o1-pro is OpenAI’s afzonderlijke o1-editie die extra rekenwerk gebruikt voor complex redeneerwerk. De o1-familie is met bekrachtigingsleren getraind om een probleem uit te werken voordat een antwoord wordt gegeven. Het Pro-model accepteert tekst en afbeeldingen en produceert tekst. De identiteit staat los van standaard o1 en van de uitvoeringsmodi Pro die voor latere GPT-families zijn gedocumenteerd.
Een voorbeeldtaak is vereisten te analyseren waarvan de voorwaarden van elkaar afhangen. Lever de vraag, het relevante materiaal en de criteria voor de beslissing aan. Vraag om een uitleg van de relaties en een concrete aanbeveling met de bijbehorende voorwaarden. Voeg voor een codevraag het beoogde gedrag en de gerelateerde implementatie toe; lever voor een wiskundig probleem de definities, het domein en de vereiste resultaatvorm aan.
Visueel materiaal kan een diagram, interfacetoestand of ander bewijs voor de vraag leveren. Benoem het relevante detail en voeg de schriftelijke context toe die nodig is om het te interpreteren. Een bruikbare invoeromschrijving scheidt de broninformatie van de instructies en definieert het resultaat dat de lezer nodig heeft: een technische uitleg, voorgestelde oplossing, vergelijking of plan. Zo wordt de aanvullende analyse van het model verbonden met het werkelijke doel van de taak.
OpenAI vermeldt een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 oktober 2023. Redeneren gebruikt ruimte naast de invoer en het zichtbare antwoord. De maker documenteert o1-pro via Responses, met ondersteuning voor modelinteracties in meerdere beurten vóór het eindantwoord; Batch staat ook in de modelspecificatie. Dit zijn kenmerken van het Pro-model bij de maker, geen instellingen van een andere o1-editie.
De oorspronkelijke kaart bevestigt dat streaming niet wordt ondersteund, terwijl functieaanroepen, Structured Outputs en afbeeldingsinvoer wel worden ondersteund. De exact vermelde hulpmiddelen omvatten functies, zoeken in bestanden en MCP-verbindingen. Een toepassing stelt haar bewerkingen beschikbaar, voert haar acties uit en geeft werkelijke resultaten terug. Een gestructureerd eindantwoord bepaalt de vorm van de uitvoer, terwijl een functieverzoek een bewerking voor de werkomgeving voorstelt.
Geef aan hoe de taak moet worden voltooid en gecontroleerd. Vraag voor een analyse om de conclusie, het ondersteunende bewijs en onopgeloste voorwaarden onderscheidbaar te houden. Specificeer voor een voorgestelde wijziging het verwachte gedrag en vraag om daadwerkelijk uitgevoerde controles te scheiden van controles die nog nodig zijn. Een bruikbaar eindresultaat maakt de belangrijke keuzes expliciet en verbindt ze met de oorspronkelijke vraag en het aangeleverde materiaal.
", "aboutText": "o1-pro is OpenAI’s afzonderlijke o1-editie die extra rekenwerk gebruikt voor complex redeneerwerk. De o1-familie is met bekrachtigingsleren getraind om een probleem uit te werken voordat een antwoord wordt gegeven. Het Pro-model accepteert tekst en afbeeldingen en produceert tekst. De identiteit staat los van standaard o1 en van de uitvoeringsmodi Pro die voor latere GPT-families zijn gedocumenteerd.\n\nEen voorbeeldtaak is vereisten te analyseren waarvan de voorwaarden van elkaar afhangen. Lever de vraag, het relevante materiaal en de criteria voor de beslissing aan. Vraag om een uitleg van de relaties en een concrete aanbeveling met de bijbehorende voorwaarden. Voeg voor een codevraag het beoogde gedrag en de gerelateerde implementatie toe; lever voor een wiskundig probleem de definities, het domein en de vereiste resultaatvorm aan.\n\nVisueel materiaal kan een diagram, interfacetoestand of ander bewijs voor de vraag leveren. Benoem het relevante detail en voeg de schriftelijke context toe die nodig is om het te interpreteren. Een bruikbare invoeromschrijving scheidt de broninformatie van de instructies en definieert het resultaat dat de lezer nodig heeft: een technische uitleg, voorgestelde oplossing, vergelijking of plan. Zo wordt de aanvullende analyse van het model verbonden met het werkelijke doel van de taak.\n\nOpenAI vermeldt een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 oktober 2023. Redeneren gebruikt ruimte naast de invoer en het zichtbare antwoord. De maker documenteert o1-pro via Responses, met ondersteuning voor modelinteracties in meerdere beurten vóór het eindantwoord; Batch staat ook in de modelspecificatie. Dit zijn kenmerken van het Pro-model bij de maker, geen instellingen van een andere o1-editie.\n\nDe oorspronkelijke kaart bevestigt dat streaming niet wordt ondersteund, terwijl functieaanroepen, Structured Outputs en afbeeldingsinvoer wel worden ondersteund. De exact vermelde hulpmiddelen omvatten functies, zoeken in bestanden en MCP-verbindingen. Een toepassing stelt haar bewerkingen beschikbaar, voert haar acties uit en geeft werkelijke resultaten terug. Een gestructureerd eindantwoord bepaalt de vorm van de uitvoer, terwijl een functieverzoek een bewerking voor de werkomgeving voorstelt.\n\nGeef aan hoe de taak moet worden voltooid en gecontroleerd. Vraag voor een analyse om de conclusie, het ondersteunende bewijs en onopgeloste voorwaarden onderscheidbaar te houden. Specificeer voor een voorgestelde wijziging het verwachte gedrag en vraag om daadwerkelijk uitgevoerde controles te scheiden van controles die nog nodig zijn. Een bruikbaar eindresultaat maakt de belangrijke keuzes expliciet en verbindt ze met de oorspronkelijke vraag en het aangeleverde materiaal.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Check an interdependent staffing plan\n\nTwo rooms need a facilitator from 09:00 to 10:00. Ada can facilitate either room. Ben can facilitate only room A. Cara can cover room B but arrives at 09:30. Each room needs continuous coverage, and nobody can cover both at once. Find a feasible assignment or identify the blocking condition and the smallest staffing change needed.A feasibility conclusion with a time-based assignment or a precise blocking interval and proposed change.The reasoning checks the full 09:00–09:30 interval rather than treating Cara as available from 09:00.openai/o1-proDe afzonderlijke o1-pro-editie gebruikt extra rekenwerk voor complex redeneerwerk over tekst en afbeeldingen. Het model geeft tekst terug en ondersteunt functieaanroepen en Structured Outputs via de Responses-werkwijze van de maker, zonder streaming.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
o1-pro is OpenAI’s afzonderlijke o1-editie die extra rekenwerk gebruikt voor complex redeneerwerk. De o1-familie is met bekrachtigingsleren getraind om een probleem uit te werken voordat een antwoord wordt gegeven. Het Pro-model accepteert tekst en afbeeldingen en produceert tekst. De identiteit staat los van standaard o1 en van de uitvoeringsmodi Pro die voor latere GPT-families zijn gedocumenteerd.
Een voorbeeldtaak is vereisten te analyseren waarvan de voorwaarden van elkaar afhangen. Lever de vraag, het relevante materiaal en de criteria voor de beslissing aan. Vraag om een uitleg van de relaties en een concrete aanbeveling met de bijbehorende voorwaarden. Voeg voor een codevraag het beoogde gedrag en de gerelateerde implementatie toe; lever voor een wiskundig probleem de definities, het domein en de vereiste resultaatvorm aan.
Visueel materiaal kan een diagram, interfacetoestand of ander bewijs voor de vraag leveren. Benoem het relevante detail en voeg de schriftelijke context toe die nodig is om het te interpreteren. Een bruikbare invoeromschrijving scheidt de broninformatie van de instructies en definieert het resultaat dat de lezer nodig heeft: een technische uitleg, voorgestelde oplossing, vergelijking of plan. Zo wordt de aanvullende analyse van het model verbonden met het werkelijke doel van de taak.
OpenAI vermeldt een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 oktober 2023. Redeneren gebruikt ruimte naast de invoer en het zichtbare antwoord. De maker documenteert o1-pro via Responses, met ondersteuning voor modelinteracties in meerdere beurten vóór het eindantwoord; Batch staat ook in de modelspecificatie. Dit zijn kenmerken van het Pro-model bij de maker, geen instellingen van een andere o1-editie.
De oorspronkelijke kaart bevestigt dat streaming niet wordt ondersteund, terwijl functieaanroepen, Structured Outputs en afbeeldingsinvoer wel worden ondersteund. De exact vermelde hulpmiddelen omvatten functies, zoeken in bestanden en MCP-verbindingen. Een toepassing stelt haar bewerkingen beschikbaar, voert haar acties uit en geeft werkelijke resultaten terug. Een gestructureerd eindantwoord bepaalt de vorm van de uitvoer, terwijl een functieverzoek een bewerking voor de werkomgeving voorstelt.
Geef aan hoe de taak moet worden voltooid en gecontroleerd. Vraag voor een analyse om de conclusie, het ondersteunende bewijs en onopgeloste voorwaarden onderscheidbaar te houden. Specificeer voor een voorgestelde wijziging het verwachte gedrag en vraag om daadwerkelijk uitgevoerde controles te scheiden van controles die nog nodig zijn. Een bruikbaar eindresultaat maakt de belangrijke keuzes expliciet en verbindt ze met de oorspronkelijke vraag en het aangeleverde materiaal.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten openai/o1-pro | 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 $0.3 / 1K tokens Uitvoer · Uitvoertokens $1.2 / 1K tokens Invoer · Cache lezen — / 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 $0.3 / 1K tokens Uitvoer · Uitvoertokens $1.2 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o1-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/o1-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/o1-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 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/o1-pro
Gebruik de hierboven getoonde methodepaden.
openai/o1-proDe afzonderlijke o1-pro-editie gebruikt extra rekenwerk voor complex redeneerwerk over tekst en afbeeldingen. Het model geeft tekst terug en ondersteunt functieaanroepen en Structured Outputs via de Responses-werkwijze van de maker, zonder streaming.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
o1-pro is OpenAI’s afzonderlijke o1-editie die extra rekenwerk gebruikt voor complex redeneerwerk. De o1-familie is met bekrachtigingsleren getraind om een probleem uit te werken voordat een antwoord wordt gegeven. Het Pro-model accepteert tekst en afbeeldingen en produceert tekst. De identiteit staat los van standaard o1 en van de uitvoeringsmodi Pro die voor latere GPT-families zijn gedocumenteerd.
Een voorbeeldtaak is vereisten te analyseren waarvan de voorwaarden van elkaar afhangen. Lever de vraag, het relevante materiaal en de criteria voor de beslissing aan. Vraag om een uitleg van de relaties en een concrete aanbeveling met de bijbehorende voorwaarden. Voeg voor een codevraag het beoogde gedrag en de gerelateerde implementatie toe; lever voor een wiskundig probleem de definities, het domein en de vereiste resultaatvorm aan.
Visueel materiaal kan een diagram, interfacetoestand of ander bewijs voor de vraag leveren. Benoem het relevante detail en voeg de schriftelijke context toe die nodig is om het te interpreteren. Een bruikbare invoeromschrijving scheidt de broninformatie van de instructies en definieert het resultaat dat de lezer nodig heeft: een technische uitleg, voorgestelde oplossing, vergelijking of plan. Zo wordt de aanvullende analyse van het model verbonden met het werkelijke doel van de taak.
OpenAI vermeldt een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 oktober 2023. Redeneren gebruikt ruimte naast de invoer en het zichtbare antwoord. De maker documenteert o1-pro via Responses, met ondersteuning voor modelinteracties in meerdere beurten vóór het eindantwoord; Batch staat ook in de modelspecificatie. Dit zijn kenmerken van het Pro-model bij de maker, geen instellingen van een andere o1-editie.
De oorspronkelijke kaart bevestigt dat streaming niet wordt ondersteund, terwijl functieaanroepen, Structured Outputs en afbeeldingsinvoer wel worden ondersteund. De exact vermelde hulpmiddelen omvatten functies, zoeken in bestanden en MCP-verbindingen. Een toepassing stelt haar bewerkingen beschikbaar, voert haar acties uit en geeft werkelijke resultaten terug. Een gestructureerd eindantwoord bepaalt de vorm van de uitvoer, terwijl een functieverzoek een bewerking voor de werkomgeving voorstelt.
Geef aan hoe de taak moet worden voltooid en gecontroleerd. Vraag voor een analyse om de conclusie, het ondersteunende bewijs en onopgeloste voorwaarden onderscheidbaar te houden. Specificeer voor een voorgestelde wijziging het verwachte gedrag en vraag om daadwerkelijk uitgevoerde controles te scheiden van controles die nog nodig zijn. Een bruikbaar eindresultaat maakt de belangrijke keuzes expliciet en verbindt ze met de oorspronkelijke vraag en het aangeleverde materiaal.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten openai/o1-pro | 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 $0.3 / 1K tokens Uitvoer · Uitvoertokens $1.2 / 1K tokens Invoer · Cache lezen — / 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 $0.3 / 1K tokens Uitvoer · Uitvoertokens $1.2 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "openai/o1-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/o1-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/o1-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 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/o1-pro
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Check an interdependent staffing plan\n\nTwo rooms need a facilitator from 09:00 to 10:00. Ada can facilitate either room. Ben can facilitate only room A. Cara can cover room B but arrives at 09:30. Each room needs continuous coverage, and nobody can cover both at once. Find a feasible assignment or identify the blocking condition and the smallest staffing change needed.A feasibility conclusion with a time-based assignment or a precise blocking interval and proposed change.The reasoning checks the full 09:00–09:30 interval rather than treating Cara as available from 09:00.