GPT-5-Codex is OpenAI’s versie van GPT-5, geoptimaliseerd voor softwareontwikkeling met agenten in Codex en vergelijkbare programmeeromgevingen. De training richt zich op werk zoals projecten maken, functies en tests implementeren, fouten opsporen en verhelpen, bestaande codebases herstructureren en wijzigingen beoordelen. Bekrachtigingsleren op echte programmeertaken ontwikkelt instructieopvolging, codestijl en iteratieve verificatie. De beoogde omgeving is een programmeerassistent met toegang tot projectcontext en ontwikkelhulpmiddelen.
Het model past aan hoeveel redeneerwerk het aan een taak besteedt. Een kleine, duidelijk gedefinieerde wijziging kan als een interactieve uitwisseling worden behandeld, terwijl een complexe herstructurering langdurige analyse en herhaalde implementatiestappen kan vergen. Dit adaptieve gedrag verbindt gesprek en uitvoering: de agent onderzoekt het project, stelt een wijziging voor, ontvangt resultaten uit zijn omgeving en werkt verder naar het opgegeven resultaat.
Codebeoordeling is een afzonderlijk deel van de specialisatie. OpenAI beschrijft een beoordelaar die de codebasis en afhankelijkheden onderzoekt, een voorgestelde wijziging aan het beoogde gedrag relateert en code-uitvoering en tests gebruikt om de correctheid te onderzoeken. De nuttige uitvoer is een gerichte uitleg van wezenlijke fouten en de betrokken code, in plaats van opmerkingen die alleen op het uiterlijk van een diff zijn gebaseerd. Projectbestanden en hulpmiddelresultaten leveren het bewijsmateriaal voor die analyse.
Visuele invoer ondersteunt frontendwerk. Schermafbeeldingen, wireframes en diagrammen kunnen de gewenste interface of een waargenomen probleem overbrengen. In een omgeving met browser- en schermafbeeldingshulpmiddelen kan de agent de implementatie onderzoeken en het gebouwde resultaat vergelijken met het aangeleverde visuele doel. Dit zijn door de omgeving ondersteunde processen: het model interpreteert informatie en selecteert acties, terwijl de toepassing de hulpmiddelen aanbiedt en uitvoert.
De gepubliceerde modelspecificatie vermeldt tekst- en beeldinvoer en tekstuitvoer, een contextvenster van 400.000 tokens en maximaal 128.000 uitvoertokens. Het ondersteunt redeneertokens, streaming, functieaanroepen en gestructureerde uitvoer. OpenAI documenteert het model via de Responses-interface en duidt de naam zonder versie aan als een modellabel dat wordt bijgewerkt. De gedocumenteerde kennisgrens is 30 september 2024. Audio en video vallen buiten de genoemde invoermodaliteiten; fine-tuning en Predicted Outputs worden in deze configuratie niet ondersteund.
Het addendum bij de systeemkaart scheidt modeltraining van de beheersmaatregelen in het product. Het model is getraind om promptinjectie-instructies in programmeermateriaal te weerstaan. Werkruimte-isolatie, netwerkrechten en goedkeuringsregels behoren tot de agentomgeving. Dit onderscheid is belangrijk wanneer de assistent externe documentatie leest of opdrachten uitvoert: de toepassing bepaalt de toegang en haar uitvoer legt vast wat er daadwerkelijk is gebeurd.
Begin voor een programmeerassistent die Ailoot API gebruikt met het te bereiken gedrag, de relevante bestanden en een duidelijk voltooiingscriterium. Een geschikte opdracht kan vragen om een samenhangende wijziging, een uitleg van de betrokken afhankelijkheden en de controles die nodig zijn om het resultaat te valideren. Lever actuele projectinstructies en nuttige visuele voorbeelden aan en vraag vervolgens om een beoordeelbaar resultaat: gewijzigde code, een foutanalyse of een getest implementatieplan.
", "aboutText": "GPT-5-Codex is OpenAI’s versie van GPT-5, geoptimaliseerd voor softwareontwikkeling met agenten in Codex en vergelijkbare programmeeromgevingen. De training richt zich op werk zoals projecten maken, functies en tests implementeren, fouten opsporen en verhelpen, bestaande codebases herstructureren en wijzigingen beoordelen. Bekrachtigingsleren op echte programmeertaken ontwikkelt instructieopvolging, codestijl en iteratieve verificatie. De beoogde omgeving is een programmeerassistent met toegang tot projectcontext en ontwikkelhulpmiddelen.\n\nHet model past aan hoeveel redeneerwerk het aan een taak besteedt. Een kleine, duidelijk gedefinieerde wijziging kan als een interactieve uitwisseling worden behandeld, terwijl een complexe herstructurering langdurige analyse en herhaalde implementatiestappen kan vergen. Dit adaptieve gedrag verbindt gesprek en uitvoering: de agent onderzoekt het project, stelt een wijziging voor, ontvangt resultaten uit zijn omgeving en werkt verder naar het opgegeven resultaat.\n\nCodebeoordeling is een afzonderlijk deel van de specialisatie. OpenAI beschrijft een beoordelaar die de codebasis en afhankelijkheden onderzoekt, een voorgestelde wijziging aan het beoogde gedrag relateert en code-uitvoering en tests gebruikt om de correctheid te onderzoeken. De nuttige uitvoer is een gerichte uitleg van wezenlijke fouten en de betrokken code, in plaats van opmerkingen die alleen op het uiterlijk van een diff zijn gebaseerd. Projectbestanden en hulpmiddelresultaten leveren het bewijsmateriaal voor die analyse.\n\nVisuele invoer ondersteunt frontendwerk. Schermafbeeldingen, wireframes en diagrammen kunnen de gewenste interface of een waargenomen probleem overbrengen. In een omgeving met browser- en schermafbeeldingshulpmiddelen kan de agent de implementatie onderzoeken en het gebouwde resultaat vergelijken met het aangeleverde visuele doel. Dit zijn door de omgeving ondersteunde processen: het model interpreteert informatie en selecteert acties, terwijl de toepassing de hulpmiddelen aanbiedt en uitvoert.\n\nDe gepubliceerde modelspecificatie vermeldt tekst- en beeldinvoer en tekstuitvoer, een contextvenster van 400.000 tokens en maximaal 128.000 uitvoertokens. Het ondersteunt redeneertokens, streaming, functieaanroepen en gestructureerde uitvoer. OpenAI documenteert het model via de Responses-interface en duidt de naam zonder versie aan als een modellabel dat wordt bijgewerkt. De gedocumenteerde kennisgrens is 30 september 2024. Audio en video vallen buiten de genoemde invoermodaliteiten; fine-tuning en Predicted Outputs worden in deze configuratie niet ondersteund.\n\nHet addendum bij de systeemkaart scheidt modeltraining van de beheersmaatregelen in het product. Het model is getraind om promptinjectie-instructies in programmeermateriaal te weerstaan. Werkruimte-isolatie, netwerkrechten en goedkeuringsregels behoren tot de agentomgeving. Dit onderscheid is belangrijk wanneer de assistent externe documentatie leest of opdrachten uitvoert: de toepassing bepaalt de toegang en haar uitvoer legt vast wat er daadwerkelijk is gebeurd.\n\nBegin voor een programmeerassistent die Ailoot API gebruikt met het te bereiken gedrag, de relevante bestanden en een duidelijk voltooiingscriterium. Een geschikte opdracht kan vragen om een samenhangende wijziging, een uitleg van de betrokken afhankelijkheden en de controles die nodig zijn om het resultaat te valideren. Lever actuele projectinstructies en nuttige visuele voorbeelden aan en vraag vervolgens om een beoordeelbaar resultaat: gewijzigde code, een foutanalyse of een getest implementatieplan.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Review a mutable default argument\n\nReview this Python function: def add_tag(tag, tags=[]):\n tags.append(tag)\n return tags\nCalling add_tag("red") and then add_tag("blue") should return separate one-item lists when no list is supplied. Explain the defect, give a minimal correction and tests for independent calls and an explicitly provided list.A defect explanation, corrected function and tests covering default and explicit arguments.Check that omitted lists do not share state while a caller-supplied list retains the intended append behavior.gpt-5-codexGPT-5-Codex is OpenAI’s GPT-5-variant voor softwareontwikkeling met agenten: functies implementeren, fouten opsporen en verhelpen, code herstructureren en beoordelen in een omgeving met hulpmiddelen. Het combineert tekst- en beeldinvoer met adaptief redeneren en een context van 400.000 tokens.
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-Codex is OpenAI’s versie van GPT-5, geoptimaliseerd voor softwareontwikkeling met agenten in Codex en vergelijkbare programmeeromgevingen. De training richt zich op werk zoals projecten maken, functies en tests implementeren, fouten opsporen en verhelpen, bestaande codebases herstructureren en wijzigingen beoordelen. Bekrachtigingsleren op echte programmeertaken ontwikkelt instructieopvolging, codestijl en iteratieve verificatie. De beoogde omgeving is een programmeerassistent met toegang tot projectcontext en ontwikkelhulpmiddelen.
Het model past aan hoeveel redeneerwerk het aan een taak besteedt. Een kleine, duidelijk gedefinieerde wijziging kan als een interactieve uitwisseling worden behandeld, terwijl een complexe herstructurering langdurige analyse en herhaalde implementatiestappen kan vergen. Dit adaptieve gedrag verbindt gesprek en uitvoering: de agent onderzoekt het project, stelt een wijziging voor, ontvangt resultaten uit zijn omgeving en werkt verder naar het opgegeven resultaat.
Codebeoordeling is een afzonderlijk deel van de specialisatie. OpenAI beschrijft een beoordelaar die de codebasis en afhankelijkheden onderzoekt, een voorgestelde wijziging aan het beoogde gedrag relateert en code-uitvoering en tests gebruikt om de correctheid te onderzoeken. De nuttige uitvoer is een gerichte uitleg van wezenlijke fouten en de betrokken code, in plaats van opmerkingen die alleen op het uiterlijk van een diff zijn gebaseerd. Projectbestanden en hulpmiddelresultaten leveren het bewijsmateriaal voor die analyse.
Visuele invoer ondersteunt frontendwerk. Schermafbeeldingen, wireframes en diagrammen kunnen de gewenste interface of een waargenomen probleem overbrengen. In een omgeving met browser- en schermafbeeldingshulpmiddelen kan de agent de implementatie onderzoeken en het gebouwde resultaat vergelijken met het aangeleverde visuele doel. Dit zijn door de omgeving ondersteunde processen: het model interpreteert informatie en selecteert acties, terwijl de toepassing de hulpmiddelen aanbiedt en uitvoert.
De gepubliceerde modelspecificatie vermeldt tekst- en beeldinvoer en tekstuitvoer, een contextvenster van 400.000 tokens en maximaal 128.000 uitvoertokens. Het ondersteunt redeneertokens, streaming, functieaanroepen en gestructureerde uitvoer. OpenAI documenteert het model via de Responses-interface en duidt de naam zonder versie aan als een modellabel dat wordt bijgewerkt. De gedocumenteerde kennisgrens is 30 september 2024. Audio en video vallen buiten de genoemde invoermodaliteiten; fine-tuning en Predicted Outputs worden in deze configuratie niet ondersteund.
Het addendum bij de systeemkaart scheidt modeltraining van de beheersmaatregelen in het product. Het model is getraind om promptinjectie-instructies in programmeermateriaal te weerstaan. Werkruimte-isolatie, netwerkrechten en goedkeuringsregels behoren tot de agentomgeving. Dit onderscheid is belangrijk wanneer de assistent externe documentatie leest of opdrachten uitvoert: de toepassing bepaalt de toegang en haar uitvoer legt vast wat er daadwerkelijk is gebeurd.
Begin voor een programmeerassistent die Ailoot API gebruikt met het te bereiken gedrag, de relevante bestanden en een duidelijk voltooiingscriterium. Een geschikte opdracht kan vragen om een samenhangende wijziging, een uitleg van de betrokken afhankelijkheden en de controles die nodig zijn om het resultaat te valideren. Lever actuele projectinstructies en nuttige visuele voorbeelden aan en vraag vervolgens om een beoordeelbaar resultaat: gewijzigde code, een foutanalyse of een getest implementatieplan.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten gpt-5-codex | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5-codex", "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='gpt-5-codex',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='gpt-5-codex',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 gpt-5-codex
Gebruik de hierboven getoonde methodepaden.
gpt-5-codexGPT-5-Codex is OpenAI’s GPT-5-variant voor softwareontwikkeling met agenten: functies implementeren, fouten opsporen en verhelpen, code herstructureren en beoordelen in een omgeving met hulpmiddelen. Het combineert tekst- en beeldinvoer met adaptief redeneren en een context van 400.000 tokens.
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-Codex is OpenAI’s versie van GPT-5, geoptimaliseerd voor softwareontwikkeling met agenten in Codex en vergelijkbare programmeeromgevingen. De training richt zich op werk zoals projecten maken, functies en tests implementeren, fouten opsporen en verhelpen, bestaande codebases herstructureren en wijzigingen beoordelen. Bekrachtigingsleren op echte programmeertaken ontwikkelt instructieopvolging, codestijl en iteratieve verificatie. De beoogde omgeving is een programmeerassistent met toegang tot projectcontext en ontwikkelhulpmiddelen.
Het model past aan hoeveel redeneerwerk het aan een taak besteedt. Een kleine, duidelijk gedefinieerde wijziging kan als een interactieve uitwisseling worden behandeld, terwijl een complexe herstructurering langdurige analyse en herhaalde implementatiestappen kan vergen. Dit adaptieve gedrag verbindt gesprek en uitvoering: de agent onderzoekt het project, stelt een wijziging voor, ontvangt resultaten uit zijn omgeving en werkt verder naar het opgegeven resultaat.
Codebeoordeling is een afzonderlijk deel van de specialisatie. OpenAI beschrijft een beoordelaar die de codebasis en afhankelijkheden onderzoekt, een voorgestelde wijziging aan het beoogde gedrag relateert en code-uitvoering en tests gebruikt om de correctheid te onderzoeken. De nuttige uitvoer is een gerichte uitleg van wezenlijke fouten en de betrokken code, in plaats van opmerkingen die alleen op het uiterlijk van een diff zijn gebaseerd. Projectbestanden en hulpmiddelresultaten leveren het bewijsmateriaal voor die analyse.
Visuele invoer ondersteunt frontendwerk. Schermafbeeldingen, wireframes en diagrammen kunnen de gewenste interface of een waargenomen probleem overbrengen. In een omgeving met browser- en schermafbeeldingshulpmiddelen kan de agent de implementatie onderzoeken en het gebouwde resultaat vergelijken met het aangeleverde visuele doel. Dit zijn door de omgeving ondersteunde processen: het model interpreteert informatie en selecteert acties, terwijl de toepassing de hulpmiddelen aanbiedt en uitvoert.
De gepubliceerde modelspecificatie vermeldt tekst- en beeldinvoer en tekstuitvoer, een contextvenster van 400.000 tokens en maximaal 128.000 uitvoertokens. Het ondersteunt redeneertokens, streaming, functieaanroepen en gestructureerde uitvoer. OpenAI documenteert het model via de Responses-interface en duidt de naam zonder versie aan als een modellabel dat wordt bijgewerkt. De gedocumenteerde kennisgrens is 30 september 2024. Audio en video vallen buiten de genoemde invoermodaliteiten; fine-tuning en Predicted Outputs worden in deze configuratie niet ondersteund.
Het addendum bij de systeemkaart scheidt modeltraining van de beheersmaatregelen in het product. Het model is getraind om promptinjectie-instructies in programmeermateriaal te weerstaan. Werkruimte-isolatie, netwerkrechten en goedkeuringsregels behoren tot de agentomgeving. Dit onderscheid is belangrijk wanneer de assistent externe documentatie leest of opdrachten uitvoert: de toepassing bepaalt de toegang en haar uitvoer legt vast wat er daadwerkelijk is gebeurd.
Begin voor een programmeerassistent die Ailoot API gebruikt met het te bereiken gedrag, de relevante bestanden en een duidelijk voltooiingscriterium. Een geschikte opdracht kan vragen om een samenhangende wijziging, een uitleg van de betrokken afhankelijkheden en de controles die nodig zijn om het resultaat te valideren. Lever actuele projectinstructies en nuttige visuele voorbeelden aan en vraag vervolgens om een beoordeelbaar resultaat: gewijzigde code, een foutanalyse of een getest implementatieplan.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten gpt-5-codex | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "gpt-5-codex",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'gpt-5-codex', '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': 'gpt-5-codex', '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 gpt-5-codex
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Review a mutable default argument\n\nReview this Python function: def add_tag(tag, tags=[]):\n tags.append(tag)\n return tags\nCalling add_tag("red") and then add_tag("blue") should return separate one-item lists when no list is supplied. Explain the defect, give a minimal correction and tests for independent calls and an explicitly provided list.A defect explanation, corrected function and tests covering default and explicit arguments.Check that omitted lists do not share state while a caller-supplied list retains the intended append behavior.