o3-pro is OpenAI’s afzonderlijke o3-editie die extra rekenwerk gebruikt voor moeilijk redeneerwerk. De o-serie is met bekrachtigingsleren getraind om een probleem uit te werken voordat een antwoord wordt gegeven. Dit model accepteert tekst en afbeeldingen en produceert tekst; de Pro-editie blijft onderscheiden van het standaardmodel o3 en van latere instellingen voor de uitvoeringsmodus Pro.
Een praktische toepassing is een technische vraag met meerdere onderling afhankelijke voorwaarden. Lever het volledige probleem, het beschikbare bewijs en de criteria voor het kiezen van een aanpak aan. Een voorbeeldtaak is implementaties te vergelijken waarvan het gedrag afhangt van verschillende aannames en vervolgens een aanbeveling te produceren die die afhankelijkheden expliciet maakt. Een wiskundige opdracht moet eveneens het domein, de bekende voorwaarden en de vereiste antwoordvorm aangeven.
Lever voor visueel bewijs een duidelijk diagram, een schermafbeelding of een andere afbeelding aan en benoem het detail dat de vraag beïnvloedt. Voeg de schriftelijke context toe die niet uit de afbeelding alleen blijkt. Vraag om een bruikbaar resultaat, zoals een uitleg, voorgestelde oplossing, plan of verzameling bevindingen. Zo wordt het extra redeneerwerk van het model verbonden met een specifieke vraag en een concreet resultaat.
OpenAI vermeldt een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 juni 2024. Redeneren neemt ruimte in naast de invoer en het zichtbare antwoord. De maker documenteert o3-pro via Responses voor modelinteracties in meerdere beurten vóór het eindantwoord; Batch staat ook in de specificatie. Moeilijke opdrachten kunnen meerdere minuten duren en de maker beveelt uitvoering op de achtergrond aan voor langdurig werk.
De oorspronkelijke modelkaart bevestigt dat streaming niet wordt ondersteund, terwijl functieaanroepen en Structured Outputs wel worden ondersteund. De gedocumenteerde hulpmiddelen omvatten functies, zoeken in bestanden en op het web, hulpmiddelen voor afbeeldingsgeneratie en MCP-verbindingen. Een toepassing stelt haar bewerkingen beschikbaar, voert haar acties uit en levert werkelijke resultaten aan. Statusbewaking op de achtergrond en het ophalen van resultaten staan los van een stroom antwoordtokens.
Definieer het voltooiingscriterium vóór de aanvraag. Vraag voor een analyse om aangeleverde feiten, de conclusie en onopgeloste voorwaarden onderscheidbaar te houden. Benoem voor een voorgestelde wijziging het verwachte gedrag en het bewijs dat nodig is om dit te controleren. Een bruikbaar eindantwoord verbindt de belangrijke keuzes met de oorspronkelijke vraag en behandelt een voorgestelde hulpmiddelactie apart van een bewerking die al in de omgeving is voltooid.
", "aboutText": "o3-pro is OpenAI’s afzonderlijke o3-editie die extra rekenwerk gebruikt voor moeilijk redeneerwerk. De o-serie is met bekrachtigingsleren getraind om een probleem uit te werken voordat een antwoord wordt gegeven. Dit model accepteert tekst en afbeeldingen en produceert tekst; de Pro-editie blijft onderscheiden van het standaardmodel o3 en van latere instellingen voor de uitvoeringsmodus Pro.\n\nEen praktische toepassing is een technische vraag met meerdere onderling afhankelijke voorwaarden. Lever het volledige probleem, het beschikbare bewijs en de criteria voor het kiezen van een aanpak aan. Een voorbeeldtaak is implementaties te vergelijken waarvan het gedrag afhangt van verschillende aannames en vervolgens een aanbeveling te produceren die die afhankelijkheden expliciet maakt. Een wiskundige opdracht moet eveneens het domein, de bekende voorwaarden en de vereiste antwoordvorm aangeven.\n\nLever voor visueel bewijs een duidelijk diagram, een schermafbeelding of een andere afbeelding aan en benoem het detail dat de vraag beïnvloedt. Voeg de schriftelijke context toe die niet uit de afbeelding alleen blijkt. Vraag om een bruikbaar resultaat, zoals een uitleg, voorgestelde oplossing, plan of verzameling bevindingen. Zo wordt het extra redeneerwerk van het model verbonden met een specifieke vraag en een concreet resultaat.\n\nOpenAI vermeldt een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 juni 2024. Redeneren neemt ruimte in naast de invoer en het zichtbare antwoord. De maker documenteert o3-pro via Responses voor modelinteracties in meerdere beurten vóór het eindantwoord; Batch staat ook in de specificatie. Moeilijke opdrachten kunnen meerdere minuten duren en de maker beveelt uitvoering op de achtergrond aan voor langdurig werk.\n\nDe oorspronkelijke modelkaart bevestigt dat streaming niet wordt ondersteund, terwijl functieaanroepen en Structured Outputs wel worden ondersteund. De gedocumenteerde hulpmiddelen omvatten functies, zoeken in bestanden en op het web, hulpmiddelen voor afbeeldingsgeneratie en MCP-verbindingen. Een toepassing stelt haar bewerkingen beschikbaar, voert haar acties uit en levert werkelijke resultaten aan. Statusbewaking op de achtergrond en het ophalen van resultaten staan los van een stroom antwoordtokens.\n\nDefinieer het voltooiingscriterium vóór de aanvraag. Vraag voor een analyse om aangeleverde feiten, de conclusie en onopgeloste voorwaarden onderscheidbaar te houden. Benoem voor een voorgestelde wijziging het verwachte gedrag en het bewijs dat nodig is om dit te controleren. Een bruikbaar eindantwoord verbindt de belangrijke keuzes met de oorspronkelijke vraag en behandelt een voorgestelde hulpmiddelactie apart van een bewerking die al in de omgeving is voltooid.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.openai/o3-proDe afzonderlijke o3-pro-editie gebruikt extra rekenwerk voor moeilijk redeneerwerk. Het model accepteert tekst en afbeeldingen en geeft tekst terug, met functieaanroepen en Structured Outputs; de werkwijze van de maker gebruikt Responses en ondersteunt geen streaming.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
o3-pro is OpenAI’s afzonderlijke o3-editie die extra rekenwerk gebruikt voor moeilijk redeneerwerk. De o-serie is met bekrachtigingsleren getraind om een probleem uit te werken voordat een antwoord wordt gegeven. Dit model accepteert tekst en afbeeldingen en produceert tekst; de Pro-editie blijft onderscheiden van het standaardmodel o3 en van latere instellingen voor de uitvoeringsmodus Pro.
Een praktische toepassing is een technische vraag met meerdere onderling afhankelijke voorwaarden. Lever het volledige probleem, het beschikbare bewijs en de criteria voor het kiezen van een aanpak aan. Een voorbeeldtaak is implementaties te vergelijken waarvan het gedrag afhangt van verschillende aannames en vervolgens een aanbeveling te produceren die die afhankelijkheden expliciet maakt. Een wiskundige opdracht moet eveneens het domein, de bekende voorwaarden en de vereiste antwoordvorm aangeven.
Lever voor visueel bewijs een duidelijk diagram, een schermafbeelding of een andere afbeelding aan en benoem het detail dat de vraag beïnvloedt. Voeg de schriftelijke context toe die niet uit de afbeelding alleen blijkt. Vraag om een bruikbaar resultaat, zoals een uitleg, voorgestelde oplossing, plan of verzameling bevindingen. Zo wordt het extra redeneerwerk van het model verbonden met een specifieke vraag en een concreet resultaat.
OpenAI vermeldt een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 juni 2024. Redeneren neemt ruimte in naast de invoer en het zichtbare antwoord. De maker documenteert o3-pro via Responses voor modelinteracties in meerdere beurten vóór het eindantwoord; Batch staat ook in de specificatie. Moeilijke opdrachten kunnen meerdere minuten duren en de maker beveelt uitvoering op de achtergrond aan voor langdurig werk.
De oorspronkelijke modelkaart bevestigt dat streaming niet wordt ondersteund, terwijl functieaanroepen en Structured Outputs wel worden ondersteund. De gedocumenteerde hulpmiddelen omvatten functies, zoeken in bestanden en op het web, hulpmiddelen voor afbeeldingsgeneratie en MCP-verbindingen. Een toepassing stelt haar bewerkingen beschikbaar, voert haar acties uit en levert werkelijke resultaten aan. Statusbewaking op de achtergrond en het ophalen van resultaten staan los van een stroom antwoordtokens.
Definieer het voltooiingscriterium vóór de aanvraag. Vraag voor een analyse om aangeleverde feiten, de conclusie en onopgeloste voorwaarden onderscheidbaar te houden. Benoem voor een voorgestelde wijziging het verwachte gedrag en het bewijs dat nodig is om dit te controleren. Een bruikbaar eindantwoord verbindt de belangrijke keuzes met de oorspronkelijke vraag en behandelt een voorgestelde hulpmiddelactie apart van een bewerking die al in de omgeving is voltooid.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten openai/o3-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 $0.04 / 1K tokens Uitvoer · Uitvoertokens $0.16 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.04 / 1K tokens Uitvoer · Uitvoertokens $0.16 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o3-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/o3-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/o3-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/o3-pro
Gebruik de hierboven getoonde methodepaden.
openai/o3-proDe afzonderlijke o3-pro-editie gebruikt extra rekenwerk voor moeilijk redeneerwerk. Het model accepteert tekst en afbeeldingen en geeft tekst terug, met functieaanroepen en Structured Outputs; de werkwijze van de maker gebruikt Responses en ondersteunt geen streaming.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
o3-pro is OpenAI’s afzonderlijke o3-editie die extra rekenwerk gebruikt voor moeilijk redeneerwerk. De o-serie is met bekrachtigingsleren getraind om een probleem uit te werken voordat een antwoord wordt gegeven. Dit model accepteert tekst en afbeeldingen en produceert tekst; de Pro-editie blijft onderscheiden van het standaardmodel o3 en van latere instellingen voor de uitvoeringsmodus Pro.
Een praktische toepassing is een technische vraag met meerdere onderling afhankelijke voorwaarden. Lever het volledige probleem, het beschikbare bewijs en de criteria voor het kiezen van een aanpak aan. Een voorbeeldtaak is implementaties te vergelijken waarvan het gedrag afhangt van verschillende aannames en vervolgens een aanbeveling te produceren die die afhankelijkheden expliciet maakt. Een wiskundige opdracht moet eveneens het domein, de bekende voorwaarden en de vereiste antwoordvorm aangeven.
Lever voor visueel bewijs een duidelijk diagram, een schermafbeelding of een andere afbeelding aan en benoem het detail dat de vraag beïnvloedt. Voeg de schriftelijke context toe die niet uit de afbeelding alleen blijkt. Vraag om een bruikbaar resultaat, zoals een uitleg, voorgestelde oplossing, plan of verzameling bevindingen. Zo wordt het extra redeneerwerk van het model verbonden met een specifieke vraag en een concreet resultaat.
OpenAI vermeldt een contextvenster van 200.000 tokens, een maximale uitvoer van 100.000 tokens en een kennisgrens van 1 juni 2024. Redeneren neemt ruimte in naast de invoer en het zichtbare antwoord. De maker documenteert o3-pro via Responses voor modelinteracties in meerdere beurten vóór het eindantwoord; Batch staat ook in de specificatie. Moeilijke opdrachten kunnen meerdere minuten duren en de maker beveelt uitvoering op de achtergrond aan voor langdurig werk.
De oorspronkelijke modelkaart bevestigt dat streaming niet wordt ondersteund, terwijl functieaanroepen en Structured Outputs wel worden ondersteund. De gedocumenteerde hulpmiddelen omvatten functies, zoeken in bestanden en op het web, hulpmiddelen voor afbeeldingsgeneratie en MCP-verbindingen. Een toepassing stelt haar bewerkingen beschikbaar, voert haar acties uit en levert werkelijke resultaten aan. Statusbewaking op de achtergrond en het ophalen van resultaten staan los van een stroom antwoordtokens.
Definieer het voltooiingscriterium vóór de aanvraag. Vraag voor een analyse om aangeleverde feiten, de conclusie en onopgeloste voorwaarden onderscheidbaar te houden. Benoem voor een voorgestelde wijziging het verwachte gedrag en het bewijs dat nodig is om dit te controleren. Een bruikbaar eindantwoord verbindt de belangrijke keuzes met de oorspronkelijke vraag en behandelt een voorgestelde hulpmiddelactie apart van een bewerking die al in de omgeving is voltooid.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten openai/o3-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 $0.04 / 1K tokens Uitvoer · Uitvoertokens $0.16 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.04 / 1K tokens Uitvoer · Uitvoertokens $0.16 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "openai/o3-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/o3-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/o3-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/o3-pro
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Analyze a constrained production order\n\nJob A takes two hours. Job B takes one hour and starts only after A. Job C takes two hours and is independent. Two identical machines are available; jobs cannot be split. Find a shortest completion schedule, show its timeline and give a lower-bound argument. State that machines are available at time zero.A two-machine timeline, makespan and concise optimality justification.The schedule must respect the A-before-B dependency and avoid running two jobs on one machine at once.