GPT-6 Luna Pro duidt op OpenAI’s GPT-6 Luna met Pro-redeneren. Luna is ontworpen voor gerichte taken en werk in grote aantallen; de invoer bestaat uit tekst en afbeeldingen en de uitvoer uit tekst. Pro voegt modelwerk toe bij het uitwerken van het eindantwoord. Het is een uitvoeringsmodus voor het gekozen basismodel, onderscheiden van de instelling voor redeneerinspanning die de hoeveelheid analyse binnen die modus regelt.
Een praktische toepassing is een nauw omschreven aanvraag met meerdere regels of uitzonderingen verwerken. Lever de aanvraag, de mogelijke categorieën en de informatie aan die de volgende actie bepaalt. Vraag om de categorie, de relevante feiten en een kort voorgesteld antwoord. Een voorbeeldtaak is een documentaanvraag te classificeren, een ontbrekend veld te benoemen en een bericht op te stellen waarin om dat veld wordt gevraagd. De taak blijft gericht, ook wanneer de voorwaarden zorgvuldige afweging vereisen.
Lever voor een vraag op basis van een afbeelding een duidelijke schermafbeelding of ander visueel materiaal aan en benoem het te onderzoeken detail. U kunt om uitleg van een zichtbare interfacetoestand vragen, samen met een korte instructie voor de lezer. Definieer voor geschreven materiaal de velden of uitspraken die bij de bewerking behouden moeten blijven, de toegestane categorieën en het verwachte antwoordformaat. Een kleine verzameling representatieve voorbeelden kan de grens tussen vergelijkbare categorieën verduidelijken, zonder dat het model uw regels moet afleiden.
OpenAI specificeert voor GPT-6 Luna een contextvenster van 1.050.000 tokens, een maximale invoer van 922.000 tokens en een maximale uitvoer van 128.000 tokens. De gedocumenteerde kennisgrens is 18 mei 2026. Het basismodel ondersteunt redeneerinspanning none, low, medium, high, xhigh en max, met medium als standaard. Redeneren neemt naast het eindantwoord tokenruimte in; de taakomschrijving en het aangeleverde materiaal moeten daarom ruimte voor analyse en het gevraagde resultaat overlaten.
De maker documenteert Pro in de Responses API voor moeilijke aanvragen die extra wachttijd en modelactiviteit toelaten. De ingebouwde hulpmiddelen van GPT-6 Luna en redeneren met functieaanroepen gebruiken Responses; in de interface Chat Completions van de maker worden functieaanroepen alleen ondersteund met redeneerinspanning none. Het basismodel vermeldt streaming, Structured Outputs, zoeken op het web en in bestanden, functieaanroepen en promptcaching. De hulpmiddelen omvatten ook afbeeldingsgeneratie, code-interpretatie, shell- en patchbewerkingen, skills, computergebruik, MCP-verbindingen en het zoeken naar hulpmiddelen. Uw toepassing bepaalt de bewerkingen die zij beschikbaar stelt en voert ze uit.
Gebruik een nauwkeurig uitvoercontract voor de uiteindelijke taak: de beslissing, de ondersteunende velden en eventuele nog ontbrekende informatie. Vraag bijvoorbeeld om één categorie, een beknopte onderbouwing op basis van de aangeleverde regel en de volgende vraag voor de lezer. Controleer het resultaat aan de hand van die regels, in plaats van een onbeperkte discussie toe te voegen. Deze werkwijze gebruikt Luna’s gerichte taakrol en bewaart Pro’s extra werk voor een aanvraag waarvan de afhankelijkheden of uitzonderingen uitgebreider onderzoek vereisen.
", "aboutText": "GPT-6 Luna Pro duidt op OpenAI’s GPT-6 Luna met Pro-redeneren. Luna is ontworpen voor gerichte taken en werk in grote aantallen; de invoer bestaat uit tekst en afbeeldingen en de uitvoer uit tekst. Pro voegt modelwerk toe bij het uitwerken van het eindantwoord. Het is een uitvoeringsmodus voor het gekozen basismodel, onderscheiden van de instelling voor redeneerinspanning die de hoeveelheid analyse binnen die modus regelt.\n\nEen praktische toepassing is een nauw omschreven aanvraag met meerdere regels of uitzonderingen verwerken. Lever de aanvraag, de mogelijke categorieën en de informatie aan die de volgende actie bepaalt. Vraag om de categorie, de relevante feiten en een kort voorgesteld antwoord. Een voorbeeldtaak is een documentaanvraag te classificeren, een ontbrekend veld te benoemen en een bericht op te stellen waarin om dat veld wordt gevraagd. De taak blijft gericht, ook wanneer de voorwaarden zorgvuldige afweging vereisen.\n\nLever voor een vraag op basis van een afbeelding een duidelijke schermafbeelding of ander visueel materiaal aan en benoem het te onderzoeken detail. U kunt om uitleg van een zichtbare interfacetoestand vragen, samen met een korte instructie voor de lezer. Definieer voor geschreven materiaal de velden of uitspraken die bij de bewerking behouden moeten blijven, de toegestane categorieën en het verwachte antwoordformaat. Een kleine verzameling representatieve voorbeelden kan de grens tussen vergelijkbare categorieën verduidelijken, zonder dat het model uw regels moet afleiden.\n\nOpenAI specificeert voor GPT-6 Luna een contextvenster van 1.050.000 tokens, een maximale invoer van 922.000 tokens en een maximale uitvoer van 128.000 tokens. De gedocumenteerde kennisgrens is 18 mei 2026. Het basismodel ondersteunt redeneerinspanning none, low, medium, high, xhigh en max, met medium als standaard. Redeneren neemt naast het eindantwoord tokenruimte in; de taakomschrijving en het aangeleverde materiaal moeten daarom ruimte voor analyse en het gevraagde resultaat overlaten.\n\nDe maker documenteert Pro in de Responses API voor moeilijke aanvragen die extra wachttijd en modelactiviteit toelaten. De ingebouwde hulpmiddelen van GPT-6 Luna en redeneren met functieaanroepen gebruiken Responses; in de interface Chat Completions van de maker worden functieaanroepen alleen ondersteund met redeneerinspanning none. Het basismodel vermeldt streaming, Structured Outputs, zoeken op het web en in bestanden, functieaanroepen en promptcaching. De hulpmiddelen omvatten ook afbeeldingsgeneratie, code-interpretatie, shell- en patchbewerkingen, skills, computergebruik, MCP-verbindingen en het zoeken naar hulpmiddelen. Uw toepassing bepaalt de bewerkingen die zij beschikbaar stelt en voert ze uit.\n\nGebruik een nauwkeurig uitvoercontract voor de uiteindelijke taak: de beslissing, de ondersteunende velden en eventuele nog ontbrekende informatie. Vraag bijvoorbeeld om één categorie, een beknopte onderbouwing op basis van de aangeleverde regel en de volgende vraag voor de lezer. Controleer het resultaat aan de hand van die regels, in plaats van een onbeperkte discussie toe te voegen. Deze werkwijze gebruikt Luna’s gerichte taakrol en bewaart Pro’s extra werk voor een aanvraag waarvan de afhankelijkheden of uitzonderingen uitgebreider onderzoek vereisen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "24ef509414ba35d8dfdf969aa0849b3d3c8f5ac129a943c9bd88f88718b1991c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "openai/gpt-6-luna-pro:batchGPT-6 Luna met Pro-redeneren voor gerichte taken die extra analyse vóór een eindantwoord nodig hebben. Het basismodel accepteert tekst en afbeeldingen en is bruikbaar voor documentverwerking volgens regels, visuele vragen en beknopte schriftelijke resultaten.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GPT-6 Luna Pro duidt op OpenAI’s GPT-6 Luna met Pro-redeneren. Luna is ontworpen voor gerichte taken en werk in grote aantallen; de invoer bestaat uit tekst en afbeeldingen en de uitvoer uit tekst. Pro voegt modelwerk toe bij het uitwerken van het eindantwoord. Het is een uitvoeringsmodus voor het gekozen basismodel, onderscheiden van de instelling voor redeneerinspanning die de hoeveelheid analyse binnen die modus regelt.
Een praktische toepassing is een nauw omschreven aanvraag met meerdere regels of uitzonderingen verwerken. Lever de aanvraag, de mogelijke categorieën en de informatie aan die de volgende actie bepaalt. Vraag om de categorie, de relevante feiten en een kort voorgesteld antwoord. Een voorbeeldtaak is een documentaanvraag te classificeren, een ontbrekend veld te benoemen en een bericht op te stellen waarin om dat veld wordt gevraagd. De taak blijft gericht, ook wanneer de voorwaarden zorgvuldige afweging vereisen.
Lever voor een vraag op basis van een afbeelding een duidelijke schermafbeelding of ander visueel materiaal aan en benoem het te onderzoeken detail. U kunt om uitleg van een zichtbare interfacetoestand vragen, samen met een korte instructie voor de lezer. Definieer voor geschreven materiaal de velden of uitspraken die bij de bewerking behouden moeten blijven, de toegestane categorieën en het verwachte antwoordformaat. Een kleine verzameling representatieve voorbeelden kan de grens tussen vergelijkbare categorieën verduidelijken, zonder dat het model uw regels moet afleiden.
OpenAI specificeert voor GPT-6 Luna een contextvenster van 1.050.000 tokens, een maximale invoer van 922.000 tokens en een maximale uitvoer van 128.000 tokens. De gedocumenteerde kennisgrens is 18 mei 2026. Het basismodel ondersteunt redeneerinspanning none, low, medium, high, xhigh en max, met medium als standaard. Redeneren neemt naast het eindantwoord tokenruimte in; de taakomschrijving en het aangeleverde materiaal moeten daarom ruimte voor analyse en het gevraagde resultaat overlaten.
De maker documenteert Pro in de Responses API voor moeilijke aanvragen die extra wachttijd en modelactiviteit toelaten. De ingebouwde hulpmiddelen van GPT-6 Luna en redeneren met functieaanroepen gebruiken Responses; in de interface Chat Completions van de maker worden functieaanroepen alleen ondersteund met redeneerinspanning none. Het basismodel vermeldt streaming, Structured Outputs, zoeken op het web en in bestanden, functieaanroepen en promptcaching. De hulpmiddelen omvatten ook afbeeldingsgeneratie, code-interpretatie, shell- en patchbewerkingen, skills, computergebruik, MCP-verbindingen en het zoeken naar hulpmiddelen. Uw toepassing bepaalt de bewerkingen die zij beschikbaar stelt en voert ze uit.
Gebruik een nauwkeurig uitvoercontract voor de uiteindelijke taak: de beslissing, de ondersteunende velden en eventuele nog ontbrekende informatie. Vraag bijvoorbeeld om één categorie, een beknopte onderbouwing op basis van de aangeleverde regel en de volgende vraag voor de lezer. Controleer het resultaat aan de hand van die regels, in plaats van een onbeperkte discussie toe te voegen. Deze werkwijze gebruikt Luna’s gerichte taakrol en bewaart Pro’s extra werk voor een aanvraag waarvan de afhankelijkheden of uitzonderingen uitgebreider onderzoek vereisen.
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/gpt-6-luna-pro: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/gpt-6-luna-pro:batch, openai/gpt-6-luna-pro | 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 mag daadwerkelijke JSONL-inhoud in UTF-8 lokaal in requests[] inlezen. Er wordt geen uploaddoel (purpose), 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 | ContractBody’s voor tekstaanvragen via Chat Completions in de gedocumenteerde inline Batch-envelop. |
Levenscyclus: asynchronous
GET /v1/batches/{operation_id} · de daadwerkelijke response.id uit het oorspronkelijke aanmaakantwoord; 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 $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0005 / 1K tokens Invoer · Cache lezen $0.00001 / 1K tokens Invoer · Cache schrijven $0.000125 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en met272.000 | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0005 / 1K tokens Invoer · Cache lezen $0.00001 / 1K tokens Invoer · Cache schrijven $0.000125 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 2 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan272.000 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.00075 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven $0.00025 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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/gpt-6-luna-pro: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/gpt-6-luna-pro:batch', 'openai/gpt-6-luna-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-6-luna-pro: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 results[].response.body JSON
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 antwoord- of foutbody. Sla voltooide results[] zonder filtering op als JSONL.
Bewaar de oorspronkelijke bewerkings-ID. Bij 503 result_pending_check hoort X-Should-Retry:false; dien een oorspronkelijke batch met onbekende uitkomst 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 envelop, dubbele sleutels, ongeldige itemidentiteit of een conflict met de geconfigureerde modelmogelijkheden. | Volgende stapCorrigeer de aangegeven velden voordat u een nieuwe aanvraag indient. |
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 | VoorwaardeBij Batch worden kosten van het saldo afgeschreven; aanmaken via een abonnement wordt geweigerd. | Volgende stapGebruik de geautoriseerde groep waarvoor kosten van het saldo worden afgeschreven. |
Antwoord422 · price_unavailable | VoorwaardeVoor de Batch-invoer kan geen prijsopgave worden berekend. | Volgende stapBewaar het antwoord; gebruik de gedocumenteerde invoer voor deze familie. |
Antwoord402 · billing_error | VoorwaardeBatch-reservering niet beschikbaar. | Volgende stapLos het toelatingsprobleem op voordat u een nieuwe aanvraag indient. |
Antwoord503 · price_unavailable | VoorwaardePrijs voor de Batch-methode/native tarieven niet beschikbaar. | Volgende stapBewaar het antwoord; vervang de prijzen niet. |
Antwoord503 · api_error | VoorwaardeDe exacte leveranciersroute is niet beschikbaar. | Volgende stapBewaar het antwoord voor herstel van de route. |
Antwoord503 · result_pending_check | VoorwaardeHet oorspronkelijke resultaat moet worden gecontroleerd; 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 | VoorwaardeDe bewerking voor de Batch-status ontbreekt of is eigendom van een andere identiteit. | Volgende stapGebruik exact de oorspronkelijke id en dezelfde gebruiker/sleutel/groep. |
Ailoot Ultra openai/gpt-6-luna-pro:batch
Gebruik de hierboven getoonde methodepaden.