GPT-6 Sol Pro betegner OpenAIs GPT-6 Sol med Pro-resonnering. Grunnmodellen Sol er bygd for kompleks koding og agentarbeidsflyter, tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret. Dette er atskilt fra resonneringsnivået, som styrer hvor mye analyse modellen bruker innenfor valgt kjøringsmodus. GPT-6 Sol er fortsatt grunnutgaven for dette kortet, atskilt fra GPT-6.1 Sol.
For en utviklingsoppgave beskriver du oppførselen som skal implementeres, og legger ved relevante kildefiler, eksempler på inndata og begrensningene endringen må respektere. En eksempelforespørsel er å spore hvordan inndata fører til et resultat, angi avhengighetene som er involvert og foreslå en endring som bevarer påkrevd oppførsel. For en gjennomgang tar du med ønsket oppførsel og koden som skal undersøkes, og ber deretter om konkrete problemer med en forklaring av hvordan hvert problem påvirker oppførselen.
Agentarbeid knytter flere beslutninger sammen gjennom dokumentasjon fra arbeidsmiljøet. Et verktøy kan hente en fil, kjøre en beregning eller returnere resultatet av en kontroll; resultatet blir materiale for neste beslutning. OpenAI oppgir nett- og filsøk, bildegenereringsverktøy, en kodetolker, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk for grunnmodellen. Den støtter også funksjonskall, Structured Outputs, strømming og mellomlagring av ledetekster. Applikasjoner kontrollerer de tilgjengelige operasjonene og returnerer faktiske verktøyresultater; modellgenerert handlingstekst alene er ikke bevis på at en operasjon er fullført.
Produsentens GPT-6 Sol-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 20. april 2026. Grunnmodellens resonneringsnivåer er none, low, medium, high, xhigh og max, med medium som standard. Konteksten må romme oppgaven, relevante verktøyresultater og resonnering, i tillegg til det synlige svaret. Hold definisjoner og fullføringskriterier nær materialet de styrer, særlig i en lang teknisk forespørsel.
OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6 Sol bruker innebygde verktøy og resonnering med funksjonskall Responses. I produsentens Chat Completions-grensesnitt støttes funksjonskall bare når resonneringsnivået er none. GPT-6-veiledningen beskriver også asynkront verktøyarbeid, styring av en aktiv runde og bevaring av resonnering mellom kall. Dette er arbeidsflytfunksjoner med egne grensesnittkrav.
Angi et konkret sluttresultat og hvordan det skal kontrolleres. Du kan be om en foreslått kodeendring, oppførselen den endrer og dokumentasjonen som trengs for å kontrollere det, eller en sammenligning av implementasjonsvalg knyttet til de vedlagte begrensningene. Hvis et bilde gir grensesnittkontekst, angir du hvilken visuell detalj som er viktig. Sluttsvaret bør knytte de viktige valgene til det tekniske målet og skille en foreslått handling fra et resultat som allerede er oppnådd.
", "aboutText": "GPT-6 Sol Pro betegner OpenAIs GPT-6 Sol med Pro-resonnering. Grunnmodellen Sol er bygd for kompleks koding og agentarbeidsflyter, tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret. Dette er atskilt fra resonneringsnivået, som styrer hvor mye analyse modellen bruker innenfor valgt kjøringsmodus. GPT-6 Sol er fortsatt grunnutgaven for dette kortet, atskilt fra GPT-6.1 Sol.\n\nFor en utviklingsoppgave beskriver du oppførselen som skal implementeres, og legger ved relevante kildefiler, eksempler på inndata og begrensningene endringen må respektere. En eksempelforespørsel er å spore hvordan inndata fører til et resultat, angi avhengighetene som er involvert og foreslå en endring som bevarer påkrevd oppførsel. For en gjennomgang tar du med ønsket oppførsel og koden som skal undersøkes, og ber deretter om konkrete problemer med en forklaring av hvordan hvert problem påvirker oppførselen.\n\nAgentarbeid knytter flere beslutninger sammen gjennom dokumentasjon fra arbeidsmiljøet. Et verktøy kan hente en fil, kjøre en beregning eller returnere resultatet av en kontroll; resultatet blir materiale for neste beslutning. OpenAI oppgir nett- og filsøk, bildegenereringsverktøy, en kodetolker, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk for grunnmodellen. Den støtter også funksjonskall, Structured Outputs, strømming og mellomlagring av ledetekster. Applikasjoner kontrollerer de tilgjengelige operasjonene og returnerer faktiske verktøyresultater; modellgenerert handlingstekst alene er ikke bevis på at en operasjon er fullført.\n\nProdusentens GPT-6 Sol-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 20. april 2026. Grunnmodellens resonneringsnivåer er none, low, medium, high, xhigh og max, med medium som standard. Konteksten må romme oppgaven, relevante verktøyresultater og resonnering, i tillegg til det synlige svaret. Hold definisjoner og fullføringskriterier nær materialet de styrer, særlig i en lang teknisk forespørsel.\n\nOpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6 Sol bruker innebygde verktøy og resonnering med funksjonskall Responses. I produsentens Chat Completions-grensesnitt støttes funksjonskall bare når resonneringsnivået er none. GPT-6-veiledningen beskriver også asynkront verktøyarbeid, styring av en aktiv runde og bevaring av resonnering mellom kall. Dette er arbeidsflytfunksjoner med egne grensesnittkrav.\n\nAngi et konkret sluttresultat og hvordan det skal kontrolleres. Du kan be om en foreslått kodeendring, oppførselen den endrer og dokumentasjonen som trengs for å kontrollere det, eller en sammenligning av implementasjonsvalg knyttet til de vedlagte begrensningene. Hvis et bilde gir grensesnittkontekst, angir du hvilken visuell detalj som er viktig. Sluttsvaret bør knytte de viktige valgene til det tekniske målet og skille en foreslått handling fra et resultat som allerede er oppnådd.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review a cache invalidation contract\n\nReview this design: reads cache user profiles for one hour; updates write the database but never evict the cache; the API promises that a successful update is visible to the next read. Identify the contract violation and compare evict-after-commit with versioned cache keys. Recommend one approach and specify the failure-path tests needed.A focused design review with a comparison, recommendation and tests for update and cache failure paths.The recommendation addresses the next-read promise and explains the remaining race or failure condition.openai/gpt-6-sol-proGPT-6 Sol med Pro-resonnering for kompleks koding og agentarbeid. Legg ved kode, krav og relevant dokumentasjon for å be om et implementasjonsforslag, en fokusert gjennomgang eller en forklaring av en løsning med flere trinn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-6 Sol Pro betegner OpenAIs GPT-6 Sol med Pro-resonnering. Grunnmodellen Sol er bygd for kompleks koding og agentarbeidsflyter, tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret. Dette er atskilt fra resonneringsnivået, som styrer hvor mye analyse modellen bruker innenfor valgt kjøringsmodus. GPT-6 Sol er fortsatt grunnutgaven for dette kortet, atskilt fra GPT-6.1 Sol.
For en utviklingsoppgave beskriver du oppførselen som skal implementeres, og legger ved relevante kildefiler, eksempler på inndata og begrensningene endringen må respektere. En eksempelforespørsel er å spore hvordan inndata fører til et resultat, angi avhengighetene som er involvert og foreslå en endring som bevarer påkrevd oppførsel. For en gjennomgang tar du med ønsket oppførsel og koden som skal undersøkes, og ber deretter om konkrete problemer med en forklaring av hvordan hvert problem påvirker oppførselen.
Agentarbeid knytter flere beslutninger sammen gjennom dokumentasjon fra arbeidsmiljøet. Et verktøy kan hente en fil, kjøre en beregning eller returnere resultatet av en kontroll; resultatet blir materiale for neste beslutning. OpenAI oppgir nett- og filsøk, bildegenereringsverktøy, en kodetolker, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk for grunnmodellen. Den støtter også funksjonskall, Structured Outputs, strømming og mellomlagring av ledetekster. Applikasjoner kontrollerer de tilgjengelige operasjonene og returnerer faktiske verktøyresultater; modellgenerert handlingstekst alene er ikke bevis på at en operasjon er fullført.
Produsentens GPT-6 Sol-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 20. april 2026. Grunnmodellens resonneringsnivåer er none, low, medium, high, xhigh og max, med medium som standard. Konteksten må romme oppgaven, relevante verktøyresultater og resonnering, i tillegg til det synlige svaret. Hold definisjoner og fullføringskriterier nær materialet de styrer, særlig i en lang teknisk forespørsel.
OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6 Sol bruker innebygde verktøy og resonnering med funksjonskall Responses. I produsentens Chat Completions-grensesnitt støttes funksjonskall bare når resonneringsnivået er none. GPT-6-veiledningen beskriver også asynkront verktøyarbeid, styring av en aktiv runde og bevaring av resonnering mellom kall. Dette er arbeidsflytfunksjoner med egne grensesnittkrav.
Angi et konkret sluttresultat og hvordan det skal kontrolleres. Du kan be om en foreslått kodeendring, oppførselen den endrer og dokumentasjonen som trengs for å kontrollere det, eller en sammenligning av implementasjonsvalg knyttet til de vedlagte begrensningene. Hvis et bilde gir grensesnittkontekst, angir du hvilken visuell detalj som er viktig. Sluttsvaret bør knytte de viktige valgene til det tekniske målet og skille en foreslått handling fra et resultat som allerede er oppnådd.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-6-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 $0.0004 / 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 $0.0004 / 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 $0.0008 / 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-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-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-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-sol-pro
Bruk metodestiene som vises ovenfor.
openai/gpt-6-sol-proGPT-6 Sol med Pro-resonnering for kompleks koding og agentarbeid. Legg ved kode, krav og relevant dokumentasjon for å be om et implementasjonsforslag, en fokusert gjennomgang eller en forklaring av en løsning med flere trinn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-6 Sol Pro betegner OpenAIs GPT-6 Sol med Pro-resonnering. Grunnmodellen Sol er bygd for kompleks koding og agentarbeidsflyter, tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret. Dette er atskilt fra resonneringsnivået, som styrer hvor mye analyse modellen bruker innenfor valgt kjøringsmodus. GPT-6 Sol er fortsatt grunnutgaven for dette kortet, atskilt fra GPT-6.1 Sol.
For en utviklingsoppgave beskriver du oppførselen som skal implementeres, og legger ved relevante kildefiler, eksempler på inndata og begrensningene endringen må respektere. En eksempelforespørsel er å spore hvordan inndata fører til et resultat, angi avhengighetene som er involvert og foreslå en endring som bevarer påkrevd oppførsel. For en gjennomgang tar du med ønsket oppførsel og koden som skal undersøkes, og ber deretter om konkrete problemer med en forklaring av hvordan hvert problem påvirker oppførselen.
Agentarbeid knytter flere beslutninger sammen gjennom dokumentasjon fra arbeidsmiljøet. Et verktøy kan hente en fil, kjøre en beregning eller returnere resultatet av en kontroll; resultatet blir materiale for neste beslutning. OpenAI oppgir nett- og filsøk, bildegenereringsverktøy, en kodetolker, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk for grunnmodellen. Den støtter også funksjonskall, Structured Outputs, strømming og mellomlagring av ledetekster. Applikasjoner kontrollerer de tilgjengelige operasjonene og returnerer faktiske verktøyresultater; modellgenerert handlingstekst alene er ikke bevis på at en operasjon er fullført.
Produsentens GPT-6 Sol-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 20. april 2026. Grunnmodellens resonneringsnivåer er none, low, medium, high, xhigh og max, med medium som standard. Konteksten må romme oppgaven, relevante verktøyresultater og resonnering, i tillegg til det synlige svaret. Hold definisjoner og fullføringskriterier nær materialet de styrer, særlig i en lang teknisk forespørsel.
OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6 Sol bruker innebygde verktøy og resonnering med funksjonskall Responses. I produsentens Chat Completions-grensesnitt støttes funksjonskall bare når resonneringsnivået er none. GPT-6-veiledningen beskriver også asynkront verktøyarbeid, styring av en aktiv runde og bevaring av resonnering mellom kall. Dette er arbeidsflytfunksjoner med egne grensesnittkrav.
Angi et konkret sluttresultat og hvordan det skal kontrolleres. Du kan be om en foreslått kodeendring, oppførselen den endrer og dokumentasjonen som trengs for å kontrollere det, eller en sammenligning av implementasjonsvalg knyttet til de vedlagte begrensningene. Hvis et bilde gir grensesnittkontekst, angir du hvilken visuell detalj som er viktig. Sluttsvaret bør knytte de viktige valgene til det tekniske målet og skille en foreslått handling fra et resultat som allerede er oppnådd.
POST /v1/messagestexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-6-sol-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 $0.004 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0004 / 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 $0.0004 / 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 $0.0008 / 1K tokener Inndata · Skriving til hurtigbuffer $0.01 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-6-sol-pro",\n "max_tokens": 4096,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ]\n}set -eu\n: "${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-sol-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-sol-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-sol-pro
Bruk metodestiene som vises ovenfor.
openai/gpt-6-sol-proGPT-6 Sol med Pro-resonnering for kompleks koding og agentarbeid. Legg ved kode, krav og relevant dokumentasjon for å be om et implementasjonsforslag, en fokusert gjennomgang eller en forklaring av en løsning med flere trinn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
GPT-6 Sol Pro betegner OpenAIs GPT-6 Sol med Pro-resonnering. Grunnmodellen Sol er bygd for kompleks koding og agentarbeidsflyter, tar imot tekst og bilder og produserer tekst. Pro legger til modellarbeid for å utvikle sluttsvaret. Dette er atskilt fra resonneringsnivået, som styrer hvor mye analyse modellen bruker innenfor valgt kjøringsmodus. GPT-6 Sol er fortsatt grunnutgaven for dette kortet, atskilt fra GPT-6.1 Sol.
For en utviklingsoppgave beskriver du oppførselen som skal implementeres, og legger ved relevante kildefiler, eksempler på inndata og begrensningene endringen må respektere. En eksempelforespørsel er å spore hvordan inndata fører til et resultat, angi avhengighetene som er involvert og foreslå en endring som bevarer påkrevd oppførsel. For en gjennomgang tar du med ønsket oppførsel og koden som skal undersøkes, og ber deretter om konkrete problemer med en forklaring av hvordan hvert problem påvirker oppførselen.
Agentarbeid knytter flere beslutninger sammen gjennom dokumentasjon fra arbeidsmiljøet. Et verktøy kan hente en fil, kjøre en beregning eller returnere resultatet av en kontroll; resultatet blir materiale for neste beslutning. OpenAI oppgir nett- og filsøk, bildegenereringsverktøy, en kodetolker, driftede skall- og patchoperasjoner, ferdigheter, datamaskinbruk, MCP-tilkoblinger og verktøysøk for grunnmodellen. Den støtter også funksjonskall, Structured Outputs, strømming og mellomlagring av ledetekster. Applikasjoner kontrollerer de tilgjengelige operasjonene og returnerer faktiske verktøyresultater; modellgenerert handlingstekst alene er ikke bevis på at en operasjon er fullført.
Produsentens GPT-6 Sol-spesifikasjon oppgir et kontekstvindu på 1050000 tokens, maksimale inndata på 922000 tokens og en maksimal utdatamengde på 128000 tokens. Den dokumenterte kunnskapsgrensen er 20. april 2026. Grunnmodellens resonneringsnivåer er none, low, medium, high, xhigh og max, med medium som standard. Konteksten må romme oppgaven, relevante verktøyresultater og resonnering, i tillegg til det synlige svaret. Hold definisjoner og fullføringskriterier nær materialet de styrer, særlig i en lang teknisk forespørsel.
OpenAI dokumenterer Pro i Responses API for vanskelig arbeid som tåler ekstra ventetid og modellaktivitet. For GPT-6 Sol bruker innebygde verktøy og resonnering med funksjonskall Responses. I produsentens Chat Completions-grensesnitt støttes funksjonskall bare når resonneringsnivået er none. GPT-6-veiledningen beskriver også asynkront verktøyarbeid, styring av en aktiv runde og bevaring av resonnering mellom kall. Dette er arbeidsflytfunksjoner med egne grensesnittkrav.
Angi et konkret sluttresultat og hvordan det skal kontrolleres. Du kan be om en foreslått kodeendring, oppførselen den endrer og dokumentasjonen som trengs for å kontrollere det, eller en sammenligning av implementasjonsvalg knyttet til de vedlagte begrensningene. Hvis et bilde gir grensesnittkontekst, angir du hvilken visuell detalj som er viktig. Sluttsvaret bør knytte de viktige valgene til det tekniske målet og skille en foreslått handling fra et resultat som allerede er oppnådd.
POST /v1/responsestexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-6-sol-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 $0.004 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0004 / 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 $0.0004 / 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 $0.0008 / 1K tokener Inndata · Skriving til hurtigbuffer $0.01 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-6-sol-pro",\n "input": [\n {\n "content": "Hello, how are you?",\n "role": "user",\n "type": "message"\n }\n ]\n}set -eu\n: "${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-sol-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-sol-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-sol-pro
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Review a cache invalidation contract\n\nReview this design: reads cache user profiles for one hour; updates write the database but never evict the cache; the API promises that a successful update is visible to the next read. Identify the contract violation and compare evict-after-commit with versioned cache keys. Recommend one approach and specify the failure-path tests needed.A focused design review with a comparison, recommendation and tests for update and cache failure paths.The recommendation addresses the next-read promise and explains the remaining race or failure condition.