o3-mini (High) betegner OpenAIs o3-mini med høyt resonneringsnivå. Grunnmodellen er en mindre resonneringsmodell i o-serien med fokus på STEM-oppgaver, inkludert vitenskap, matematikk og koding. Den tar imot og returnerer tekst. High identifiserer resonneringsinnstillingen og bevarer identiteten til grunnmodellen o3-mini fremfor å lage et nytt, selvstendig sett med modellvekter.
For et teknisk problem oppgir du hele problemstillingen, definisjoner og betingelser som avgjør et gyldig svar. En eksempeloppgave er å undersøke en algoritme under flere inndatatilfeller, forklare sammenhengen mellom tilfellene og foreslå en løsning som overholder de oppgitte begrensningene. For matematikk angir du variablenes definisjonsområder, påkrevd resultat og notasjonen eller presisjonen som trengs i sluttsvaret.
Produsenten dokumenterer resonneringsnivåene low, medium og high for o3-mini. High-varianten bruker mer analyse på spørsmålet og kan ta lengre tid før den returnerer et resultat. Dette er atskilt fra svarlengden: en oppgave kan be om en kort konklusjon selv når det underliggende spørsmålet krever grundigere resonnering. Gi modellen et tydelig mål, sterke begrensninger og dokumentasjonen som trengs for å vurdere konklusjonen.
OpenAIs spesifikasjon oppgir et kontekstvindu på 200000 tokens, en maksimal utdatamengde på 100000 tokens og en kunnskapsgrense på 1. oktober 2023. Dette er en modell med bare tekstinndata og uten støtte for bildeinndata. Hvis et problem tar utgangspunkt i et diagram eller skjermbilde, oppgir du relevant informasjon som skriftlige betingelser. La det være rom for resonnering og ønsket synlig resultat innenfor den tilgjengelige konteksten.
Produsenten oppgir grensesnittene Responses, Chat Completions, Assistants og Batch, strømming, Structured Outputs, funksjonskall og filinndata/filsøk. Lanseringen dokumenterer også meldinger med rollen developer for instruksjoner og kontekst. Verktøysettet i modellkortet omfatter funksjoner, filsøk, kodetolkning, MCP-tilkoblinger og bildegenereringsverktøy. Disse verktøyoperasjonene er atskilt fra modellens tekstinndata og tekstutdata; applikasjonen utfører sine handlinger og returnerer faktiske resultater.
Definer sluttresultatet og hvordan det skal kontrolleres. Be om en foreslått implementasjon, formel, sammenligning eller et strukturert resultat som angir betingelsene som understøtter det. For en oppfølging gir du den nye dokumentasjonen og angir delen av løsningen som trenger revisjon. Et nyttig sluttsvar knytter konklusjonen til det opprinnelige problemet og holder en fullført beregning eller verktøyoperasjon atskilt fra en som fortsatt er foreslått.
", "aboutText": "o3-mini (High) betegner OpenAIs o3-mini med høyt resonneringsnivå. Grunnmodellen er en mindre resonneringsmodell i o-serien med fokus på STEM-oppgaver, inkludert vitenskap, matematikk og koding. Den tar imot og returnerer tekst. High identifiserer resonneringsinnstillingen og bevarer identiteten til grunnmodellen o3-mini fremfor å lage et nytt, selvstendig sett med modellvekter.\n\nFor et teknisk problem oppgir du hele problemstillingen, definisjoner og betingelser som avgjør et gyldig svar. En eksempeloppgave er å undersøke en algoritme under flere inndatatilfeller, forklare sammenhengen mellom tilfellene og foreslå en løsning som overholder de oppgitte begrensningene. For matematikk angir du variablenes definisjonsområder, påkrevd resultat og notasjonen eller presisjonen som trengs i sluttsvaret.\n\nProdusenten dokumenterer resonneringsnivåene low, medium og high for o3-mini. High-varianten bruker mer analyse på spørsmålet og kan ta lengre tid før den returnerer et resultat. Dette er atskilt fra svarlengden: en oppgave kan be om en kort konklusjon selv når det underliggende spørsmålet krever grundigere resonnering. Gi modellen et tydelig mål, sterke begrensninger og dokumentasjonen som trengs for å vurdere konklusjonen.\n\nOpenAIs spesifikasjon oppgir et kontekstvindu på 200000 tokens, en maksimal utdatamengde på 100000 tokens og en kunnskapsgrense på 1. oktober 2023. Dette er en modell med bare tekstinndata og uten støtte for bildeinndata. Hvis et problem tar utgangspunkt i et diagram eller skjermbilde, oppgir du relevant informasjon som skriftlige betingelser. La det være rom for resonnering og ønsket synlig resultat innenfor den tilgjengelige konteksten.\n\nProdusenten oppgir grensesnittene Responses, Chat Completions, Assistants og Batch, strømming, Structured Outputs, funksjonskall og filinndata/filsøk. Lanseringen dokumenterer også meldinger med rollen developer for instruksjoner og kontekst. Verktøysettet i modellkortet omfatter funksjoner, filsøk, kodetolkning, MCP-tilkoblinger og bildegenereringsverktøy. Disse verktøyoperasjonene er atskilt fra modellens tekstinndata og tekstutdata; applikasjonen utfører sine handlinger og returnerer faktiske resultater.\n\nDefiner sluttresultatet og hvordan det skal kontrolleres. Be om en foreslått implementasjon, formel, sammenligning eller et strukturert resultat som angir betingelsene som understøtter det. For en oppfølging gir du den nye dokumentasjonen og angir delen av løsningen som trenger revisjon. Et nyttig sluttsvar knytter konklusjonen til det opprinnelige problemet og holder en fullført beregning eller verktøyoperasjon atskilt fra en som fortsatt er foreslått.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Check an algorithm on boundary cases\n\nA binary-search function starts with lo=0 and hi=len(items), then reads items[mid] while lo <= hi. Analyze the boundary error for an empty sorted list and for a target above all elements. Propose a consistent inclusive-bound version in Python and tests for empty, singleton, found and missing cases. Return a concise explanation with code.A boundary-error explanation, corrected binary search and tests covering the named cases.The code never indexes an empty list or index len(items), and every loop iteration shrinks the search interval.openai/o3-mini-higho3-mini med resonneringsnivået High for tekstbasert matematikk, vitenskap og koding. Den returnerer tekst og støtter strømming, funksjonskall og Structured Outputs, med en høyere resonneringsinnstilling for oppgavens sammenhengende betingelser.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
o3-mini (High) betegner OpenAIs o3-mini med høyt resonneringsnivå. Grunnmodellen er en mindre resonneringsmodell i o-serien med fokus på STEM-oppgaver, inkludert vitenskap, matematikk og koding. Den tar imot og returnerer tekst. High identifiserer resonneringsinnstillingen og bevarer identiteten til grunnmodellen o3-mini fremfor å lage et nytt, selvstendig sett med modellvekter.
For et teknisk problem oppgir du hele problemstillingen, definisjoner og betingelser som avgjør et gyldig svar. En eksempeloppgave er å undersøke en algoritme under flere inndatatilfeller, forklare sammenhengen mellom tilfellene og foreslå en løsning som overholder de oppgitte begrensningene. For matematikk angir du variablenes definisjonsområder, påkrevd resultat og notasjonen eller presisjonen som trengs i sluttsvaret.
Produsenten dokumenterer resonneringsnivåene low, medium og high for o3-mini. High-varianten bruker mer analyse på spørsmålet og kan ta lengre tid før den returnerer et resultat. Dette er atskilt fra svarlengden: en oppgave kan be om en kort konklusjon selv når det underliggende spørsmålet krever grundigere resonnering. Gi modellen et tydelig mål, sterke begrensninger og dokumentasjonen som trengs for å vurdere konklusjonen.
OpenAIs spesifikasjon oppgir et kontekstvindu på 200000 tokens, en maksimal utdatamengde på 100000 tokens og en kunnskapsgrense på 1. oktober 2023. Dette er en modell med bare tekstinndata og uten støtte for bildeinndata. Hvis et problem tar utgangspunkt i et diagram eller skjermbilde, oppgir du relevant informasjon som skriftlige betingelser. La det være rom for resonnering og ønsket synlig resultat innenfor den tilgjengelige konteksten.
Produsenten oppgir grensesnittene Responses, Chat Completions, Assistants og Batch, strømming, Structured Outputs, funksjonskall og filinndata/filsøk. Lanseringen dokumenterer også meldinger med rollen developer for instruksjoner og kontekst. Verktøysettet i modellkortet omfatter funksjoner, filsøk, kodetolkning, MCP-tilkoblinger og bildegenereringsverktøy. Disse verktøyoperasjonene er atskilt fra modellens tekstinndata og tekstutdata; applikasjonen utfører sine handlinger og returnerer faktiske resultater.
Definer sluttresultatet og hvordan det skal kontrolleres. Be om en foreslått implementasjon, formel, sammenligning eller et strukturert resultat som angir betingelsene som understøtter det. For en oppfølging gir du den nye dokumentasjonen og angir delen av løsningen som trenger revisjon. Et nyttig sluttsvar knytter konklusjonen til det opprinnelige problemet og holder en fullført beregning eller verktøyoperasjon atskilt fra en som fortsatt er foreslått.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/o3-mini-high | 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 $0.0022 / 1K tokener Utdata · Utgående tokener $0.0088 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0011 / 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 $0.0022 / 1K tokener Utdata · Utgående tokener $0.0088 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0011 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-mini-high", "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/o3-mini-high',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/o3-mini-high',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/o3-mini-high
Bruk metodestiene som vises ovenfor.
openai/o3-mini-higho3-mini med resonneringsnivået High for tekstbasert matematikk, vitenskap og koding. Den returnerer tekst og støtter strømming, funksjonskall og Structured Outputs, med en høyere resonneringsinnstilling for oppgavens sammenhengende betingelser.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
o3-mini (High) betegner OpenAIs o3-mini med høyt resonneringsnivå. Grunnmodellen er en mindre resonneringsmodell i o-serien med fokus på STEM-oppgaver, inkludert vitenskap, matematikk og koding. Den tar imot og returnerer tekst. High identifiserer resonneringsinnstillingen og bevarer identiteten til grunnmodellen o3-mini fremfor å lage et nytt, selvstendig sett med modellvekter.
For et teknisk problem oppgir du hele problemstillingen, definisjoner og betingelser som avgjør et gyldig svar. En eksempeloppgave er å undersøke en algoritme under flere inndatatilfeller, forklare sammenhengen mellom tilfellene og foreslå en løsning som overholder de oppgitte begrensningene. For matematikk angir du variablenes definisjonsområder, påkrevd resultat og notasjonen eller presisjonen som trengs i sluttsvaret.
Produsenten dokumenterer resonneringsnivåene low, medium og high for o3-mini. High-varianten bruker mer analyse på spørsmålet og kan ta lengre tid før den returnerer et resultat. Dette er atskilt fra svarlengden: en oppgave kan be om en kort konklusjon selv når det underliggende spørsmålet krever grundigere resonnering. Gi modellen et tydelig mål, sterke begrensninger og dokumentasjonen som trengs for å vurdere konklusjonen.
OpenAIs spesifikasjon oppgir et kontekstvindu på 200000 tokens, en maksimal utdatamengde på 100000 tokens og en kunnskapsgrense på 1. oktober 2023. Dette er en modell med bare tekstinndata og uten støtte for bildeinndata. Hvis et problem tar utgangspunkt i et diagram eller skjermbilde, oppgir du relevant informasjon som skriftlige betingelser. La det være rom for resonnering og ønsket synlig resultat innenfor den tilgjengelige konteksten.
Produsenten oppgir grensesnittene Responses, Chat Completions, Assistants og Batch, strømming, Structured Outputs, funksjonskall og filinndata/filsøk. Lanseringen dokumenterer også meldinger med rollen developer for instruksjoner og kontekst. Verktøysettet i modellkortet omfatter funksjoner, filsøk, kodetolkning, MCP-tilkoblinger og bildegenereringsverktøy. Disse verktøyoperasjonene er atskilt fra modellens tekstinndata og tekstutdata; applikasjonen utfører sine handlinger og returnerer faktiske resultater.
Definer sluttresultatet og hvordan det skal kontrolleres. Be om en foreslått implementasjon, formel, sammenligning eller et strukturert resultat som angir betingelsene som understøtter det. For en oppfølging gir du den nye dokumentasjonen og angir delen av løsningen som trenger revisjon. Et nyttig sluttsvar knytter konklusjonen til det opprinnelige problemet og holder en fullført beregning eller verktøyoperasjon atskilt fra en som fortsatt er foreslått.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/o3-mini-high | 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 $0.0022 / 1K tokener Utdata · Utgående tokener $0.0088 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0011 / 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 $0.0022 / 1K tokener Utdata · Utgående tokener $0.0088 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0011 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/o3-mini-high",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/o3-mini-high', '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/o3-mini-high', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra openai/o3-mini-high
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Check an algorithm on boundary cases\n\nA binary-search function starts with lo=0 and hi=len(items), then reads items[mid] while lo <= hi. Analyze the boundary error for an empty sorted list and for a target above all elements. Propose a consistent inclusive-bound version in Python and tests for empty, singleton, found and missing cases. Return a concise explanation with code.A boundary-error explanation, corrected binary search and tests covering the named cases.The code never indexes an empty list or index len(items), and every loop iteration shrinks the search interval.