o4-mini is OpenAI’s compacte redeneermodel uit de o-serie, geoptimaliseerd voor snel en doeltreffend redeneren bij programmeer- en visuele taken. Het accepteert tekst en afbeeldingen en produceert tekst. Het is bruikbaar voor een duidelijk omschreven technisch probleem dat analyse vóór het antwoord vereist: een fout in code begrijpen, een diagram interpreteren, feiten in aangeleverd materiaal verbinden of een gestructureerd resultaat produceren dat een volgende stap kan gebruiken.
Geef het model bij programmeertaken de relevante functie of bestanden, het verwachte gedrag en de exacte invoer of foutmelding waarbij het misgaat. Vermeld de programmeertaal en omgevingsdetails die het resultaat beïnvloeden. Een gerichte opdracht kan vragen om de waarschijnlijke oorzaak, een zo klein mogelijk correctievoorstel en een uitleg van hoe de wijziging het waargenomen gedrag verhelpt. Bepaal de grenzen van de wijziging, zoals het behoud van de openbare interface of de betekenis van bestaande gegevens, zodat het resultaat aan de werkelijke taak kan worden getoetst.
Lever voor een visueel probleem een leesbare schermafbeelding, een diagram of een grafiek aan en benoem de vraag die daarmee moet worden beantwoord. Houd betekenisvolle labels, assen en eenheden zichtbaar. Een voorbeeldopdracht is uit te leggen welke uitspraak een grafiek ondersteunt, de gebruikte waarnemingen te benoemen en een zichtbare waarde van een gevolgtrekking te onderscheiden. Label bij een documenttaak het bronmateriaal en definieer de velden of relaties die in het antwoord nodig zijn. Ook een compact model heeft baat bij volledige probleeminformatie en een nauwkeurige omschrijving van de gewenste uitvoer.
OpenAI specificeert een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 juni 2024. Redeneertokens gebruiken zowel context- als uitvoercapaciteit; laat dus ruimte voor analyse en het uiteindelijke antwoord in plaats van het volledige budget met invoer te vullen. Het bereiken van een context- of uitvoerlimiet kan tot een onvolledig antwoord leiden voordat er enige zichtbare beantwoording is. Ook een kort eindantwoord kan intern redeneren vereisen; alleen de zichtbare lengte beschrijft niet het volledige tokenbudget.
De specifieke modelpagina van o4-mini vermeldt interfaces voor Chat Completions, Responses, Batch en fijnafstemming. De gedocumenteerde functies omvatten streaming, Structured Outputs, functieaanroepen, bestandsuploads, afbeeldingsinvoer, zoeken in bestanden, promptcaching en fijnafstemming. De hulpmiddelen omvatten zoeken op het web en in bestanden, code-interpretatie en MCP-verbindingen. Geef een toepassingshulpmiddel een duidelijk doel en invoercontract, stuur het werkelijke resultaat terug en vraag het model dat resultaat te gebruiken voor de volgende beslissing. Een gevraagde functieaanroep is een actievoorstel, terwijl een gestructureerd eindantwoord de informatie ordent die de taak oplevert.
OpenAI’s promptadvies voor de o-serie beveelt een eenvoudig, direct doel met expliciete voorwaarden en duidelijke scheidingstekens rond bronmateriaal aan. Laat het model het probleem intern uitwerken; vraag om de uiteindelijke uitleg, het bewijs of de berekening die u nodig hebt, in plaats van om een transcript van verborgen redeneerwerk. Probeer eerst een duidelijke taakomschrijving en voeg daarna voorbeelden toe als een vereist formaat of een categoriegrens onduidelijk blijft. Een voorbeeld moet dezelfde regels laten zien als de werkelijke taak, inclusief de weergave van ontbrekende informatie.
Voor toepassingen die optioneel uitleg over het redeneerproces nodig hebben, documenteert OpenAI’s redeneerhandleiding expliciet gedetailleerde redeneersamenvattingen voor o4-mini. Een samenvatting moet worden aangevraagd en staat los van de ruwe interne redeneertokens, die niet worden getoond. Het eindantwoord moet nog steeds het door de gebruiker gevraagde resultaat bevatten: bijvoorbeeld een voorgestelde codewijziging, een grafiekinterpretatie met relevante waarnemingen of geëxtraheerde velden die aan het aangeleverde materiaal zijn gekoppeld. Lever recente feiten aan wanneer die relevant zijn, controleer belangrijke beweringen aan de hand van hun bron en houd de werkwijze gericht met een afgebakende taak en een voltooiingscriterium.
", "aboutText": "o4-mini is OpenAI’s compacte redeneermodel uit de o-serie, geoptimaliseerd voor snel en doeltreffend redeneren bij programmeer- en visuele taken. Het accepteert tekst en afbeeldingen en produceert tekst. Het is bruikbaar voor een duidelijk omschreven technisch probleem dat analyse vóór het antwoord vereist: een fout in code begrijpen, een diagram interpreteren, feiten in aangeleverd materiaal verbinden of een gestructureerd resultaat produceren dat een volgende stap kan gebruiken.\n\nGeef het model bij programmeertaken de relevante functie of bestanden, het verwachte gedrag en de exacte invoer of foutmelding waarbij het misgaat. Vermeld de programmeertaal en omgevingsdetails die het resultaat beïnvloeden. Een gerichte opdracht kan vragen om de waarschijnlijke oorzaak, een zo klein mogelijk correctievoorstel en een uitleg van hoe de wijziging het waargenomen gedrag verhelpt. Bepaal de grenzen van de wijziging, zoals het behoud van de openbare interface of de betekenis van bestaande gegevens, zodat het resultaat aan de werkelijke taak kan worden getoetst.\n\nLever voor een visueel probleem een leesbare schermafbeelding, een diagram of een grafiek aan en benoem de vraag die daarmee moet worden beantwoord. Houd betekenisvolle labels, assen en eenheden zichtbaar. Een voorbeeldopdracht is uit te leggen welke uitspraak een grafiek ondersteunt, de gebruikte waarnemingen te benoemen en een zichtbare waarde van een gevolgtrekking te onderscheiden. Label bij een documenttaak het bronmateriaal en definieer de velden of relaties die in het antwoord nodig zijn. Ook een compact model heeft baat bij volledige probleeminformatie en een nauwkeurige omschrijving van de gewenste uitvoer.\n\nOpenAI specificeert een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 juni 2024. Redeneertokens gebruiken zowel context- als uitvoercapaciteit; laat dus ruimte voor analyse en het uiteindelijke antwoord in plaats van het volledige budget met invoer te vullen. Het bereiken van een context- of uitvoerlimiet kan tot een onvolledig antwoord leiden voordat er enige zichtbare beantwoording is. Ook een kort eindantwoord kan intern redeneren vereisen; alleen de zichtbare lengte beschrijft niet het volledige tokenbudget.\n\nDe specifieke modelpagina van o4-mini vermeldt interfaces voor Chat Completions, Responses, Batch en fijnafstemming. De gedocumenteerde functies omvatten streaming, Structured Outputs, functieaanroepen, bestandsuploads, afbeeldingsinvoer, zoeken in bestanden, promptcaching en fijnafstemming. De hulpmiddelen omvatten zoeken op het web en in bestanden, code-interpretatie en MCP-verbindingen. Geef een toepassingshulpmiddel een duidelijk doel en invoercontract, stuur het werkelijke resultaat terug en vraag het model dat resultaat te gebruiken voor de volgende beslissing. Een gevraagde functieaanroep is een actievoorstel, terwijl een gestructureerd eindantwoord de informatie ordent die de taak oplevert.\n\nOpenAI’s promptadvies voor de o-serie beveelt een eenvoudig, direct doel met expliciete voorwaarden en duidelijke scheidingstekens rond bronmateriaal aan. Laat het model het probleem intern uitwerken; vraag om de uiteindelijke uitleg, het bewijs of de berekening die u nodig hebt, in plaats van om een transcript van verborgen redeneerwerk. Probeer eerst een duidelijke taakomschrijving en voeg daarna voorbeelden toe als een vereist formaat of een categoriegrens onduidelijk blijft. Een voorbeeld moet dezelfde regels laten zien als de werkelijke taak, inclusief de weergave van ontbrekende informatie.\n\nVoor toepassingen die optioneel uitleg over het redeneerproces nodig hebben, documenteert OpenAI’s redeneerhandleiding expliciet gedetailleerde redeneersamenvattingen voor o4-mini. Een samenvatting moet worden aangevraagd en staat los van de ruwe interne redeneertokens, die niet worden getoond. Het eindantwoord moet nog steeds het door de gebruiker gevraagde resultaat bevatten: bijvoorbeeld een voorgestelde codewijziging, een grafiekinterpretatie met relevante waarnemingen of geëxtraheerde velden die aan het aangeleverde materiaal zijn gekoppeld. Lever recente feiten aan wanneer die relevant zijn, controleer belangrijke beweringen aan de hand van hun bron en houd de werkwijze gericht met een afgebakende taak en een voltooiingscriterium.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "923ce5098ba147fc6efc9e5e7b27b5c6f7f8fa2c782e593b55997d07cb8721aa", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "openai/o4-mini:batchOpenAI o4-mini is een compact redeneermodel voor efficiënt programmeren en visuele taken. Het accepteert tekst en afbeeldingen, geeft tekst terug en ondersteunt gestructureerde antwoorden en hulpmiddelen om een afgebakend technisch probleem op te lossen of een bruikbare conclusie uit aangeleverd materiaal te trekken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
o4-mini is OpenAI’s compacte redeneermodel uit de o-serie, geoptimaliseerd voor snel en doeltreffend redeneren bij programmeer- en visuele taken. Het accepteert tekst en afbeeldingen en produceert tekst. Het is bruikbaar voor een duidelijk omschreven technisch probleem dat analyse vóór het antwoord vereist: een fout in code begrijpen, een diagram interpreteren, feiten in aangeleverd materiaal verbinden of een gestructureerd resultaat produceren dat een volgende stap kan gebruiken.
Geef het model bij programmeertaken de relevante functie of bestanden, het verwachte gedrag en de exacte invoer of foutmelding waarbij het misgaat. Vermeld de programmeertaal en omgevingsdetails die het resultaat beïnvloeden. Een gerichte opdracht kan vragen om de waarschijnlijke oorzaak, een zo klein mogelijk correctievoorstel en een uitleg van hoe de wijziging het waargenomen gedrag verhelpt. Bepaal de grenzen van de wijziging, zoals het behoud van de openbare interface of de betekenis van bestaande gegevens, zodat het resultaat aan de werkelijke taak kan worden getoetst.
Lever voor een visueel probleem een leesbare schermafbeelding, een diagram of een grafiek aan en benoem de vraag die daarmee moet worden beantwoord. Houd betekenisvolle labels, assen en eenheden zichtbaar. Een voorbeeldopdracht is uit te leggen welke uitspraak een grafiek ondersteunt, de gebruikte waarnemingen te benoemen en een zichtbare waarde van een gevolgtrekking te onderscheiden. Label bij een documenttaak het bronmateriaal en definieer de velden of relaties die in het antwoord nodig zijn. Ook een compact model heeft baat bij volledige probleeminformatie en een nauwkeurige omschrijving van de gewenste uitvoer.
OpenAI specificeert een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 juni 2024. Redeneertokens gebruiken zowel context- als uitvoercapaciteit; laat dus ruimte voor analyse en het uiteindelijke antwoord in plaats van het volledige budget met invoer te vullen. Het bereiken van een context- of uitvoerlimiet kan tot een onvolledig antwoord leiden voordat er enige zichtbare beantwoording is. Ook een kort eindantwoord kan intern redeneren vereisen; alleen de zichtbare lengte beschrijft niet het volledige tokenbudget.
De specifieke modelpagina van o4-mini vermeldt interfaces voor Chat Completions, Responses, Batch en fijnafstemming. De gedocumenteerde functies omvatten streaming, Structured Outputs, functieaanroepen, bestandsuploads, afbeeldingsinvoer, zoeken in bestanden, promptcaching en fijnafstemming. De hulpmiddelen omvatten zoeken op het web en in bestanden, code-interpretatie en MCP-verbindingen. Geef een toepassingshulpmiddel een duidelijk doel en invoercontract, stuur het werkelijke resultaat terug en vraag het model dat resultaat te gebruiken voor de volgende beslissing. Een gevraagde functieaanroep is een actievoorstel, terwijl een gestructureerd eindantwoord de informatie ordent die de taak oplevert.
OpenAI’s promptadvies voor de o-serie beveelt een eenvoudig, direct doel met expliciete voorwaarden en duidelijke scheidingstekens rond bronmateriaal aan. Laat het model het probleem intern uitwerken; vraag om de uiteindelijke uitleg, het bewijs of de berekening die u nodig hebt, in plaats van om een transcript van verborgen redeneerwerk. Probeer eerst een duidelijke taakomschrijving en voeg daarna voorbeelden toe als een vereist formaat of een categoriegrens onduidelijk blijft. Een voorbeeld moet dezelfde regels laten zien als de werkelijke taak, inclusief de weergave van ontbrekende informatie.
Voor toepassingen die optioneel uitleg over het redeneerproces nodig hebben, documenteert OpenAI’s redeneerhandleiding expliciet gedetailleerde redeneersamenvattingen voor o4-mini. Een samenvatting moet worden aangevraagd en staat los van de ruwe interne redeneertokens, die niet worden getoond. Het eindantwoord moet nog steeds het door de gebruiker gevraagde resultaat bevatten: bijvoorbeeld een voorgestelde codewijziging, een grafiekinterpretatie met relevante waarnemingen of geëxtraheerde velden die aan het aangeleverde materiaal zijn gekoppeld. Lever recente feiten aan wanneer die relevant zijn, controleer belangrijke beweringen aan de hand van hun bron en houd de werkwijze gericht met een afgebakende taak en een voltooiingscriterium.
POST /v1/batchestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldendpoint | Typestring | VereisteVereist | Waarden en limieten /v1/chat/completions | Standaard— |
Veldmodel | Typestring | VereisteVereist | Waarden en limieten openai/o4-mini:batch | Standaard— |
Veldrequests | Typebatch_item[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldrequests[].custom_id | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldrequests[].body.messages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldcompletion_window | Typestring | VereisteOptioneel | Waarden en limieten 24h | Standaard— |
Veldprovider | Typeobject|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldrequests[].body.model | Typestring | VereisteOptioneel | Waarden en limieten openai/o4-mini:batch, openai/o4-mini | Standaard— |
Veldprovider.only | Typestring[] | VereisteOptioneel | Waarden en limieten openai | Standaard— |
Veldprovider.allow_fallbacks | Typeboolean|null | VereisteOptioneel | Waarden en limieten false, null | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractendpoint, model, requests |
Parametermaterial_types | Contracttext |
Parameterrepresentation | Contractinline requests[]; elk item bevat custom_id en body |
Parameterrequest_endpoint_profile | Contract/v1/chat/completions |
Parameterfile_material | ContractDe aanroeper kan de daadwerkelijke UTF-8 JSONL lokaal in requests[] inlezen. Er wordt geen uploaddoel, input_file_id of bestandsverwijzing gebruikt. Ontbrekend of leeg klantmateriaal stopt de voorbereiding vóór POST. |
Parameterserialization_order | Contractendpoint, model, provider (indien opgegeven), completion_window (indien opgegeven), requests als laatste |
Parameteroptional_controls | Contractprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | ContractAanvraagbodies voor tekst via Chat Completions in de gedocumenteerde inline Batch-structuur. |
Levenscyclus: asynchronous
GET /v1/batches/{operation_id} · daadwerkelijke response.id uit de oorspronkelijke aanmaakrespons; dezelfde gebruiker/sleutel/groep
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 $0.0011 / 1K tokens Uitvoer · Uitvoertokens $0.0044 / 1K tokens Invoer · Cache lezen $0.000275 / 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 $0.0011 / 1K tokens Uitvoer · Uitvoertokens $0.0044 / 1K tokens Invoer · Cache lezen $0.000275 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/o4-mini:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/o4-mini:batch', 'openai/o4-mini']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/o4-mini:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\ninline JSON uit results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar de volledige oorspronkelijke status-JSON, elk resultaat/custom_id en de volledige respons- of foutbody. Sla voltooide results[] op als JSONL, zonder te filteren.
Bewaar de oorspronkelijke bewerkings-ID. 503 result_pending_check bevat X-Should-Retry:false; dien een oorspronkelijke batch met onbekende status nooit opnieuw in.
| Veld | Type |
|---|---|
Veldresults[].custom_id | Typestring |
Veldresults[].response.body.choices[].message.content | Typestring|null |
Veldresults[].error | Typeobject|null |
Veldusage | Typeobject|null |
Veldid | Typestring |
Veldmodel | Typestring |
Veldendpoint | Typestring |
Veldstatus | Typestring |
Veldrequest_counts | Typeobject |
Veldresults[].id | Typestring |
Veldresults[].response.status_code | Typeinteger |
Veldresults[].response.request_id | Typestring |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeOngeldige gedocumenteerde inline structuur, dubbele sleutels, ongeldige itemidentiteit of conflict met de geconfigureerde modelmogelijkheden. | Volgende stapCorrigeer de aangegeven velden vóór elke nieuwe indiening. |
Antwoord401 · authentication_error | VoorwaardeOngeldige API-sleutel. | Volgende stapGebruik de geautoriseerde Ailoot-sleutel. |
Antwoord403 · permission_error | VoorwaardeBatch-groep niet beschikbaar. | Volgende stapControleer de toegangsrechten van de sleutel/groep. |
Antwoord422 · invalid_request_error | VoorwaardeBatch wordt via het saldo gefactureerd; aanmaken via een abonnement wordt geweigerd. | Volgende stapGebruik de geautoriseerde groep die via het saldo wordt gefactureerd. |
Antwoord422 · price_unavailable | VoorwaardeVoor de Batch-invoer kan geen prijsraming worden gemaakt. | Volgende stapBewaar de respons; gebruik de gedocumenteerde invoer voor deze familie. |
Antwoord402 · billing_error | VoorwaardeReservering voor Batch niet beschikbaar. | Volgende stapLos het toelatingsprobleem op vóór een nieuwe aanvraag. |
Antwoord503 · price_unavailable | VoorwaardePrijs voor de Batch-methode/native tarieven niet beschikbaar. | Volgende stapBewaar de respons; vervang de prijzen niet. |
Antwoord503 · api_error | VoorwaardeDe exacte leveranciersroute is niet beschikbaar. | Volgende stapBewaar de respons voor het herstel van de route. |
Antwoord503 · result_pending_check | VoorwaardeHet oorspronkelijke resultaat moet gecontroleerd worden; X-Should-Retry:false. | Volgende stapBewaar de oorspronkelijke operation_id/id en lees de status ervan uit; herhaal de oorspronkelijke POST nooit. |
Antwoord404 · not_found | VoorwaardeBewerking voor de Batch-status ontbreekt of behoort toe aan een andere identiteit. | Volgende stapGebruik de exacte oorspronkelijke id en dezelfde gebruiker/sleutel/groep. |
Ailoot Ultra openai/o4-mini:batch
Gebruik de hierboven getoonde methodepaden.