gpt-oss-120b er OpenAIs større språkmodell med åpne modellvekter for allsidig resonnering, koding og agentarbeid. Den tar imot og produserer tekst. Produsenten oppgir totalt 117 milliarder parametere, med 5,1 milliarder aktive parametere per token i en arkitektur med en blanding av eksperter. Dette er familiens 120b-utgave, atskilt fra gpt-oss-20b og de spesialiserte Safeguard-modellene.
Lanseringen beskriver et hovedsakelig engelskspråklig, tekstbasert treningssett med fokus på STEM, koding og generell kunnskap. En eksempeloppgave er å analysere en algoritme ut fra koden og de angitte betingelsene: forklare viktige sammenhenger, sammenligne mulige tilnærminger og lage et konkret implementasjonsforslag. For en dokumentbasert beslutning oppgir du materialet og kriteriene, og ber deretter om en konklusjon knyttet til dokumentasjonen du la ved.
OpenAIs publiserte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter per token. Den opprinnelige utgivelsen bruker MXFP4 for ekspertblandingens vekter og beskriver modellen som kjørende på én 80 GB GPU. OpenAI utgir vektene under Apache 2.0 og støtter finjustering for spesialiserte bruksområder. Dette er egenskaper ved produsentens publiserte modell og format, fremfor en beskrivelse av en applikasjons bestemte utrulling.
Modelldokumentasjonen oppgir et kontekstvindu på 131072 tokens og en maksimal generert utdatamengde på 131072 tokens, med en kunnskapsgrense på 1. juni 2024. Inndata, resonnering og utdata må få plass i den tilgjengelige konteksten. De støttede resonneringsnivåene er low, medium og high, slik at en oppgave kan be om et kort dialogisk svar eller dypere analyse. OpenAI krever Harmony-formatet, som skiller intern analyse fra sluttsvaret; produsenten sier at rå analyse er beregnet på utviklere fremfor direkte visning til sluttbrukere.
Produsenten dokumenterer funksjonskall, nettsurfing, kjøring av Python-kode gjennom verktøy og Structured Outputs. Modellkortet oppgir også strømming, med funksjoner, kodetolkning, MCP og søk i det dokumenterte verktøymiljøet. Applikasjoner gir operasjoner, utfører handlingene og returnerer faktiske resultater. En beregning eller et oppslag kan deretter bli dokumentasjon for et nytt resonneringstrinn, mens en foreslått verktøyforespørsel fortsatt er atskilt fra en operasjon som har kjørt.
Klargjør et tydelig mål, definisjoner og et nyttig sluttresultat: en forklaring, et kodeforslag, en formel eller et strukturert sett med funn. Angi hvilke fakta som må bevares i en transformasjon, og hvordan manglende informasjon skal fremstilles. Et nyttig sluttsvar knytter konklusjonen til de oppgitte betingelsene og eventuelle faktiske verktøyresultater. For en oppfølging tar du med den viktige dokumentasjonen og beslutningen som fortsatt må tas, i neste forespørsel.
", "aboutText": "gpt-oss-120b er OpenAIs større språkmodell med åpne modellvekter for allsidig resonnering, koding og agentarbeid. Den tar imot og produserer tekst. Produsenten oppgir totalt 117 milliarder parametere, med 5,1 milliarder aktive parametere per token i en arkitektur med en blanding av eksperter. Dette er familiens 120b-utgave, atskilt fra gpt-oss-20b og de spesialiserte Safeguard-modellene.\n\nLanseringen beskriver et hovedsakelig engelskspråklig, tekstbasert treningssett med fokus på STEM, koding og generell kunnskap. En eksempeloppgave er å analysere en algoritme ut fra koden og de angitte betingelsene: forklare viktige sammenhenger, sammenligne mulige tilnærminger og lage et konkret implementasjonsforslag. For en dokumentbasert beslutning oppgir du materialet og kriteriene, og ber deretter om en konklusjon knyttet til dokumentasjonen du la ved.\n\nOpenAIs publiserte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter per token. Den opprinnelige utgivelsen bruker MXFP4 for ekspertblandingens vekter og beskriver modellen som kjørende på én 80 GB GPU. OpenAI utgir vektene under Apache 2.0 og støtter finjustering for spesialiserte bruksområder. Dette er egenskaper ved produsentens publiserte modell og format, fremfor en beskrivelse av en applikasjons bestemte utrulling.\n\nModelldokumentasjonen oppgir et kontekstvindu på 131072 tokens og en maksimal generert utdatamengde på 131072 tokens, med en kunnskapsgrense på 1. juni 2024. Inndata, resonnering og utdata må få plass i den tilgjengelige konteksten. De støttede resonneringsnivåene er low, medium og high, slik at en oppgave kan be om et kort dialogisk svar eller dypere analyse. OpenAI krever Harmony-formatet, som skiller intern analyse fra sluttsvaret; produsenten sier at rå analyse er beregnet på utviklere fremfor direkte visning til sluttbrukere.\n\nProdusenten dokumenterer funksjonskall, nettsurfing, kjøring av Python-kode gjennom verktøy og Structured Outputs. Modellkortet oppgir også strømming, med funksjoner, kodetolkning, MCP og søk i det dokumenterte verktøymiljøet. Applikasjoner gir operasjoner, utfører handlingene og returnerer faktiske resultater. En beregning eller et oppslag kan deretter bli dokumentasjon for et nytt resonneringstrinn, mens en foreslått verktøyforespørsel fortsatt er atskilt fra en operasjon som har kjørt.\n\nKlargjør et tydelig mål, definisjoner og et nyttig sluttresultat: en forklaring, et kodeforslag, en formel eller et strukturert sett med funn. Angi hvilke fakta som må bevares i en transformasjon, og hvordan manglende informasjon skal fremstilles. Et nyttig sluttsvar knytter konklusjonen til de oppgitte betingelsene og eventuelle faktiske verktøyresultater. For en oppfølging tar du med den viktige dokumentasjonen og beslutningen som fortsatt må tas, i neste forespørsel.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.gpt-oss-120bOpenAIs større gpt-oss-modell med åpne modellvekter bruker resonnering med en blanding av eksperter for tekst, koding og agentarbeid. Den støtter resonneringsnivåene low, medium og high, funksjonskall og Structured Outputs 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-oss-120b er OpenAIs større språkmodell med åpne modellvekter for allsidig resonnering, koding og agentarbeid. Den tar imot og produserer tekst. Produsenten oppgir totalt 117 milliarder parametere, med 5,1 milliarder aktive parametere per token i en arkitektur med en blanding av eksperter. Dette er familiens 120b-utgave, atskilt fra gpt-oss-20b og de spesialiserte Safeguard-modellene.
Lanseringen beskriver et hovedsakelig engelskspråklig, tekstbasert treningssett med fokus på STEM, koding og generell kunnskap. En eksempeloppgave er å analysere en algoritme ut fra koden og de angitte betingelsene: forklare viktige sammenhenger, sammenligne mulige tilnærminger og lage et konkret implementasjonsforslag. For en dokumentbasert beslutning oppgir du materialet og kriteriene, og ber deretter om en konklusjon knyttet til dokumentasjonen du la ved.
OpenAIs publiserte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter per token. Den opprinnelige utgivelsen bruker MXFP4 for ekspertblandingens vekter og beskriver modellen som kjørende på én 80 GB GPU. OpenAI utgir vektene under Apache 2.0 og støtter finjustering for spesialiserte bruksområder. Dette er egenskaper ved produsentens publiserte modell og format, fremfor en beskrivelse av en applikasjons bestemte utrulling.
Modelldokumentasjonen oppgir et kontekstvindu på 131072 tokens og en maksimal generert utdatamengde på 131072 tokens, med en kunnskapsgrense på 1. juni 2024. Inndata, resonnering og utdata må få plass i den tilgjengelige konteksten. De støttede resonneringsnivåene er low, medium og high, slik at en oppgave kan be om et kort dialogisk svar eller dypere analyse. OpenAI krever Harmony-formatet, som skiller intern analyse fra sluttsvaret; produsenten sier at rå analyse er beregnet på utviklere fremfor direkte visning til sluttbrukere.
Produsenten dokumenterer funksjonskall, nettsurfing, kjøring av Python-kode gjennom verktøy og Structured Outputs. Modellkortet oppgir også strømming, med funksjoner, kodetolkning, MCP og søk i det dokumenterte verktøymiljøet. Applikasjoner gir operasjoner, utfører handlingene og returnerer faktiske resultater. En beregning eller et oppslag kan deretter bli dokumentasjon for et nytt resonneringstrinn, mens en foreslått verktøyforespørsel fortsatt er atskilt fra en operasjon som har kjørt.
Klargjør et tydelig mål, definisjoner og et nyttig sluttresultat: en forklaring, et kodeforslag, en formel eller et strukturert sett med funn. Angi hvilke fakta som må bevares i en transformasjon, og hvordan manglende informasjon skal fremstilles. Et nyttig sluttsvar knytter konklusjonen til de oppgitte betingelsene og eventuelle faktiske verktøyresultater. For en oppfølging tar du med den viktige dokumentasjonen og beslutningen som fortsatt må tas, i neste forespørsel.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-oss-120b | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-oss-120b","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gpt-oss-120b", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
gpt-oss-120bOpenAIs større gpt-oss-modell med åpne modellvekter bruker resonnering med en blanding av eksperter for tekst, koding og agentarbeid. Den støtter resonneringsnivåene low, medium og high, funksjonskall og Structured Outputs 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-oss-120b er OpenAIs større språkmodell med åpne modellvekter for allsidig resonnering, koding og agentarbeid. Den tar imot og produserer tekst. Produsenten oppgir totalt 117 milliarder parametere, med 5,1 milliarder aktive parametere per token i en arkitektur med en blanding av eksperter. Dette er familiens 120b-utgave, atskilt fra gpt-oss-20b og de spesialiserte Safeguard-modellene.
Lanseringen beskriver et hovedsakelig engelskspråklig, tekstbasert treningssett med fokus på STEM, koding og generell kunnskap. En eksempeloppgave er å analysere en algoritme ut fra koden og de angitte betingelsene: forklare viktige sammenhenger, sammenligne mulige tilnærminger og lage et konkret implementasjonsforslag. For en dokumentbasert beslutning oppgir du materialet og kriteriene, og ber deretter om en konklusjon knyttet til dokumentasjonen du la ved.
OpenAIs publiserte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter per token. Den opprinnelige utgivelsen bruker MXFP4 for ekspertblandingens vekter og beskriver modellen som kjørende på én 80 GB GPU. OpenAI utgir vektene under Apache 2.0 og støtter finjustering for spesialiserte bruksområder. Dette er egenskaper ved produsentens publiserte modell og format, fremfor en beskrivelse av en applikasjons bestemte utrulling.
Modelldokumentasjonen oppgir et kontekstvindu på 131072 tokens og en maksimal generert utdatamengde på 131072 tokens, med en kunnskapsgrense på 1. juni 2024. Inndata, resonnering og utdata må få plass i den tilgjengelige konteksten. De støttede resonneringsnivåene er low, medium og high, slik at en oppgave kan be om et kort dialogisk svar eller dypere analyse. OpenAI krever Harmony-formatet, som skiller intern analyse fra sluttsvaret; produsenten sier at rå analyse er beregnet på utviklere fremfor direkte visning til sluttbrukere.
Produsenten dokumenterer funksjonskall, nettsurfing, kjøring av Python-kode gjennom verktøy og Structured Outputs. Modellkortet oppgir også strømming, med funksjoner, kodetolkning, MCP og søk i det dokumenterte verktøymiljøet. Applikasjoner gir operasjoner, utfører handlingene og returnerer faktiske resultater. En beregning eller et oppslag kan deretter bli dokumentasjon for et nytt resonneringstrinn, mens en foreslått verktøyforespørsel fortsatt er atskilt fra en operasjon som har kjørt.
Klargjør et tydelig mål, definisjoner og et nyttig sluttresultat: en forklaring, et kodeforslag, en formel eller et strukturert sett med funn. Angi hvilke fakta som må bevares i en transformasjon, og hvordan manglende informasjon skal fremstilles. Et nyttig sluttsvar knytter konklusjonen til de oppgitte betingelsene og eventuelle faktiske verktøyresultater. For en oppfølging tar du med den viktige dokumentasjonen og beslutningen som fortsatt må tas, i neste forespørsel.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gpt-oss-120b | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bOpenAIs større gpt-oss-modell med åpne modellvekter bruker resonnering med en blanding av eksperter for tekst, koding og agentarbeid. Den støtter resonneringsnivåene low, medium og high, funksjonskall og Structured Outputs 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-oss-120b er OpenAIs større språkmodell med åpne modellvekter for allsidig resonnering, koding og agentarbeid. Den tar imot og produserer tekst. Produsenten oppgir totalt 117 milliarder parametere, med 5,1 milliarder aktive parametere per token i en arkitektur med en blanding av eksperter. Dette er familiens 120b-utgave, atskilt fra gpt-oss-20b og de spesialiserte Safeguard-modellene.
Lanseringen beskriver et hovedsakelig engelskspråklig, tekstbasert treningssett med fokus på STEM, koding og generell kunnskap. En eksempeloppgave er å analysere en algoritme ut fra koden og de angitte betingelsene: forklare viktige sammenhenger, sammenligne mulige tilnærminger og lage et konkret implementasjonsforslag. For en dokumentbasert beslutning oppgir du materialet og kriteriene, og ber deretter om en konklusjon knyttet til dokumentasjonen du la ved.
OpenAIs publiserte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter per token. Den opprinnelige utgivelsen bruker MXFP4 for ekspertblandingens vekter og beskriver modellen som kjørende på én 80 GB GPU. OpenAI utgir vektene under Apache 2.0 og støtter finjustering for spesialiserte bruksområder. Dette er egenskaper ved produsentens publiserte modell og format, fremfor en beskrivelse av en applikasjons bestemte utrulling.
Modelldokumentasjonen oppgir et kontekstvindu på 131072 tokens og en maksimal generert utdatamengde på 131072 tokens, med en kunnskapsgrense på 1. juni 2024. Inndata, resonnering og utdata må få plass i den tilgjengelige konteksten. De støttede resonneringsnivåene er low, medium og high, slik at en oppgave kan be om et kort dialogisk svar eller dypere analyse. OpenAI krever Harmony-formatet, som skiller intern analyse fra sluttsvaret; produsenten sier at rå analyse er beregnet på utviklere fremfor direkte visning til sluttbrukere.
Produsenten dokumenterer funksjonskall, nettsurfing, kjøring av Python-kode gjennom verktøy og Structured Outputs. Modellkortet oppgir også strømming, med funksjoner, kodetolkning, MCP og søk i det dokumenterte verktøymiljøet. Applikasjoner gir operasjoner, utfører handlingene og returnerer faktiske resultater. En beregning eller et oppslag kan deretter bli dokumentasjon for et nytt resonneringstrinn, mens en foreslått verktøyforespørsel fortsatt er atskilt fra en operasjon som har kjørt.
Klargjør et tydelig mål, definisjoner og et nyttig sluttresultat: en forklaring, et kodeforslag, en formel eller et strukturert sett med funn. Angi hvilke fakta som må bevares i en transformasjon, og hvordan manglende informasjon skal fremstilles. Et nyttig sluttsvar knytter konklusjonen til de oppgitte betingelsene og eventuelle faktiske verktøyresultater. For en oppfølging tar du med den viktige dokumentasjonen og beslutningen som fortsatt må tas, i neste forespørsel.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-oss-120b | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-oss-120b", "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-oss-120b',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-oss-120b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bOpenAIs større gpt-oss-modell med åpne modellvekter bruker resonnering med en blanding av eksperter for tekst, koding og agentarbeid. Den støtter resonneringsnivåene low, medium og high, funksjonskall og Structured Outputs 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-oss-120b er OpenAIs større språkmodell med åpne modellvekter for allsidig resonnering, koding og agentarbeid. Den tar imot og produserer tekst. Produsenten oppgir totalt 117 milliarder parametere, med 5,1 milliarder aktive parametere per token i en arkitektur med en blanding av eksperter. Dette er familiens 120b-utgave, atskilt fra gpt-oss-20b og de spesialiserte Safeguard-modellene.
Lanseringen beskriver et hovedsakelig engelskspråklig, tekstbasert treningssett med fokus på STEM, koding og generell kunnskap. En eksempeloppgave er å analysere en algoritme ut fra koden og de angitte betingelsene: forklare viktige sammenhenger, sammenligne mulige tilnærminger og lage et konkret implementasjonsforslag. For en dokumentbasert beslutning oppgir du materialet og kriteriene, og ber deretter om en konklusjon knyttet til dokumentasjonen du la ved.
OpenAIs publiserte arkitektur har 36 lag, 128 eksperter og fire aktive eksperter per token. Den opprinnelige utgivelsen bruker MXFP4 for ekspertblandingens vekter og beskriver modellen som kjørende på én 80 GB GPU. OpenAI utgir vektene under Apache 2.0 og støtter finjustering for spesialiserte bruksområder. Dette er egenskaper ved produsentens publiserte modell og format, fremfor en beskrivelse av en applikasjons bestemte utrulling.
Modelldokumentasjonen oppgir et kontekstvindu på 131072 tokens og en maksimal generert utdatamengde på 131072 tokens, med en kunnskapsgrense på 1. juni 2024. Inndata, resonnering og utdata må få plass i den tilgjengelige konteksten. De støttede resonneringsnivåene er low, medium og high, slik at en oppgave kan be om et kort dialogisk svar eller dypere analyse. OpenAI krever Harmony-formatet, som skiller intern analyse fra sluttsvaret; produsenten sier at rå analyse er beregnet på utviklere fremfor direkte visning til sluttbrukere.
Produsenten dokumenterer funksjonskall, nettsurfing, kjøring av Python-kode gjennom verktøy og Structured Outputs. Modellkortet oppgir også strømming, med funksjoner, kodetolkning, MCP og søk i det dokumenterte verktøymiljøet. Applikasjoner gir operasjoner, utfører handlingene og returnerer faktiske resultater. En beregning eller et oppslag kan deretter bli dokumentasjon for et nytt resonneringstrinn, mens en foreslått verktøyforespørsel fortsatt er atskilt fra en operasjon som har kjørt.
Klargjør et tydelig mål, definisjoner og et nyttig sluttresultat: en forklaring, et kodeforslag, en formel eller et strukturert sett med funn. Angi hvilke fakta som må bevares i en transformasjon, og hvordan manglende informasjon skal fremstilles. Et nyttig sluttsvar knytter konklusjonen til de oppgitte betingelsene og eventuelle faktiske verktøyresultater. For en oppfølging tar du med den viktige dokumentasjonen og beslutningen som fortsatt må tas, i neste forespørsel.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/gpt-oss-120b | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00015 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
Teknisk eksempel på engelsk
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.