GPT-5.1-Codex-Max is OpenAI’s Codex-editie voor langdurig, gedetailleerd agentisch programmeren. Het accepteert tekst en afbeeldingen en produceert tekst. De aankondiging beschrijft training op werkelijke softwareontwikkelingstaken, waaronder codebeoordeling, frontendwerk en projectwijzigingen, samen met werk in Windows-omgevingen.
Een centrale mogelijkheid is ingebouwd werken over meerdere contextvensters via contextcompressie. Wanneer een lange taak de vensterlimiet nadert, kan de Codex-werkwijze de geschiedenis comprimeren met behoud van belangrijke context en in een nieuw venster doorgaan. De maker presenteert dit als een manier om refactoring op projectniveau, diepgaande foutopsporing en uitgebreide agentlussen vol te houden. Het is een voortzettingsproces en geen claim dat een volledige lange sessie één contextvenster beslaat.
Lever voor een projectwijziging het gewenste gedrag, relevante bestanden en de regels voor bewerkingen aan. Een voorbeeldopdracht is meerdere gerelateerde componenten te refactoren met behoud van hun publieke gedrag: benoem de verbanden, stel afgestemde wijzigingen voor en specificeer hoe het resulterende gedrag moet worden gecontroleerd. Voeg voor foutopsporing de waargenomen fout, het verwachte resultaat en het al verzamelde bewijs toe. De bestandsinhoud, opdrachtuitvoer en controles van de werkomgeving informeren de volgende beslissing van het model.
OpenAI’s modelkaart geeft een contextvenster van 400.000 tokens, een maximale uitvoer van 128.000 tokens en een kennisgrens van 30 september 2024. De aankondiging van Max beveelt redeneerinspanning medium aan voor gewoon gebruik en introduceert xhigh voor werk dat baat heeft bij langere analyse. Redeneren en zichtbare uitvoer vereisen beide ruimte in de taakcontext. Houd het succescriterium en belangrijke beslissingen beschikbaar terwijl de werkwijze doorgaat.
De gedocumenteerde interface van het model is uitsluitend Responses. De kaart vermeldt streaming, Structured Outputs, functieaanroepen, afbeeldingsinvoer, zoeken op het web en promptcaching; de exact vermelde hulpmiddelen omvatten functies en zoeken op het web. Binnen een omgeving zoals Codex lezen en doorzoeken door de toepassing geleverde bewerkingen bestanden, voeren opdrachten uit en geven werkelijke resultaten terug. De sandbox, netwerkinstellingen en terminallogboeken in de aankondiging beschrijven de omringende Codex-productomgeving en geen directe tekstuitvoer van het model.
Lever voor frontendwerk het relevante screenshot of de ontwerpreferentie aan en leg uit welk gebruikersgedrag dit moet ondersteunen. Vraag voor een beoordeling om concrete bevindingen die met afhankelijkheden of vereisten samenhangen. Een bruikbaar eindresultaat identificeert de betrokken bestanden, legt de wezenlijke wijzigingen uit en rapporteert de resultaten van daadwerkelijk voltooide controles. Houd resterende stappen specifiek, zodat een lange technische taak eindigt met een resultaat dat aan het oorspronkelijke doel kan worden getoetst.
", "aboutText": "GPT-5.1-Codex-Max is OpenAI’s Codex-editie voor langdurig, gedetailleerd agentisch programmeren. Het accepteert tekst en afbeeldingen en produceert tekst. De aankondiging beschrijft training op werkelijke softwareontwikkelingstaken, waaronder codebeoordeling, frontendwerk en projectwijzigingen, samen met werk in Windows-omgevingen.\n\nEen centrale mogelijkheid is ingebouwd werken over meerdere contextvensters via contextcompressie. Wanneer een lange taak de vensterlimiet nadert, kan de Codex-werkwijze de geschiedenis comprimeren met behoud van belangrijke context en in een nieuw venster doorgaan. De maker presenteert dit als een manier om refactoring op projectniveau, diepgaande foutopsporing en uitgebreide agentlussen vol te houden. Het is een voortzettingsproces en geen claim dat een volledige lange sessie één contextvenster beslaat.\n\nLever voor een projectwijziging het gewenste gedrag, relevante bestanden en de regels voor bewerkingen aan. Een voorbeeldopdracht is meerdere gerelateerde componenten te refactoren met behoud van hun publieke gedrag: benoem de verbanden, stel afgestemde wijzigingen voor en specificeer hoe het resulterende gedrag moet worden gecontroleerd. Voeg voor foutopsporing de waargenomen fout, het verwachte resultaat en het al verzamelde bewijs toe. De bestandsinhoud, opdrachtuitvoer en controles van de werkomgeving informeren de volgende beslissing van het model.\n\nOpenAI’s modelkaart geeft een contextvenster van 400.000 tokens, een maximale uitvoer van 128.000 tokens en een kennisgrens van 30 september 2024. De aankondiging van Max beveelt redeneerinspanning medium aan voor gewoon gebruik en introduceert xhigh voor werk dat baat heeft bij langere analyse. Redeneren en zichtbare uitvoer vereisen beide ruimte in de taakcontext. Houd het succescriterium en belangrijke beslissingen beschikbaar terwijl de werkwijze doorgaat.\n\nDe gedocumenteerde interface van het model is uitsluitend Responses. De kaart vermeldt streaming, Structured Outputs, functieaanroepen, afbeeldingsinvoer, zoeken op het web en promptcaching; de exact vermelde hulpmiddelen omvatten functies en zoeken op het web. Binnen een omgeving zoals Codex lezen en doorzoeken door de toepassing geleverde bewerkingen bestanden, voeren opdrachten uit en geven werkelijke resultaten terug. De sandbox, netwerkinstellingen en terminallogboeken in de aankondiging beschrijven de omringende Codex-productomgeving en geen directe tekstuitvoer van het model.\n\nLever voor frontendwerk het relevante screenshot of de ontwerpreferentie aan en leg uit welk gebruikersgedrag dit moet ondersteunen. Vraag voor een beoordeling om concrete bevindingen die met afhankelijkheden of vereisten samenhangen. Een bruikbaar eindresultaat identificeert de betrokken bestanden, legt de wezenlijke wijzigingen uit en rapporteert de resultaten van daadwerkelijk voltooide controles. Houd resterende stappen specifiek, zodat een lange technische taak eindigt met een resultaat dat aan het oorspronkelijke doel kan worden getoetst.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.openai/gpt-5.1-codex-maxEen Codex-editie die is ontworpen voor langdurige, gedetailleerde softwareontwikkeling. Deze editie accepteert tekst en afbeeldingen en gebruikt contextcompressie over meerdere contextvensters om refactoring op projectniveau, diepgaande foutopsporing en andere agentische programmeertaken voort te zetten.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GPT-5.1-Codex-Max is OpenAI’s Codex-editie voor langdurig, gedetailleerd agentisch programmeren. Het accepteert tekst en afbeeldingen en produceert tekst. De aankondiging beschrijft training op werkelijke softwareontwikkelingstaken, waaronder codebeoordeling, frontendwerk en projectwijzigingen, samen met werk in Windows-omgevingen.
Een centrale mogelijkheid is ingebouwd werken over meerdere contextvensters via contextcompressie. Wanneer een lange taak de vensterlimiet nadert, kan de Codex-werkwijze de geschiedenis comprimeren met behoud van belangrijke context en in een nieuw venster doorgaan. De maker presenteert dit als een manier om refactoring op projectniveau, diepgaande foutopsporing en uitgebreide agentlussen vol te houden. Het is een voortzettingsproces en geen claim dat een volledige lange sessie één contextvenster beslaat.
Lever voor een projectwijziging het gewenste gedrag, relevante bestanden en de regels voor bewerkingen aan. Een voorbeeldopdracht is meerdere gerelateerde componenten te refactoren met behoud van hun publieke gedrag: benoem de verbanden, stel afgestemde wijzigingen voor en specificeer hoe het resulterende gedrag moet worden gecontroleerd. Voeg voor foutopsporing de waargenomen fout, het verwachte resultaat en het al verzamelde bewijs toe. De bestandsinhoud, opdrachtuitvoer en controles van de werkomgeving informeren de volgende beslissing van het model.
OpenAI’s modelkaart geeft een contextvenster van 400.000 tokens, een maximale uitvoer van 128.000 tokens en een kennisgrens van 30 september 2024. De aankondiging van Max beveelt redeneerinspanning medium aan voor gewoon gebruik en introduceert xhigh voor werk dat baat heeft bij langere analyse. Redeneren en zichtbare uitvoer vereisen beide ruimte in de taakcontext. Houd het succescriterium en belangrijke beslissingen beschikbaar terwijl de werkwijze doorgaat.
De gedocumenteerde interface van het model is uitsluitend Responses. De kaart vermeldt streaming, Structured Outputs, functieaanroepen, afbeeldingsinvoer, zoeken op het web en promptcaching; de exact vermelde hulpmiddelen omvatten functies en zoeken op het web. Binnen een omgeving zoals Codex lezen en doorzoeken door de toepassing geleverde bewerkingen bestanden, voeren opdrachten uit en geven werkelijke resultaten terug. De sandbox, netwerkinstellingen en terminallogboeken in de aankondiging beschrijven de omringende Codex-productomgeving en geen directe tekstuitvoer van het model.
Lever voor frontendwerk het relevante screenshot of de ontwerpreferentie aan en leg uit welk gebruikersgedrag dit moet ondersteunen. Vraag voor een beoordeling om concrete bevindingen die met afhankelijkheden of vereisten samenhangen. Een bruikbaar eindresultaat identificeert de betrokken bestanden, legt de wezenlijke wijzigingen uit en rapporteert de resultaten van daadwerkelijk voltooide controles. Houd resterende stappen specifiek, zodat een lange technische taak eindigt met een resultaat dat aan het oorspronkelijke doel kan worden getoetst.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten openai/gpt-5.1-codex-max | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0.00025 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0.00025 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.1-codex-max", "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-5.1-codex-max',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-5.1-codex-max',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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra openai/gpt-5.1-codex-max
Gebruik de hierboven getoonde methodepaden.
openai/gpt-5.1-codex-maxEen Codex-editie die is ontworpen voor langdurige, gedetailleerde softwareontwikkeling. Deze editie accepteert tekst en afbeeldingen en gebruikt contextcompressie over meerdere contextvensters om refactoring op projectniveau, diepgaande foutopsporing en andere agentische programmeertaken voort te zetten.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GPT-5.1-Codex-Max is OpenAI’s Codex-editie voor langdurig, gedetailleerd agentisch programmeren. Het accepteert tekst en afbeeldingen en produceert tekst. De aankondiging beschrijft training op werkelijke softwareontwikkelingstaken, waaronder codebeoordeling, frontendwerk en projectwijzigingen, samen met werk in Windows-omgevingen.
Een centrale mogelijkheid is ingebouwd werken over meerdere contextvensters via contextcompressie. Wanneer een lange taak de vensterlimiet nadert, kan de Codex-werkwijze de geschiedenis comprimeren met behoud van belangrijke context en in een nieuw venster doorgaan. De maker presenteert dit als een manier om refactoring op projectniveau, diepgaande foutopsporing en uitgebreide agentlussen vol te houden. Het is een voortzettingsproces en geen claim dat een volledige lange sessie één contextvenster beslaat.
Lever voor een projectwijziging het gewenste gedrag, relevante bestanden en de regels voor bewerkingen aan. Een voorbeeldopdracht is meerdere gerelateerde componenten te refactoren met behoud van hun publieke gedrag: benoem de verbanden, stel afgestemde wijzigingen voor en specificeer hoe het resulterende gedrag moet worden gecontroleerd. Voeg voor foutopsporing de waargenomen fout, het verwachte resultaat en het al verzamelde bewijs toe. De bestandsinhoud, opdrachtuitvoer en controles van de werkomgeving informeren de volgende beslissing van het model.
OpenAI’s modelkaart geeft een contextvenster van 400.000 tokens, een maximale uitvoer van 128.000 tokens en een kennisgrens van 30 september 2024. De aankondiging van Max beveelt redeneerinspanning medium aan voor gewoon gebruik en introduceert xhigh voor werk dat baat heeft bij langere analyse. Redeneren en zichtbare uitvoer vereisen beide ruimte in de taakcontext. Houd het succescriterium en belangrijke beslissingen beschikbaar terwijl de werkwijze doorgaat.
De gedocumenteerde interface van het model is uitsluitend Responses. De kaart vermeldt streaming, Structured Outputs, functieaanroepen, afbeeldingsinvoer, zoeken op het web en promptcaching; de exact vermelde hulpmiddelen omvatten functies en zoeken op het web. Binnen een omgeving zoals Codex lezen en doorzoeken door de toepassing geleverde bewerkingen bestanden, voeren opdrachten uit en geven werkelijke resultaten terug. De sandbox, netwerkinstellingen en terminallogboeken in de aankondiging beschrijven de omringende Codex-productomgeving en geen directe tekstuitvoer van het model.
Lever voor frontendwerk het relevante screenshot of de ontwerpreferentie aan en leg uit welk gebruikersgedrag dit moet ondersteunen. Vraag voor een beoordeling om concrete bevindingen die met afhankelijkheden of vereisten samenhangen. Een bruikbaar eindresultaat identificeert de betrokken bestanden, legt de wezenlijke wijzigingen uit en rapporteert de resultaten van daadwerkelijk voltooide controles. Houd resterende stappen specifiek, zodat een lange technische taak eindigt met een resultaat dat aan het oorspronkelijke doel kan worden getoetst.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten openai/gpt-5.1-codex-max | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0.00025 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0.00025 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "openai/gpt-5.1-codex-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.1-codex-max', '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-5.1-codex-max', '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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra openai/gpt-5.1-codex-max
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.