra fortsatt er den underliggende modellen.
Produsentens Astra-lansering beskriver arbeidsflyter som gjør relevant materiale til dokumenter, regneark, presentasjoner og analyser. Den fremhever å følge maler og skriftlig eller visuell stil samtidig som konteksten som er viktig for oppgaven, velges ut. For et profesjonelt dokument gir du kildematerialet, malkravene og beslutningen leseren må ta. En eksempelforespørsel er å samordne to sett med prosjektkrav og lage en fremstilling som skiller avtalte fakta, motstridende dokumentasjon og betingelsene for en anbefaling.
For teknisk arbeid eller forskning angir du målet, dokumentasjonen som skal undersøkes og hva som vil regnes som fullføring. En kodeoppgave kan inkludere påkrevd oppførsel, tilhørende filer og begrensninger; en forskningsoppgave kan inkludere spørsmålet og kriteriene for vurdering av vedlagt materiale. Astras dokumenterte datamaskin- og nettleserfunksjoner knytter modellens beslutninger til et miljø som gir de tilsvarende verktøyene. Miljøets faktiske utdata er dokumentasjon for neste trinn, atskilt fra modellens foreslåtte handlinger.
OpenAIs GPT-6 Astra-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens, med en kunnskapsgrense på 30. april 2026. Resonneringsnivåene er low, medium, high, xhigh og max; none støttes ikke. Både resonneringstokens og det synlige resultatet bruker kontekstplass. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet; modus og nivå er fortsatt uavhengige innstillinger.
Grunnmodellen oppgir strømming, Structured Outputs, funksjonskall, nett- og filsøk, bildegenereringsverktøy, kodetolkning, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Funksjonskall bruker produsentens Responses-grensesnitt. GPT-6-veiledningen beskriver også asynkront verktøyarbeid og styring av en aktiv runde. Applikasjoner utfører sine egne operasjoner, håndterer ventende arbeid og returnerer informasjonen som oppstår; modellens egne utdata er fortsatt tekst selv når et separat verktøy lager et annet resultat.
Astra-lanseringen beskriver tilpasning til nye krav samtidig som det overordnede målet beholdes i sikte. Den skiller også defensiv kodegjennomgang og retting fra avansert utvikling av kode som utnytter sårbarheter, som modellen kan avvise, og beskriver automatiske kontroller som kan avbryte en oppgave. Bygg forespørselen rundt ønsket resultat, tillatt arbeid og dokumentasjon fremfor å behandle ekstra resonnering som en erstatning for manglende kildemateriale. Et nyttig sluttresultat angir konklusjonen eller endringsforslaget, grunnlaget i den vedlagte informasjonen og spørsmål som vil endre beslutningen vesentlig.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-6-astra-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 $0.02 / 1K tokener Utdata · Utgående tokener $0.1 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 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 $0.02 / 1K tokener Utdata · Utgående tokener $0.1 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 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 $0.04 / 1K tokener Utdata · Utgående tokener $0.15 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.05 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-astra-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-astra-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-astra-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-astra-pro
Bruk metodestiene som vises ovenfor.
openai/gpt-6-astra-proGPT-6 Astra med Pro-resonnering for krevende forskning, koding og profesjonelt arbeid. Pro legger til modellarbeid før sluttsvaret; grunnmodellen tar imot tekst og bilder og støtter arbeid i flere trinn i et miljø med tilkoblede verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-6 Astra Pro betegner OpenAIs GPT-6 Astra med Pro-resonnering. Grunnmodellen Astra er utformet for krevende resonnering, koding, forskning, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid når sluttsvaret utvikles, mens resonneringsnivået styrer analysemengden innenfor valgt kjøringsmodus. Pro endrer kjøringsmodusen, mens GPT-6 Astra fortsatt er den underliggende modellen.
Produsentens Astra-lansering beskriver arbeidsflyter som gjør relevant materiale til dokumenter, regneark, presentasjoner og analyser. Den fremhever å følge maler og skriftlig eller visuell stil samtidig som konteksten som er viktig for oppgaven, velges ut. For et profesjonelt dokument gir du kildematerialet, malkravene og beslutningen leseren må ta. En eksempelforespørsel er å samordne to sett med prosjektkrav og lage en fremstilling som skiller avtalte fakta, motstridende dokumentasjon og betingelsene for en anbefaling.
For teknisk arbeid eller forskning angir du målet, dokumentasjonen som skal undersøkes og hva som vil regnes som fullføring. En kodeoppgave kan inkludere påkrevd oppførsel, tilhørende filer og begrensninger; en forskningsoppgave kan inkludere spørsmålet og kriteriene for vurdering av vedlagt materiale. Astras dokumenterte datamaskin- og nettleserfunksjoner knytter modellens beslutninger til et miljø som gir de tilsvarende verktøyene. Miljøets faktiske utdata er dokumentasjon for neste trinn, atskilt fra modellens foreslåtte handlinger.
OpenAIs GPT-6 Astra-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens, med en kunnskapsgrense på 30. april 2026. Resonneringsnivåene er low, medium, high, xhigh og max; none støttes ikke. Både resonneringstokens og det synlige resultatet bruker kontekstplass. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet; modus og nivå er fortsatt uavhengige innstillinger.
Grunnmodellen oppgir strømming, Structured Outputs, funksjonskall, nett- og filsøk, bildegenereringsverktøy, kodetolkning, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Funksjonskall bruker produsentens Responses-grensesnitt. GPT-6-veiledningen beskriver også asynkront verktøyarbeid og styring av en aktiv runde. Applikasjoner utfører sine egne operasjoner, håndterer ventende arbeid og returnerer informasjonen som oppstår; modellens egne utdata er fortsatt tekst selv når et separat verktøy lager et annet resultat.
Astra-lanseringen beskriver tilpasning til nye krav samtidig som det overordnede målet beholdes i sikte. Den skiller også defensiv kodegjennomgang og retting fra avansert utvikling av kode som utnytter sårbarheter, som modellen kan avvise, og beskriver automatiske kontroller som kan avbryte en oppgave. Bygg forespørselen rundt ønsket resultat, tillatt arbeid og dokumentasjon fremfor å behandle ekstra resonnering som en erstatning for manglende kildemateriale. Et nyttig sluttresultat angir konklusjonen eller endringsforslaget, grunnlaget i den vedlagte informasjonen og spørsmål som vil endre beslutningen vesentlig.
POST /v1/messagestexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-6-astra-pro | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser Minimum: 1 Grensen gjelder for: den eksakte øvre grensen for valgt modell/kort | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].name | Typestring | KravValgfritt | Verdier & grenser Gjelder når: verktøy oppgitt | Standard— |
Felttools[].description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.type | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmetadata | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltcache_control | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller type=text-blokk
Tekst + bilde
{type:image,source:{type:base64,media_type,data}} eller en kilde med type=url
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: exact retained published method
Send den eksakte modell-ID-en og de påkrevde feltene.
Behold hvert returnert element og de opprinnelige identifikatorene.
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 $0.02 / 1K tokener Utdata · Utgående tokener $0.1 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 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 $0.02 / 1K tokener Utdata · Utgående tokener $0.1 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 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 $0.04 / 1K tokener Utdata · Utgående tokener $0.15 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.05 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-6-astra-pro",\n "max_tokens": 4096,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ]\n}set -eu\n: "${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-astra-pro', 'max_tokens': 4096, '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-astra-pro', 'max_tokens': 4096, '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-astra-pro
Bruk metodestiene som vises ovenfor.
openai/gpt-6-astra-proGPT-6 Astra med Pro-resonnering for krevende forskning, koding og profesjonelt arbeid. Pro legger til modellarbeid før sluttsvaret; grunnmodellen tar imot tekst og bilder og støtter arbeid i flere trinn i et miljø med tilkoblede verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-6 Astra Pro betegner OpenAIs GPT-6 Astra med Pro-resonnering. Grunnmodellen Astra er utformet for krevende resonnering, koding, forskning, datamaskinbruk og profesjonelt arbeid. Den tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid når sluttsvaret utvikles, mens resonneringsnivået styrer analysemengden innenfor valgt kjøringsmodus. Pro endrer kjøringsmodusen, mens GPT-6 Astra fortsatt er den underliggende modellen.
Produsentens Astra-lansering beskriver arbeidsflyter som gjør relevant materiale til dokumenter, regneark, presentasjoner og analyser. Den fremhever å følge maler og skriftlig eller visuell stil samtidig som konteksten som er viktig for oppgaven, velges ut. For et profesjonelt dokument gir du kildematerialet, malkravene og beslutningen leseren må ta. En eksempelforespørsel er å samordne to sett med prosjektkrav og lage en fremstilling som skiller avtalte fakta, motstridende dokumentasjon og betingelsene for en anbefaling.
For teknisk arbeid eller forskning angir du målet, dokumentasjonen som skal undersøkes og hva som vil regnes som fullføring. En kodeoppgave kan inkludere påkrevd oppførsel, tilhørende filer og begrensninger; en forskningsoppgave kan inkludere spørsmålet og kriteriene for vurdering av vedlagt materiale. Astras dokumenterte datamaskin- og nettleserfunksjoner knytter modellens beslutninger til et miljø som gir de tilsvarende verktøyene. Miljøets faktiske utdata er dokumentasjon for neste trinn, atskilt fra modellens foreslåtte handlinger.
OpenAIs GPT-6 Astra-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens, med en kunnskapsgrense på 30. april 2026. Resonneringsnivåene er low, medium, high, xhigh og max; none støttes ikke. Både resonneringstokens og det synlige resultatet bruker kontekstplass. OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet; modus og nivå er fortsatt uavhengige innstillinger.
Grunnmodellen oppgir strømming, Structured Outputs, funksjonskall, nett- og filsøk, bildegenereringsverktøy, kodetolkning, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk. Funksjonskall bruker produsentens Responses-grensesnitt. GPT-6-veiledningen beskriver også asynkront verktøyarbeid og styring av en aktiv runde. Applikasjoner utfører sine egne operasjoner, håndterer ventende arbeid og returnerer informasjonen som oppstår; modellens egne utdata er fortsatt tekst selv når et separat verktøy lager et annet resultat.
Astra-lanseringen beskriver tilpasning til nye krav samtidig som det overordnede målet beholdes i sikte. Den skiller også defensiv kodegjennomgang og retting fra avansert utvikling av kode som utnytter sårbarheter, som modellen kan avvise, og beskriver automatiske kontroller som kan avbryte en oppgave. Bygg forespørselen rundt ønsket resultat, tillatt arbeid og dokumentasjon fremfor å behandle ekstra resonnering som en erstatning for manglende kildemateriale. Et nyttig sluttresultat angir konklusjonen eller endringsforslaget, grunnlaget i den vedlagte informasjonen og spørsmål som vil endre beslutningen vesentlig.
POST /v1/responsestexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-6-astra-pro | Standard— |
Feltinput | Typestring|input_item[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].type | Typestring | KravValgfritt | Verdier & grenser message, reasoning, function_call, function_call_output | Standard— |
Feltinput[].content | Typestring|content_part[] | KravValgfritt | Verdier & grenser | Standard— |
Feltinput[].call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: function_call_output; behold faktisk returnert call_id | Standard— |
Feltinput[].output | Typestring|content_part[] | KravValgfritt | Verdier & grenser Gjelder når: function_call_output | Standard— |
Feltmax_output_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typetool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning.summary | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttext.verbosity | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinclude | Typestring[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstore | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprevious_response_id | Typestring | KravStøttes ikke | Verdier & grenser ID-krav: Bare en faktisk svar-ID fra en støttet videreføring Vilkår: Send den faktiske samtalehistorikken med hver forespørsel. | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_key | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Tekst · UTF8-tekst
inputtekst eller input_text-del
Tekst + bilde
{type:input_image,image_url}
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalemodel, input |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: exact retained published method
Send den eksakte modell-ID-en og de påkrevde feltene.
Behold hvert returnert element og de opprinnelige identifikatorene.
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 $0.02 / 1K tokener Utdata · Utgående tokener $0.1 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 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 $0.02 / 1K tokener Utdata · Utgående tokener $0.1 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.025 / 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 $0.04 / 1K tokener Utdata · Utgående tokener $0.15 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.004 / 1K tokener Inndata · Skriving til hurtigbuffer $0.05 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-6-astra-pro",\n "input": [\n {\n "content": "Hello, how are you?",\n "role": "user",\n "type": "message"\n }\n ]\n}set -eu\n: "${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-astra-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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/responses \\\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\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-astra-pro', 'input': [{'content': 'Hello, how are you?', 'role': 'user', 'type': 'message'}]}\npayload['input'][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 = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/responses', 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 hvert outputelement og hver innholdsdel, faktisk call_id for funksjonen, kryptert resonnering og bruksdata. Ved strømming beholder du fullstendig hendelses-/elementidentitet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltstatus | Typestring |
Feltoutput[] | Typemessage|reasoning|function_call|other item |
Feltoutput[].content[] | Typecontent part |
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-astra-pro
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reconcile conflicting launch requirements\n\nWrite a decision brief using this template: Decision needed; Agreed facts; Conflict; Recommendation conditions. Product requirement P1 says launch must include CSV export. Security requirement S1 prohibits exporting customer email addresses. Current design D1 exports name and email only. Reconcile the requirements, propose a compliant export scope and list the decision still needed about useful fields.A brief under the four supplied headings, with P1, S1 and D1 references beside relevant findings.Check that the proposed scope preserves an export feature while excluding emails and does not invent an approved field list.