GPT-5-Codex to wersja GPT-5 firmy OpenAI zoptymalizowana pod kątem inżynierii oprogramowania z użyciem agentów w Codex i podobnych środowiskach programistycznych. Jej trening obejmuje takie prace jak tworzenie projektów, implementowanie funkcji i testów, debugowanie, refaktoryzacja istniejących baz kodu oraz przegląd zmian. Uczenie ze wzmocnieniem na rzeczywistych zadaniach programistycznych rozwija przestrzeganie instrukcji, styl kodu i iteracyjną weryfikację. Docelowym środowiskiem jest asystent programistyczny mający dostęp do kontekstu projektu i narzędzi deweloperskich.
Model dostosowuje nakład rozumowania do zadania. Niewielką, jasno określoną zmianę można obsłużyć w interaktywnej wymianie wiadomości, natomiast złożona refaktoryzacja może wymagać dłuższej analizy i powtarzanych kroków implementacji. To adaptacyjne zachowanie łączy rozmowę z wykonaniem: agent analizuje projekt, proponuje zmianę, otrzymuje wyniki ze swojego środowiska i kontynuuje pracę nad wskazanym rezultatem.
Przegląd kodu stanowi odrębną część jego specjalizacji. OpenAI opisuje recenzenta, który analizuje bazę kodu i zależności, odnosi proponowaną zmianę do zamierzonego zachowania oraz wykorzystuje wykonywanie kodu i testy do badania poprawności. Przydatnym wynikiem jest ukierunkowane wyjaśnienie istotnych błędów i wskazanie kodu, którego dotyczą, zamiast komentarzy opartych wyłącznie na wyglądzie różnic. Pliki projektu i wyniki narzędzi dostarczają dowodów do tej analizy.
Wejście wizualne wspiera prace nad interfejsem. Zrzuty ekranu, makiety szkieletowe i diagramy mogą przekazać oczekiwany wygląd lub zaobserwowany problem. W środowisku z narzędziami przeglądarki i wykonywania zrzutów agent może zbadać implementację i porównać zbudowany rezultat z dostarczonym wzorcem wizualnym. Są to przepływy wspomagane przez środowisko: model interpretuje informacje i wybiera działania, a aplikacja udostępnia narzędzia i je wykonuje.
Opublikowana specyfikacja modelu wymienia wejście tekstowe i obrazowe oraz wyjście tekstowe, okno kontekstowe liczące 400 000 tokenów i maksymalnie 128 000 tokenów wyjściowych. Obsługiwane są tokeny rozumowania, strumieniowanie, wywoływanie funkcji i ustrukturyzowane odpowiedzi. OpenAI dokumentuje model w interfejsie Responses i określa nazwę bez oznaczenia wersji jako aktualizowaną etykietę modelu. Udokumentowana data graniczna wiedzy to 30 września 2024 roku. Audio i wideo nie należą do wymienionych modalności wejściowych; dostrajanie i przewidywane odpowiedzi nie są obsługiwane w tej konfiguracji.
Dodatek do karty systemowej oddziela trening modelu od mechanizmów kontroli produktu. Model jest trenowany, by opierać się instrukcjom ataków przez wstrzykiwanie poleceń napotykanym w materiałach programistycznych. Izolacja obszaru roboczego, uprawnienia sieciowe i zasady zatwierdzania należą do środowiska agenta. To rozróżnienie ma znaczenie, gdy asystent czyta zewnętrzną dokumentację lub wykonuje polecenia: dostęp określa aplikacja, a jej wyniki stanowią zapis tego, co faktycznie się wydarzyło.
Dla asystenta programistycznego korzystającego z Ailoot API zacznij od oczekiwanego zachowania, istotnych plików i jasnego kryterium ukończenia. Odpowiednie zadanie może obejmować skoordynowaną zmianę, wyjaśnienie dotkniętych zależności i sprawdzenia potrzebne do weryfikacji wyniku. Przekaż aktualne instrukcje projektu i przydatne przykłady wizualne, a następnie poproś o rezultat możliwy do oceny: zmieniony kod, analizę błędu lub sprawdzony plan implementacji.
", "aboutText": "GPT-5-Codex to wersja GPT-5 firmy OpenAI zoptymalizowana pod kątem inżynierii oprogramowania z użyciem agentów w Codex i podobnych środowiskach programistycznych. Jej trening obejmuje takie prace jak tworzenie projektów, implementowanie funkcji i testów, debugowanie, refaktoryzacja istniejących baz kodu oraz przegląd zmian. Uczenie ze wzmocnieniem na rzeczywistych zadaniach programistycznych rozwija przestrzeganie instrukcji, styl kodu i iteracyjną weryfikację. Docelowym środowiskiem jest asystent programistyczny mający dostęp do kontekstu projektu i narzędzi deweloperskich.\n\nModel dostosowuje nakład rozumowania do zadania. Niewielką, jasno określoną zmianę można obsłużyć w interaktywnej wymianie wiadomości, natomiast złożona refaktoryzacja może wymagać dłuższej analizy i powtarzanych kroków implementacji. To adaptacyjne zachowanie łączy rozmowę z wykonaniem: agent analizuje projekt, proponuje zmianę, otrzymuje wyniki ze swojego środowiska i kontynuuje pracę nad wskazanym rezultatem.\n\nPrzegląd kodu stanowi odrębną część jego specjalizacji. OpenAI opisuje recenzenta, który analizuje bazę kodu i zależności, odnosi proponowaną zmianę do zamierzonego zachowania oraz wykorzystuje wykonywanie kodu i testy do badania poprawności. Przydatnym wynikiem jest ukierunkowane wyjaśnienie istotnych błędów i wskazanie kodu, którego dotyczą, zamiast komentarzy opartych wyłącznie na wyglądzie różnic. Pliki projektu i wyniki narzędzi dostarczają dowodów do tej analizy.\n\nWejście wizualne wspiera prace nad interfejsem. Zrzuty ekranu, makiety szkieletowe i diagramy mogą przekazać oczekiwany wygląd lub zaobserwowany problem. W środowisku z narzędziami przeglądarki i wykonywania zrzutów agent może zbadać implementację i porównać zbudowany rezultat z dostarczonym wzorcem wizualnym. Są to przepływy wspomagane przez środowisko: model interpretuje informacje i wybiera działania, a aplikacja udostępnia narzędzia i je wykonuje.\n\nOpublikowana specyfikacja modelu wymienia wejście tekstowe i obrazowe oraz wyjście tekstowe, okno kontekstowe liczące 400 000 tokenów i maksymalnie 128 000 tokenów wyjściowych. Obsługiwane są tokeny rozumowania, strumieniowanie, wywoływanie funkcji i ustrukturyzowane odpowiedzi. OpenAI dokumentuje model w interfejsie Responses i określa nazwę bez oznaczenia wersji jako aktualizowaną etykietę modelu. Udokumentowana data graniczna wiedzy to 30 września 2024 roku. Audio i wideo nie należą do wymienionych modalności wejściowych; dostrajanie i przewidywane odpowiedzi nie są obsługiwane w tej konfiguracji.\n\nDodatek do karty systemowej oddziela trening modelu od mechanizmów kontroli produktu. Model jest trenowany, by opierać się instrukcjom ataków przez wstrzykiwanie poleceń napotykanym w materiałach programistycznych. Izolacja obszaru roboczego, uprawnienia sieciowe i zasady zatwierdzania należą do środowiska agenta. To rozróżnienie ma znaczenie, gdy asystent czyta zewnętrzną dokumentację lub wykonuje polecenia: dostęp określa aplikacja, a jej wyniki stanowią zapis tego, co faktycznie się wydarzyło.\n\nDla asystenta programistycznego korzystającego z Ailoot API zacznij od oczekiwanego zachowania, istotnych plików i jasnego kryterium ukończenia. Odpowiednie zadanie może obejmować skoordynowaną zmianę, wyjaśnienie dotkniętych zależności i sprawdzenia potrzebne do weryfikacji wyniku. Przekaż aktualne instrukcje projektu i przydatne przykłady wizualne, a następnie poproś o rezultat możliwy do oceny: zmieniony kod, analizę błędu lub sprawdzony plan implementacji.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Repair mutable default state\n\nReview this Python function: def collect(item, bucket=[]): bucket.append(item); return bucket. Separate calls must not share a bucket unless one is explicitly supplied. Return a minimal correction and assertions for two independent calls plus a call with an existing list. Preserve the optional bucket argument.A corrected function and regression assertions covering independent and explicit shared storage.Independent calls must not retain earlier items, while an explicitly supplied list must still receive the item.gpt-5-codex-mediumGPT-5-Codex to wariant GPT-5 firmy OpenAI do inżynierii oprogramowania z użyciem agentów: implementowania funkcji, debugowania, refaktoryzacji i przeglądu kodu w środowisku wyposażonym w narzędzia. Łączy wejście tekstowe i obrazowe z adaptacyjnym rozumowaniem oraz kontekstem liczącym 400 000 tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
GPT-5-Codex to wersja GPT-5 firmy OpenAI zoptymalizowana pod kątem inżynierii oprogramowania z użyciem agentów w Codex i podobnych środowiskach programistycznych. Jej trening obejmuje takie prace jak tworzenie projektów, implementowanie funkcji i testów, debugowanie, refaktoryzacja istniejących baz kodu oraz przegląd zmian. Uczenie ze wzmocnieniem na rzeczywistych zadaniach programistycznych rozwija przestrzeganie instrukcji, styl kodu i iteracyjną weryfikację. Docelowym środowiskiem jest asystent programistyczny mający dostęp do kontekstu projektu i narzędzi deweloperskich.
Model dostosowuje nakład rozumowania do zadania. Niewielką, jasno określoną zmianę można obsłużyć w interaktywnej wymianie wiadomości, natomiast złożona refaktoryzacja może wymagać dłuższej analizy i powtarzanych kroków implementacji. To adaptacyjne zachowanie łączy rozmowę z wykonaniem: agent analizuje projekt, proponuje zmianę, otrzymuje wyniki ze swojego środowiska i kontynuuje pracę nad wskazanym rezultatem.
Przegląd kodu stanowi odrębną część jego specjalizacji. OpenAI opisuje recenzenta, który analizuje bazę kodu i zależności, odnosi proponowaną zmianę do zamierzonego zachowania oraz wykorzystuje wykonywanie kodu i testy do badania poprawności. Przydatnym wynikiem jest ukierunkowane wyjaśnienie istotnych błędów i wskazanie kodu, którego dotyczą, zamiast komentarzy opartych wyłącznie na wyglądzie różnic. Pliki projektu i wyniki narzędzi dostarczają dowodów do tej analizy.
Wejście wizualne wspiera prace nad interfejsem. Zrzuty ekranu, makiety szkieletowe i diagramy mogą przekazać oczekiwany wygląd lub zaobserwowany problem. W środowisku z narzędziami przeglądarki i wykonywania zrzutów agent może zbadać implementację i porównać zbudowany rezultat z dostarczonym wzorcem wizualnym. Są to przepływy wspomagane przez środowisko: model interpretuje informacje i wybiera działania, a aplikacja udostępnia narzędzia i je wykonuje.
Opublikowana specyfikacja modelu wymienia wejście tekstowe i obrazowe oraz wyjście tekstowe, okno kontekstowe liczące 400 000 tokenów i maksymalnie 128 000 tokenów wyjściowych. Obsługiwane są tokeny rozumowania, strumieniowanie, wywoływanie funkcji i ustrukturyzowane odpowiedzi. OpenAI dokumentuje model w interfejsie Responses i określa nazwę bez oznaczenia wersji jako aktualizowaną etykietę modelu. Udokumentowana data graniczna wiedzy to 30 września 2024 roku. Audio i wideo nie należą do wymienionych modalności wejściowych; dostrajanie i przewidywane odpowiedzi nie są obsługiwane w tej konfiguracji.
Dodatek do karty systemowej oddziela trening modelu od mechanizmów kontroli produktu. Model jest trenowany, by opierać się instrukcjom ataków przez wstrzykiwanie poleceń napotykanym w materiałach programistycznych. Izolacja obszaru roboczego, uprawnienia sieciowe i zasady zatwierdzania należą do środowiska agenta. To rozróżnienie ma znaczenie, gdy asystent czyta zewnętrzną dokumentację lub wykonuje polecenia: dostęp określa aplikacja, a jej wyniki stanowią zapis tego, co faktycznie się wydarzyło.
Dla asystenta programistycznego korzystającego z Ailoot API zacznij od oczekiwanego zachowania, istotnych plików i jasnego kryterium ukończenia. Odpowiednie zadanie może obejmować skoordynowaną zmianę, wyjaśnienie dotkniętych zależności i sprawdzenia potrzebne do weryfikacji wyniku. Przekaż aktualne instrukcje projektu i przydatne przykłady wizualne, a następnie poproś o rezultat możliwy do oceny: zmieniony kod, analizę błędu lub sprawdzony plan implementacji.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity gpt-5-codex-medium | 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 function 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— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
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 $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-5-codex-medium", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gpt-5-codex-medium',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gpt-5-codex-medium',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 Ultra gpt-5-codex-medium
Użyj ścieżek metod podanych powyżej.
gpt-5-codex-mediumGPT-5-Codex to wariant GPT-5 firmy OpenAI do inżynierii oprogramowania z użyciem agentów: implementowania funkcji, debugowania, refaktoryzacji i przeglądu kodu w środowisku wyposażonym w narzędzia. Łączy wejście tekstowe i obrazowe z adaptacyjnym rozumowaniem oraz kontekstem liczącym 400 000 tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
GPT-5-Codex to wersja GPT-5 firmy OpenAI zoptymalizowana pod kątem inżynierii oprogramowania z użyciem agentów w Codex i podobnych środowiskach programistycznych. Jej trening obejmuje takie prace jak tworzenie projektów, implementowanie funkcji i testów, debugowanie, refaktoryzacja istniejących baz kodu oraz przegląd zmian. Uczenie ze wzmocnieniem na rzeczywistych zadaniach programistycznych rozwija przestrzeganie instrukcji, styl kodu i iteracyjną weryfikację. Docelowym środowiskiem jest asystent programistyczny mający dostęp do kontekstu projektu i narzędzi deweloperskich.
Model dostosowuje nakład rozumowania do zadania. Niewielką, jasno określoną zmianę można obsłużyć w interaktywnej wymianie wiadomości, natomiast złożona refaktoryzacja może wymagać dłuższej analizy i powtarzanych kroków implementacji. To adaptacyjne zachowanie łączy rozmowę z wykonaniem: agent analizuje projekt, proponuje zmianę, otrzymuje wyniki ze swojego środowiska i kontynuuje pracę nad wskazanym rezultatem.
Przegląd kodu stanowi odrębną część jego specjalizacji. OpenAI opisuje recenzenta, który analizuje bazę kodu i zależności, odnosi proponowaną zmianę do zamierzonego zachowania oraz wykorzystuje wykonywanie kodu i testy do badania poprawności. Przydatnym wynikiem jest ukierunkowane wyjaśnienie istotnych błędów i wskazanie kodu, którego dotyczą, zamiast komentarzy opartych wyłącznie na wyglądzie różnic. Pliki projektu i wyniki narzędzi dostarczają dowodów do tej analizy.
Wejście wizualne wspiera prace nad interfejsem. Zrzuty ekranu, makiety szkieletowe i diagramy mogą przekazać oczekiwany wygląd lub zaobserwowany problem. W środowisku z narzędziami przeglądarki i wykonywania zrzutów agent może zbadać implementację i porównać zbudowany rezultat z dostarczonym wzorcem wizualnym. Są to przepływy wspomagane przez środowisko: model interpretuje informacje i wybiera działania, a aplikacja udostępnia narzędzia i je wykonuje.
Opublikowana specyfikacja modelu wymienia wejście tekstowe i obrazowe oraz wyjście tekstowe, okno kontekstowe liczące 400 000 tokenów i maksymalnie 128 000 tokenów wyjściowych. Obsługiwane są tokeny rozumowania, strumieniowanie, wywoływanie funkcji i ustrukturyzowane odpowiedzi. OpenAI dokumentuje model w interfejsie Responses i określa nazwę bez oznaczenia wersji jako aktualizowaną etykietę modelu. Udokumentowana data graniczna wiedzy to 30 września 2024 roku. Audio i wideo nie należą do wymienionych modalności wejściowych; dostrajanie i przewidywane odpowiedzi nie są obsługiwane w tej konfiguracji.
Dodatek do karty systemowej oddziela trening modelu od mechanizmów kontroli produktu. Model jest trenowany, by opierać się instrukcjom ataków przez wstrzykiwanie poleceń napotykanym w materiałach programistycznych. Izolacja obszaru roboczego, uprawnienia sieciowe i zasady zatwierdzania należą do środowiska agenta. To rozróżnienie ma znaczenie, gdy asystent czyta zewnętrzną dokumentację lub wykonuje polecenia: dostęp określa aplikacja, a jej wyniki stanowią zapis tego, co faktycznie się wydarzyło.
Dla asystenta programistycznego korzystającego z Ailoot API zacznij od oczekiwanego zachowania, istotnych plików i jasnego kryterium ukończenia. Odpowiednie zadanie może obejmować skoordynowaną zmianę, wyjaśnienie dotkniętych zależności i sprawdzenia potrzebne do weryfikacji wyniku. Przekaż aktualne instrukcje projektu i przydatne przykłady wizualne, a następnie poproś o rezultat możliwy do oceny: zmieniony kod, analizę błędu lub sprawdzony plan implementacji.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity gpt-5-codex-medium | 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 $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "gpt-5-codex-medium",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5-codex-medium', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5-codex-medium', '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 Ultra gpt-5-codex-medium
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Repair mutable default state\n\nReview this Python function: def collect(item, bucket=[]): bucket.append(item); return bucket. Separate calls must not share a bucket unless one is explicitly supplied. Return a minimal correction and assertions for two independent calls plus a call with an existing list. Preserve the optional bucket argument.A corrected function and regression assertions covering independent and explicit shared storage.Independent calls must not retain earlier items, while an explicitly supplied list must still receive the item.