o3-pro er OpenAIs separate o3-utgave som bruker ekstra beregning for vanskelig resonnering. o-serien trenes med forsterkningslæring for å arbeide gjennom et problem før den svarer. Modellen tar imot tekst og bilder og produserer tekst, og holder Pro-utgaven atskilt fra standardmodellen o3 og fra senere innstillinger for Pro-kjøringsmodus.
En praktisk anvendelse er et teknisk spørsmål med flere avhengige betingelser. Legg ved hele problemet, tilgjengelig dokumentasjon og kriteriene for valg av tilnærming. En eksempeloppgave er å sammenligne implementasjoner der oppførselen avhenger av ulike antakelser, og deretter gi en anbefaling som gjør disse avhengighetene tydelige. En matematisk forespørsel bør tilsvarende angi definisjonsområdet, kjente betingelser og påkrevd svarform.
For visuell dokumentasjon legger du ved et tydelig diagram, skjermbilde eller annet bilde og angir detaljen som påvirker spørsmålet. Ta med den skriftlige konteksten som bildet ikke fastslår alene. Be om et nyttig resultat, for eksempel en forklaring, et løsningsforslag, en plan eller et sett med funn. Dette knytter modellens ekstra resonneringsarbeid til et bestemt spørsmål og resultat.
OpenAI oppgir et kontekstvindu på 200000 tokens, en maksimal utdatamengde på 100000 tokens og en kunnskapsgrense på 1. juni 2024. Resonnering tar plass ved siden av inndataene og det synlige svaret. Produsenten dokumenterer o3-pro gjennom Responses for modellinteraksjoner over flere runder før sluttsvaret, med Batch også oppført i spesifikasjonen. Vanskelige forespørsler kan ta flere minutter, og produsenten anbefaler kjøring i bakgrunnen for langvarig arbeid.
Det opprinnelige modellkortet bekrefter at strømming ikke støttes, mens funksjonskall og Structured Outputs støttes. Det dokumenterte verktøysettet omfatter funksjoner, fil- og nettsøk, bildegenereringsverktøy og MCP-tilkoblinger. En applikasjon gjør operasjonene sine tilgjengelige, utfører handlingene og gir faktiske resultater. Statusoppfølging i bakgrunnen og henting av resultatet er atskilt fra en strøm av svartokens.
Definer fullføringskriteriet før forespørselen. For analyse ber du om at vedlagte fakta, konklusjonen og uavklarte betingelser forblir atskilte. For et endringsforslag angir du forventet oppførsel og dokumentasjonen som trengs for å kontrollere den. Et nyttig sluttsvar knytter de viktige valgene til det opprinnelige spørsmålet og behandler en foreslått verktøyhandling atskilt fra en operasjon som allerede er fullført i miljøet.
", "aboutText": "o3-pro er OpenAIs separate o3-utgave som bruker ekstra beregning for vanskelig resonnering. o-serien trenes med forsterkningslæring for å arbeide gjennom et problem før den svarer. Modellen tar imot tekst og bilder og produserer tekst, og holder Pro-utgaven atskilt fra standardmodellen o3 og fra senere innstillinger for Pro-kjøringsmodus.\n\nEn praktisk anvendelse er et teknisk spørsmål med flere avhengige betingelser. Legg ved hele problemet, tilgjengelig dokumentasjon og kriteriene for valg av tilnærming. En eksempeloppgave er å sammenligne implementasjoner der oppførselen avhenger av ulike antakelser, og deretter gi en anbefaling som gjør disse avhengighetene tydelige. En matematisk forespørsel bør tilsvarende angi definisjonsområdet, kjente betingelser og påkrevd svarform.\n\nFor visuell dokumentasjon legger du ved et tydelig diagram, skjermbilde eller annet bilde og angir detaljen som påvirker spørsmålet. Ta med den skriftlige konteksten som bildet ikke fastslår alene. Be om et nyttig resultat, for eksempel en forklaring, et løsningsforslag, en plan eller et sett med funn. Dette knytter modellens ekstra resonneringsarbeid til et bestemt spørsmål og resultat.\n\nOpenAI oppgir et kontekstvindu på 200000 tokens, en maksimal utdatamengde på 100000 tokens og en kunnskapsgrense på 1. juni 2024. Resonnering tar plass ved siden av inndataene og det synlige svaret. Produsenten dokumenterer o3-pro gjennom Responses for modellinteraksjoner over flere runder før sluttsvaret, med Batch også oppført i spesifikasjonen. Vanskelige forespørsler kan ta flere minutter, og produsenten anbefaler kjøring i bakgrunnen for langvarig arbeid.\n\nDet opprinnelige modellkortet bekrefter at strømming ikke støttes, mens funksjonskall og Structured Outputs støttes. Det dokumenterte verktøysettet omfatter funksjoner, fil- og nettsøk, bildegenereringsverktøy og MCP-tilkoblinger. En applikasjon gjør operasjonene sine tilgjengelige, utfører handlingene og gir faktiske resultater. Statusoppfølging i bakgrunnen og henting av resultatet er atskilt fra en strøm av svartokens.\n\nDefiner fullføringskriteriet før forespørselen. For analyse ber du om at vedlagte fakta, konklusjonen og uavklarte betingelser forblir atskilte. For et endringsforslag angir du forventet oppførsel og dokumentasjonen som trengs for å kontrollere den. Et nyttig sluttsvar knytter de viktige valgene til det opprinnelige spørsmålet og behandler en foreslått verktøyhandling atskilt fra en operasjon som allerede er fullført i miljøet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.openai/o3-proDen separate o3-pro-utgaven bruker ekstra beregning for vanskelig resonnering. Den tar imot tekst og bilder og returnerer tekst, med funksjonskall og Structured Outputs; produsentens arbeidsflyt bruker Responses og støtter ikke strømming.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
o3-pro er OpenAIs separate o3-utgave som bruker ekstra beregning for vanskelig resonnering. o-serien trenes med forsterkningslæring for å arbeide gjennom et problem før den svarer. Modellen tar imot tekst og bilder og produserer tekst, og holder Pro-utgaven atskilt fra standardmodellen o3 og fra senere innstillinger for Pro-kjøringsmodus.
En praktisk anvendelse er et teknisk spørsmål med flere avhengige betingelser. Legg ved hele problemet, tilgjengelig dokumentasjon og kriteriene for valg av tilnærming. En eksempeloppgave er å sammenligne implementasjoner der oppførselen avhenger av ulike antakelser, og deretter gi en anbefaling som gjør disse avhengighetene tydelige. En matematisk forespørsel bør tilsvarende angi definisjonsområdet, kjente betingelser og påkrevd svarform.
For visuell dokumentasjon legger du ved et tydelig diagram, skjermbilde eller annet bilde og angir detaljen som påvirker spørsmålet. Ta med den skriftlige konteksten som bildet ikke fastslår alene. Be om et nyttig resultat, for eksempel en forklaring, et løsningsforslag, en plan eller et sett med funn. Dette knytter modellens ekstra resonneringsarbeid til et bestemt spørsmål og resultat.
OpenAI oppgir et kontekstvindu på 200000 tokens, en maksimal utdatamengde på 100000 tokens og en kunnskapsgrense på 1. juni 2024. Resonnering tar plass ved siden av inndataene og det synlige svaret. Produsenten dokumenterer o3-pro gjennom Responses for modellinteraksjoner over flere runder før sluttsvaret, med Batch også oppført i spesifikasjonen. Vanskelige forespørsler kan ta flere minutter, og produsenten anbefaler kjøring i bakgrunnen for langvarig arbeid.
Det opprinnelige modellkortet bekrefter at strømming ikke støttes, mens funksjonskall og Structured Outputs støttes. Det dokumenterte verktøysettet omfatter funksjoner, fil- og nettsøk, bildegenereringsverktøy og MCP-tilkoblinger. En applikasjon gjør operasjonene sine tilgjengelige, utfører handlingene og gir faktiske resultater. Statusoppfølging i bakgrunnen og henting av resultatet er atskilt fra en strøm av svartokens.
Definer fullføringskriteriet før forespørselen. For analyse ber du om at vedlagte fakta, konklusjonen og uavklarte betingelser forblir atskilte. For et endringsforslag angir du forventet oppførsel og dokumentasjonen som trengs for å kontrollere den. Et nyttig sluttsvar knytter de viktige valgene til det opprinnelige spørsmålet og behandler en foreslått verktøyhandling atskilt fra en operasjon som allerede er fullført i miljøet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/o3-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 $0.04 / 1K tokener Utdata · Utgående tokener $0.16 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 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 $0.04 / 1K tokener Utdata · Utgående tokener $0.16 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-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/o3-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/o3-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/o3-pro
Bruk metodestiene som vises ovenfor.
openai/o3-proDen separate o3-pro-utgaven bruker ekstra beregning for vanskelig resonnering. Den tar imot tekst og bilder og returnerer tekst, med funksjonskall og Structured Outputs; produsentens arbeidsflyt bruker Responses og støtter ikke strømming.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
o3-pro er OpenAIs separate o3-utgave som bruker ekstra beregning for vanskelig resonnering. o-serien trenes med forsterkningslæring for å arbeide gjennom et problem før den svarer. Modellen tar imot tekst og bilder og produserer tekst, og holder Pro-utgaven atskilt fra standardmodellen o3 og fra senere innstillinger for Pro-kjøringsmodus.
En praktisk anvendelse er et teknisk spørsmål med flere avhengige betingelser. Legg ved hele problemet, tilgjengelig dokumentasjon og kriteriene for valg av tilnærming. En eksempeloppgave er å sammenligne implementasjoner der oppførselen avhenger av ulike antakelser, og deretter gi en anbefaling som gjør disse avhengighetene tydelige. En matematisk forespørsel bør tilsvarende angi definisjonsområdet, kjente betingelser og påkrevd svarform.
For visuell dokumentasjon legger du ved et tydelig diagram, skjermbilde eller annet bilde og angir detaljen som påvirker spørsmålet. Ta med den skriftlige konteksten som bildet ikke fastslår alene. Be om et nyttig resultat, for eksempel en forklaring, et løsningsforslag, en plan eller et sett med funn. Dette knytter modellens ekstra resonneringsarbeid til et bestemt spørsmål og resultat.
OpenAI oppgir et kontekstvindu på 200000 tokens, en maksimal utdatamengde på 100000 tokens og en kunnskapsgrense på 1. juni 2024. Resonnering tar plass ved siden av inndataene og det synlige svaret. Produsenten dokumenterer o3-pro gjennom Responses for modellinteraksjoner over flere runder før sluttsvaret, med Batch også oppført i spesifikasjonen. Vanskelige forespørsler kan ta flere minutter, og produsenten anbefaler kjøring i bakgrunnen for langvarig arbeid.
Det opprinnelige modellkortet bekrefter at strømming ikke støttes, mens funksjonskall og Structured Outputs støttes. Det dokumenterte verktøysettet omfatter funksjoner, fil- og nettsøk, bildegenereringsverktøy og MCP-tilkoblinger. En applikasjon gjør operasjonene sine tilgjengelige, utfører handlingene og gir faktiske resultater. Statusoppfølging i bakgrunnen og henting av resultatet er atskilt fra en strøm av svartokens.
Definer fullføringskriteriet før forespørselen. For analyse ber du om at vedlagte fakta, konklusjonen og uavklarte betingelser forblir atskilte. For et endringsforslag angir du forventet oppførsel og dokumentasjonen som trengs for å kontrollere den. Et nyttig sluttsvar knytter de viktige valgene til det opprinnelige spørsmålet og behandler en foreslått verktøyhandling atskilt fra en operasjon som allerede er fullført i miljøet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/o3-pro | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.04 / 1K tokener Utdata · Utgående tokener $0.16 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 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 $0.04 / 1K tokener Utdata · Utgående tokener $0.16 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "openai/o3-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/o3-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/o3-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra openai/o3-pro
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.