Claude Opus 4.5 to model Anthropic do zadań wymagających zrozumienia niejednoznacznych wymagań, wybrania planu działań i stopniowego doprowadzenia pracy do wyniku. Główne obszary jego zastosowania to programowanie, praca agentowa, korzystanie z komputera i pogłębione badania. W codziennej pracy zawodowej model może pomagać z arkuszami i prezentacjami.
W zadaniu inżynierskim Opus 4.5 może analizować związki między kilkoma częściami systemu, szukać przyczyny złożonego błędu, omawiać kompromisy i przygotowywać zmiany w kodzie. W przypadku długotrwałej pracy Anthropic osobno podkreśla planowanie działań, używanie narzędzi i koordynację podzadań. Nadaje się to do scenariusza, w którym trzeba najpierw zbadać materiały, a następnie wybrać działania i sprawdzić ich wynik.
Narzędzia odczytu i edycji plików, wykonywania poleceń, wyszukiwania informacji i pracy z interfejsem musi zapewnić aplikacja. Model rozumuje o tym, co zrobić, i tworzy wywołania dostępnych narzędzi; faktyczne wykonanie zależy od połączonego środowiska. Podobnie przygotowanie arkusza lub prezentacji może obejmować treść i kod, a stworzenie gotowego pliku wymaga odpowiedniego narzędzia.
Opus 4.5 obsługuje extended thinking z ręcznym budżetem budget_tokens. Po włączeniu tego trybu model analizuje zadanie przed odpowiedzią końcową. Przy odpowiedniej obsłudze w aplikacji może także rozumować między wywołaniami narzędzi, uwzględniając uzyskane wyniki przed następnym działaniem.
Jeśli metoda obsługuje ustawienia, ręczny budżet budget_tokens zaczyna się od 1024 tokenów i zwykle musi być mniejszy od max_tokens. Istnieje wyjątek dla rozumowania między narzędziami: budżet może przekraczać max_tokens, ponieważ obejmuje kilka bloków analizy w jednej turze. Wyjątek ten wymaga obsługi takiego trybu w aplikacji.
Parametr effort reguluje ogólny stopień dopracowania: dostępne są low, medium i high, a standardowy poziom to high. Działa zarówno z włączonym rozumowaniem, jak i bez niego. Budżet rozumowania i wysiłek pełnią różne funkcje: pierwszy ukierunkowuje objętość wewnętrznej analizy, a drugi wpływa na pracę nad odpowiedzią jako całością. Ta wersja nie ma trybu adaptacyjnego.
Na wejściu przekazywane są tekst i obrazy, a na wyjściu model tworzy tekst. Kontekst wynosi 200 tys. tokenów, a maksymalna długość odpowiedzi — 64 tys. tokenów. Duży zestaw materiałów można wykorzystywać do badań, analizy dokumentów i tworzenia oprogramowania, lecz wynik musi mieścić się w ograniczeniach tej konkretnej wersji.
Formaty standardowego wejścia wizualnego u producenta to JPEG/PNG/GIF/WebP, z pierwszą klatką animacji. Przy analizie natywnej: dłuższy bok — 1568 pikseli, 1568 tokenów wizualnych; duże obrazy są zmniejszane przed analizą. Obsługa plików i parametrów zależy od metody aplikacji.
Wiarygodna granica wbudowanej wiedzy to maj 2025 roku. Aktualne informacje wymagają udostępnionych materiałów lub narzędzi aplikacji. Anthropic trenował model, aby przeciwstawiał się złośliwym instrukcjom ukrytym w cudzych treściach, lecz nie wyklucza to błędnych wniosków: plan, zmiany i wnioski wymagają sprawdzenia w rzeczywistym zadaniu.
", "aboutText": "Claude Opus 4.5 to model Anthropic do zadań wymagających zrozumienia niejednoznacznych wymagań, wybrania planu działań i stopniowego doprowadzenia pracy do wyniku. Główne obszary jego zastosowania to programowanie, praca agentowa, korzystanie z komputera i pogłębione badania. W codziennej pracy zawodowej model może pomagać z arkuszami i prezentacjami.\n\n### Od analizy problemu do wykonania\n\nW zadaniu inżynierskim Opus 4.5 może analizować związki między kilkoma częściami systemu, szukać przyczyny złożonego błędu, omawiać kompromisy i przygotowywać zmiany w kodzie. W przypadku długotrwałej pracy Anthropic osobno podkreśla planowanie działań, używanie narzędzi i koordynację podzadań. Nadaje się to do scenariusza, w którym trzeba najpierw zbadać materiały, a następnie wybrać działania i sprawdzić ich wynik.\n\nNarzędzia odczytu i edycji plików, wykonywania poleceń, wyszukiwania informacji i pracy z interfejsem musi zapewnić aplikacja. Model rozumuje o tym, co zrobić, i tworzy wywołania dostępnych narzędzi; faktyczne wykonanie zależy od połączonego środowiska. Podobnie przygotowanie arkusza lub prezentacji może obejmować treść i kod, a stworzenie gotowego pliku wymaga odpowiedniego narzędzia.\n\n### Dwa różne parametry sterujące pracą\n\nOpus 4.5 obsługuje **extended thinking** z ręcznym budżetem `budget_tokens`. Po włączeniu tego trybu model analizuje zadanie przed odpowiedzią końcową. Przy odpowiedniej obsłudze w aplikacji może także rozumować między wywołaniami narzędzi, uwzględniając uzyskane wyniki przed następnym działaniem.\n\nJeśli metoda obsługuje ustawienia, ręczny budżet `budget_tokens` zaczyna się od **1024 tokenów** i zwykle musi być mniejszy od `max_tokens`. Istnieje wyjątek dla rozumowania między narzędziami: budżet może przekraczać `max_tokens`, ponieważ obejmuje kilka bloków analizy w jednej turze. Wyjątek ten wymaga obsługi takiego trybu w aplikacji.\n\nParametr `effort` reguluje ogólny stopień dopracowania: dostępne są `low`, `medium` i `high`, a standardowy poziom to `high`. Działa zarówno z włączonym rozumowaniem, jak i bez niego. Budżet rozumowania i wysiłek pełnią różne funkcje: pierwszy ukierunkowuje objętość wewnętrznej analizy, a drugi wpływa na pracę nad odpowiedzią jako całością. Ta wersja nie ma trybu adaptacyjnego.\n\n### Tekst i materiały wizualne\n\nNa wejściu przekazywane są **tekst i obrazy**, a na wyjściu model tworzy **tekst**. Kontekst wynosi **200 tys. tokenów**, a maksymalna długość odpowiedzi — **64 tys. tokenów**. Duży zestaw materiałów można wykorzystywać do badań, analizy dokumentów i tworzenia oprogramowania, lecz wynik musi mieścić się w ograniczeniach tej konkretnej wersji.\n\nFormaty standardowego wejścia wizualnego u producenta to JPEG/PNG/GIF/WebP, z pierwszą klatką animacji. Przy analizie natywnej: dłuższy bok — 1568 pikseli, 1568 tokenów wizualnych; duże obrazy są zmniejszane przed analizą. Obsługa plików i parametrów zależy od metody aplikacji.\n\nWiarygodna granica wbudowanej wiedzy to **maj 2025 roku**. Aktualne informacje wymagają udostępnionych materiałów lub narzędzi aplikacji. Anthropic trenował model, aby przeciwstawiał się złośliwym instrukcjom ukrytym w cudzych treściach, lecz nie wyklucza to błędnych wniosków: plan, zmiany i wnioski wymagają sprawdzenia w rzeczywistym zadaniu.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Fix a mutation-dependent retry bug\n\nReview this Python function: def ready(items):\n for item in items:\n if item["done"]:\n items.remove(item)\n return items\nWith two adjacent completed items, one remains. Propose a minimal correction that preserves the input list, and provide tests for adjacent completed items, no completed items and an empty list.A corrected Python function, a brief bug explanation and three executable test cases.Check that iteration does not mutate the source list and that the test with two adjacent completed items removes both from the result.claude-opus-4-5-20251101Claude Opus 4.5 jest przeznaczony do złożonych prac programistycznych, badań i wieloetapowej pracy z narzędziami. Pomaga analizować niejednoznaczne zadania i przygotowywać treść dokumentów, arkuszy oraz prezentacji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Claude Opus 4.5 to model Anthropic do zadań wymagających zrozumienia niejednoznacznych wymagań, wybrania planu działań i stopniowego doprowadzenia pracy do wyniku. Główne obszary jego zastosowania to programowanie, praca agentowa, korzystanie z komputera i pogłębione badania. W codziennej pracy zawodowej model może pomagać z arkuszami i prezentacjami.
W zadaniu inżynierskim Opus 4.5 może analizować związki między kilkoma częściami systemu, szukać przyczyny złożonego błędu, omawiać kompromisy i przygotowywać zmiany w kodzie. W przypadku długotrwałej pracy Anthropic osobno podkreśla planowanie działań, używanie narzędzi i koordynację podzadań. Nadaje się to do scenariusza, w którym trzeba najpierw zbadać materiały, a następnie wybrać działania i sprawdzić ich wynik.
Narzędzia odczytu i edycji plików, wykonywania poleceń, wyszukiwania informacji i pracy z interfejsem musi zapewnić aplikacja. Model rozumuje o tym, co zrobić, i tworzy wywołania dostępnych narzędzi; faktyczne wykonanie zależy od połączonego środowiska. Podobnie przygotowanie arkusza lub prezentacji może obejmować treść i kod, a stworzenie gotowego pliku wymaga odpowiedniego narzędzia.
Opus 4.5 obsługuje extended thinking z ręcznym budżetem budget_tokens. Po włączeniu tego trybu model analizuje zadanie przed odpowiedzią końcową. Przy odpowiedniej obsłudze w aplikacji może także rozumować między wywołaniami narzędzi, uwzględniając uzyskane wyniki przed następnym działaniem.
Jeśli metoda obsługuje ustawienia, ręczny budżet budget_tokens zaczyna się od 1024 tokenów i zwykle musi być mniejszy od max_tokens. Istnieje wyjątek dla rozumowania między narzędziami: budżet może przekraczać max_tokens, ponieważ obejmuje kilka bloków analizy w jednej turze. Wyjątek ten wymaga obsługi takiego trybu w aplikacji.
Parametr effort reguluje ogólny stopień dopracowania: dostępne są low, medium i high, a standardowy poziom to high. Działa zarówno z włączonym rozumowaniem, jak i bez niego. Budżet rozumowania i wysiłek pełnią różne funkcje: pierwszy ukierunkowuje objętość wewnętrznej analizy, a drugi wpływa na pracę nad odpowiedzią jako całością. Ta wersja nie ma trybu adaptacyjnego.
Na wejściu przekazywane są tekst i obrazy, a na wyjściu model tworzy tekst. Kontekst wynosi 200 tys. tokenów, a maksymalna długość odpowiedzi — 64 tys. tokenów. Duży zestaw materiałów można wykorzystywać do badań, analizy dokumentów i tworzenia oprogramowania, lecz wynik musi mieścić się w ograniczeniach tej konkretnej wersji.
Formaty standardowego wejścia wizualnego u producenta to JPEG/PNG/GIF/WebP, z pierwszą klatką animacji. Przy analizie natywnej: dłuższy bok — 1568 pikseli, 1568 tokenów wizualnych; duże obrazy są zmniejszane przed analizą. Obsługa plików i parametrów zależy od metody aplikacji.
Wiarygodna granica wbudowanej wiedzy to maj 2025 roku. Aktualne informacje wymagają udostępnionych materiałów lub narzędzi aplikacji. Anthropic trenował model, aby przeciwstawiał się złośliwym instrukcjom ukrytym w cudzych treściach, lecz nie wyklucza to błędnych wniosków: plan, zmiany i wnioski wymagają sprawdzenia w rzeczywistym zadaniu.
POST /v1/messagestext, imagetext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity claude-opus-4-5-20251101 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring|content_block[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polesystem | Typstring|content_block[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity Minimum: 1 Limit dotyczy: dokładny limit wybranego modelu/karty | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop_sequences | Typstring[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typtool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].name | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie | Domyślnie— |
Poletools[].description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].input_schema | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polethinking.type | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polethinking.budget_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleoutput_config.effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemetadata | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polecache_control | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Tekst · tekst UTF8
messages[].content lub blok type=text
Tekst + obraz
{type:image,source:{type:base64,media_type,data}} lub źródło type=url
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext, image |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Parametrtext_file_material | Kontraktrzeczywista treść UTF-8 wstawiona jako tekst; ID/URLs plików wymagają oddzielnej, dokładnie określonej obsługi |
Cykl życia: exact retained published method
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
POST /v1/messagesAiloot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="claude-opus-4-5-20251101",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "claude-opus-4-5-20251101",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='claude-opus-4-5-20251101',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
claude-opus-4-5-20251101Claude Opus 4.5 jest przeznaczony do złożonych prac programistycznych, badań i wieloetapowej pracy z narzędziami. Pomaga analizować niejednoznaczne zadania i przygotowywać treść dokumentów, arkuszy oraz prezentacji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Claude Opus 4.5 to model Anthropic do zadań wymagających zrozumienia niejednoznacznych wymagań, wybrania planu działań i stopniowego doprowadzenia pracy do wyniku. Główne obszary jego zastosowania to programowanie, praca agentowa, korzystanie z komputera i pogłębione badania. W codziennej pracy zawodowej model może pomagać z arkuszami i prezentacjami.
W zadaniu inżynierskim Opus 4.5 może analizować związki między kilkoma częściami systemu, szukać przyczyny złożonego błędu, omawiać kompromisy i przygotowywać zmiany w kodzie. W przypadku długotrwałej pracy Anthropic osobno podkreśla planowanie działań, używanie narzędzi i koordynację podzadań. Nadaje się to do scenariusza, w którym trzeba najpierw zbadać materiały, a następnie wybrać działania i sprawdzić ich wynik.
Narzędzia odczytu i edycji plików, wykonywania poleceń, wyszukiwania informacji i pracy z interfejsem musi zapewnić aplikacja. Model rozumuje o tym, co zrobić, i tworzy wywołania dostępnych narzędzi; faktyczne wykonanie zależy od połączonego środowiska. Podobnie przygotowanie arkusza lub prezentacji może obejmować treść i kod, a stworzenie gotowego pliku wymaga odpowiedniego narzędzia.
Opus 4.5 obsługuje extended thinking z ręcznym budżetem budget_tokens. Po włączeniu tego trybu model analizuje zadanie przed odpowiedzią końcową. Przy odpowiedniej obsłudze w aplikacji może także rozumować między wywołaniami narzędzi, uwzględniając uzyskane wyniki przed następnym działaniem.
Jeśli metoda obsługuje ustawienia, ręczny budżet budget_tokens zaczyna się od 1024 tokenów i zwykle musi być mniejszy od max_tokens. Istnieje wyjątek dla rozumowania między narzędziami: budżet może przekraczać max_tokens, ponieważ obejmuje kilka bloków analizy w jednej turze. Wyjątek ten wymaga obsługi takiego trybu w aplikacji.
Parametr effort reguluje ogólny stopień dopracowania: dostępne są low, medium i high, a standardowy poziom to high. Działa zarówno z włączonym rozumowaniem, jak i bez niego. Budżet rozumowania i wysiłek pełnią różne funkcje: pierwszy ukierunkowuje objętość wewnętrznej analizy, a drugi wpływa na pracę nad odpowiedzią jako całością. Ta wersja nie ma trybu adaptacyjnego.
Na wejściu przekazywane są tekst i obrazy, a na wyjściu model tworzy tekst. Kontekst wynosi 200 tys. tokenów, a maksymalna długość odpowiedzi — 64 tys. tokenów. Duży zestaw materiałów można wykorzystywać do badań, analizy dokumentów i tworzenia oprogramowania, lecz wynik musi mieścić się w ograniczeniach tej konkretnej wersji.
Formaty standardowego wejścia wizualnego u producenta to JPEG/PNG/GIF/WebP, z pierwszą klatką animacji. Przy analizie natywnej: dłuższy bok — 1568 pikseli, 1568 tokenów wizualnych; duże obrazy są zmniejszane przed analizą. Obsługa plików i parametrów zależy od metody aplikacji.
Wiarygodna granica wbudowanej wiedzy to maj 2025 roku. Aktualne informacje wymagają udostępnionych materiałów lub narzędzi aplikacji. Anthropic trenował model, aby przeciwstawiał się złośliwym instrukcjom ukrytym w cudzych treściach, lecz nie wyklucza to błędnych wniosków: plan, zmiany i wnioski wymagają sprawdzenia w rzeczywistym zadaniu.
POST /v1/responsestext, imagetext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity claude-opus-4-5-20251101 | Domyślnie— |
Poleinput | Typstring|input_item[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleinput[].type | Typstring | WymaganieOpcjonalne | Wartości i limity message, reasoning, function_call, function_call_output | Domyślnie— |
Poleinput[].content | Typstring|content_part[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleinput[].call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: function_call_output; zachowaj rzeczywiście zwrócone call_id | Domyślnie— |
Poleinput[].output | Typstring|content_part[] | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: function_call_output | Domyślnie— |
Polemax_output_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typtool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning.effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning.summary | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletext.format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletext.verbosity | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinclude | Typstring[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestore | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprevious_response_id | Typstring | WymaganieOpcjonalne | Wartości i limity Wymaganie dotyczące ID: Tylko rzeczywiste ID odpowiedzi z obsługiwanej kontynuacji Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_key | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Tekst · tekst UTF8
tekst wejściowy lub część input_text
Tekst + obraz
{type:input_image,image_url}
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext, image |
Parametrrequired | Kontraktmodel, input |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Parametrtext_file_material | Kontraktrzeczywista treść UTF-8 wstawiona jako tekst; ID/URLs plików wymagają oddzielnej, dokładnie określonej obsługi |
Cykl życia: exact retained published method
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
POST /v1/responsesAiloot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="claude-opus-4-5-20251101", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "claude-opus-4-5-20251101", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="claude-opus-4-5-20251101", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy element wyjścia i część treści, rzeczywiste call_id funkcji, zaszyfrowane rozumowanie i dane użycia. W strumieniowaniu zachowaj pełną tożsamość zdarzenia/elementu.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polestatus | Typstring |
Poleoutput[] | Typmessage|reasoning|function_call|other item |
Poleoutput[].content[] | Typcontent part |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
claude-opus-4-5-20251101Claude Opus 4.5 jest przeznaczony do złożonych prac programistycznych, badań i wieloetapowej pracy z narzędziami. Pomaga analizować niejednoznaczne zadania i przygotowywać treść dokumentów, arkuszy oraz prezentacji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Claude Opus 4.5 to model Anthropic do zadań wymagających zrozumienia niejednoznacznych wymagań, wybrania planu działań i stopniowego doprowadzenia pracy do wyniku. Główne obszary jego zastosowania to programowanie, praca agentowa, korzystanie z komputera i pogłębione badania. W codziennej pracy zawodowej model może pomagać z arkuszami i prezentacjami.
W zadaniu inżynierskim Opus 4.5 może analizować związki między kilkoma częściami systemu, szukać przyczyny złożonego błędu, omawiać kompromisy i przygotowywać zmiany w kodzie. W przypadku długotrwałej pracy Anthropic osobno podkreśla planowanie działań, używanie narzędzi i koordynację podzadań. Nadaje się to do scenariusza, w którym trzeba najpierw zbadać materiały, a następnie wybrać działania i sprawdzić ich wynik.
Narzędzia odczytu i edycji plików, wykonywania poleceń, wyszukiwania informacji i pracy z interfejsem musi zapewnić aplikacja. Model rozumuje o tym, co zrobić, i tworzy wywołania dostępnych narzędzi; faktyczne wykonanie zależy od połączonego środowiska. Podobnie przygotowanie arkusza lub prezentacji może obejmować treść i kod, a stworzenie gotowego pliku wymaga odpowiedniego narzędzia.
Opus 4.5 obsługuje extended thinking z ręcznym budżetem budget_tokens. Po włączeniu tego trybu model analizuje zadanie przed odpowiedzią końcową. Przy odpowiedniej obsłudze w aplikacji może także rozumować między wywołaniami narzędzi, uwzględniając uzyskane wyniki przed następnym działaniem.
Jeśli metoda obsługuje ustawienia, ręczny budżet budget_tokens zaczyna się od 1024 tokenów i zwykle musi być mniejszy od max_tokens. Istnieje wyjątek dla rozumowania między narzędziami: budżet może przekraczać max_tokens, ponieważ obejmuje kilka bloków analizy w jednej turze. Wyjątek ten wymaga obsługi takiego trybu w aplikacji.
Parametr effort reguluje ogólny stopień dopracowania: dostępne są low, medium i high, a standardowy poziom to high. Działa zarówno z włączonym rozumowaniem, jak i bez niego. Budżet rozumowania i wysiłek pełnią różne funkcje: pierwszy ukierunkowuje objętość wewnętrznej analizy, a drugi wpływa na pracę nad odpowiedzią jako całością. Ta wersja nie ma trybu adaptacyjnego.
Na wejściu przekazywane są tekst i obrazy, a na wyjściu model tworzy tekst. Kontekst wynosi 200 tys. tokenów, a maksymalna długość odpowiedzi — 64 tys. tokenów. Duży zestaw materiałów można wykorzystywać do badań, analizy dokumentów i tworzenia oprogramowania, lecz wynik musi mieścić się w ograniczeniach tej konkretnej wersji.
Formaty standardowego wejścia wizualnego u producenta to JPEG/PNG/GIF/WebP, z pierwszą klatką animacji. Przy analizie natywnej: dłuższy bok — 1568 pikseli, 1568 tokenów wizualnych; duże obrazy są zmniejszane przed analizą. Obsługa plików i parametrów zależy od metody aplikacji.
Wiarygodna granica wbudowanej wiedzy to maj 2025 roku. Aktualne informacje wymagają udostępnionych materiałów lub narzędzi aplikacji. Anthropic trenował model, aby przeciwstawiał się złośliwym instrukcjom ukrytym w cudzych treściach, lecz nie wyklucza to błędnych wniosków: plan, zmiany i wnioski wymagają sprawdzenia w rzeczywistym zadaniu.
POST /v1/chat/completionstext, imagetext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity claude-opus-4-5-20251101 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Tekst · tekst UTF8
messages[].content
Tekst + obraz
{type:image_url,image_url:{url,detail}}
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext, image |
Parametrrequired | Kontraktmodel, messages |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Parametrtext_file_material | Kontraktrzeczywista treść UTF-8 wstawiona jako tekst; ID/URLs plików wymagają oddzielnej, dokładnie określonej obsługi |
Cykl życia: exact retained published method
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
POST /v1/chat/completionsAiloot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="claude-opus-4-5-20251101",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "claude-opus-4-5-20251101",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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='claude-opus-4-5-20251101',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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
claude-opus-4-5-20251101Claude Opus 4.5 jest przeznaczony do złożonych prac programistycznych, badań i wieloetapowej pracy z narzędziami. Pomaga analizować niejednoznaczne zadania i przygotowywać treść dokumentów, arkuszy oraz prezentacji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Claude Opus 4.5 to model Anthropic do zadań wymagających zrozumienia niejednoznacznych wymagań, wybrania planu działań i stopniowego doprowadzenia pracy do wyniku. Główne obszary jego zastosowania to programowanie, praca agentowa, korzystanie z komputera i pogłębione badania. W codziennej pracy zawodowej model może pomagać z arkuszami i prezentacjami.
W zadaniu inżynierskim Opus 4.5 może analizować związki między kilkoma częściami systemu, szukać przyczyny złożonego błędu, omawiać kompromisy i przygotowywać zmiany w kodzie. W przypadku długotrwałej pracy Anthropic osobno podkreśla planowanie działań, używanie narzędzi i koordynację podzadań. Nadaje się to do scenariusza, w którym trzeba najpierw zbadać materiały, a następnie wybrać działania i sprawdzić ich wynik.
Narzędzia odczytu i edycji plików, wykonywania poleceń, wyszukiwania informacji i pracy z interfejsem musi zapewnić aplikacja. Model rozumuje o tym, co zrobić, i tworzy wywołania dostępnych narzędzi; faktyczne wykonanie zależy od połączonego środowiska. Podobnie przygotowanie arkusza lub prezentacji może obejmować treść i kod, a stworzenie gotowego pliku wymaga odpowiedniego narzędzia.
Opus 4.5 obsługuje extended thinking z ręcznym budżetem budget_tokens. Po włączeniu tego trybu model analizuje zadanie przed odpowiedzią końcową. Przy odpowiedniej obsłudze w aplikacji może także rozumować między wywołaniami narzędzi, uwzględniając uzyskane wyniki przed następnym działaniem.
Jeśli metoda obsługuje ustawienia, ręczny budżet budget_tokens zaczyna się od 1024 tokenów i zwykle musi być mniejszy od max_tokens. Istnieje wyjątek dla rozumowania między narzędziami: budżet może przekraczać max_tokens, ponieważ obejmuje kilka bloków analizy w jednej turze. Wyjątek ten wymaga obsługi takiego trybu w aplikacji.
Parametr effort reguluje ogólny stopień dopracowania: dostępne są low, medium i high, a standardowy poziom to high. Działa zarówno z włączonym rozumowaniem, jak i bez niego. Budżet rozumowania i wysiłek pełnią różne funkcje: pierwszy ukierunkowuje objętość wewnętrznej analizy, a drugi wpływa na pracę nad odpowiedzią jako całością. Ta wersja nie ma trybu adaptacyjnego.
Na wejściu przekazywane są tekst i obrazy, a na wyjściu model tworzy tekst. Kontekst wynosi 200 tys. tokenów, a maksymalna długość odpowiedzi — 64 tys. tokenów. Duży zestaw materiałów można wykorzystywać do badań, analizy dokumentów i tworzenia oprogramowania, lecz wynik musi mieścić się w ograniczeniach tej konkretnej wersji.
Formaty standardowego wejścia wizualnego u producenta to JPEG/PNG/GIF/WebP, z pierwszą klatką animacji. Przy analizie natywnej: dłuższy bok — 1568 pikseli, 1568 tokenów wizualnych; duże obrazy są zmniejszane przed analizą. Obsługa plików i parametrów zależy od metody aplikacji.
Wiarygodna granica wbudowanej wiedzy to maj 2025 roku. Aktualne informacje wymagają udostępnionych materiałów lub narzędzi aplikacji. Anthropic trenował model, aby przeciwstawiał się złośliwym instrukcjom ukrytym w cudzych treściach, lecz nie wyklucza to błędnych wniosków: plan, zmiany i wnioski wymagają sprawdzenia w rzeczywistym zadaniu.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity claude-opus-4-5-20251101 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Rozmowa tekstowa | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream |
Parametrcontrol_scope | KontraktRozmowa tekstowa; stream jest wartością logiczną i domyślnie wynosi false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.05 / 1K tokenów Wejście · Odczyt cache $0.001 / 1K tokenów Wejście · Zapis do cache $0.0125 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"claude-opus-4-5-20251101","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="claude-opus-4-5-20251101", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\njson lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
claude-opus-4-5-20251101Claude Opus 4.5 jest przeznaczony do złożonych prac programistycznych, badań i wieloetapowej pracy z narzędziami. Pomaga analizować niejednoznaczne zadania i przygotowywać treść dokumentów, arkuszy oraz prezentacji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Claude Opus 4.5 to model Anthropic do zadań wymagających zrozumienia niejednoznacznych wymagań, wybrania planu działań i stopniowego doprowadzenia pracy do wyniku. Główne obszary jego zastosowania to programowanie, praca agentowa, korzystanie z komputera i pogłębione badania. W codziennej pracy zawodowej model może pomagać z arkuszami i prezentacjami.
W zadaniu inżynierskim Opus 4.5 może analizować związki między kilkoma częściami systemu, szukać przyczyny złożonego błędu, omawiać kompromisy i przygotowywać zmiany w kodzie. W przypadku długotrwałej pracy Anthropic osobno podkreśla planowanie działań, używanie narzędzi i koordynację podzadań. Nadaje się to do scenariusza, w którym trzeba najpierw zbadać materiały, a następnie wybrać działania i sprawdzić ich wynik.
Narzędzia odczytu i edycji plików, wykonywania poleceń, wyszukiwania informacji i pracy z interfejsem musi zapewnić aplikacja. Model rozumuje o tym, co zrobić, i tworzy wywołania dostępnych narzędzi; faktyczne wykonanie zależy od połączonego środowiska. Podobnie przygotowanie arkusza lub prezentacji może obejmować treść i kod, a stworzenie gotowego pliku wymaga odpowiedniego narzędzia.
Opus 4.5 obsługuje extended thinking z ręcznym budżetem budget_tokens. Po włączeniu tego trybu model analizuje zadanie przed odpowiedzią końcową. Przy odpowiedniej obsłudze w aplikacji może także rozumować między wywołaniami narzędzi, uwzględniając uzyskane wyniki przed następnym działaniem.
Jeśli metoda obsługuje ustawienia, ręczny budżet budget_tokens zaczyna się od 1024 tokenów i zwykle musi być mniejszy od max_tokens. Istnieje wyjątek dla rozumowania między narzędziami: budżet może przekraczać max_tokens, ponieważ obejmuje kilka bloków analizy w jednej turze. Wyjątek ten wymaga obsługi takiego trybu w aplikacji.
Parametr effort reguluje ogólny stopień dopracowania: dostępne są low, medium i high, a standardowy poziom to high. Działa zarówno z włączonym rozumowaniem, jak i bez niego. Budżet rozumowania i wysiłek pełnią różne funkcje: pierwszy ukierunkowuje objętość wewnętrznej analizy, a drugi wpływa na pracę nad odpowiedzią jako całością. Ta wersja nie ma trybu adaptacyjnego.
Na wejściu przekazywane są tekst i obrazy, a na wyjściu model tworzy tekst. Kontekst wynosi 200 tys. tokenów, a maksymalna długość odpowiedzi — 64 tys. tokenów. Duży zestaw materiałów można wykorzystywać do badań, analizy dokumentów i tworzenia oprogramowania, lecz wynik musi mieścić się w ograniczeniach tej konkretnej wersji.
Formaty standardowego wejścia wizualnego u producenta to JPEG/PNG/GIF/WebP, z pierwszą klatką animacji. Przy analizie natywnej: dłuższy bok — 1568 pikseli, 1568 tokenów wizualnych; duże obrazy są zmniejszane przed analizą. Obsługa plików i parametrów zależy od metody aplikacji.
Wiarygodna granica wbudowanej wiedzy to maj 2025 roku. Aktualne informacje wymagają udostępnionych materiałów lub narzędzi aplikacji. Anthropic trenował model, aby przeciwstawiał się złośliwym instrukcjom ukrytym w cudzych treściach, lecz nie wyklucza to błędnych wniosków: plan, zmiany i wnioski wymagają sprawdzenia w rzeczywistym zadaniu.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity claude-opus-4-5-20251101 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.05 / 1K tokenów Wejście · Odczyt cache $0.001 / 1K tokenów Wejście · Zapis do cache $0.0125 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "claude-opus-4-5-20251101",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'claude-opus-4-5-20251101', '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': 'claude-opus-4-5-20251101', '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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
Przykład techniczny po angielsku
Fix a mutation-dependent retry bug\n\nReview this Python function: def ready(items):\n for item in items:\n if item["done"]:\n items.remove(item)\n return items\nWith two adjacent completed items, one remains. Propose a minimal correction that preserves the input list, and provide tests for adjacent completed items, no completed items and an empty list.A corrected Python function, a brief bug explanation and three executable test cases.Check that iteration does not mutate the source list and that the test with two adjacent completed items removes both from the result.