GPT-4.1 Nano to najszybszy model z rodziny GPT-4.1 firmy OpenAI, przeznaczony do wykonywania instrukcji i wywoływania narzędzi bez osobnego kroku rozumowania. Przyjmuje tekst i obrazy, a generuje tekst. Nano pasuje do dobrze określonej operacji, gdy aplikacja potrzebuje zwięzłej odpowiedzi, zestawu pól lub następnego żądania narzędzia zamiast obszernego badania.
Przydatnym przykładem jest sortowanie przychodzących wiadomości według dostarczonego zestawu kategorii. Wyjaśnij każdą kategorię, pokaż sposób reprezentowania wiadomości niejednoznacznych lub spoza zakresu i poproś o kategorię wraz ze źródłową frazą, która ją uzasadnia. Przy wyodrębnianiu danych zdefiniuj nazwy pól, dopuszczalne wartości i sposób obsługi brakujących informacji. Przy krótkim zadaniu pisarskim podaj fakty i poproś o konkretny fragment potrzebny w następnym etapie aplikacji. Przykłady i ograniczenia powinny być na tyle niewielkie, aby pozostały jasne nawet przy dużym zbiorze źródeł.
Producent podaje okno kontekstu 1 047 576 tokenów, maksymalny wynik 32 768 tokenów i datę graniczną wiedzy 1 czerwca 2024 roku. Parametry te odpowiadają oknu GPT-4.1 Mini, zachowując odrębną tożsamość Nano i jego rolę nastawioną na szybkie reagowanie. Oznacz dokumenty i sekcje rozmowy, dołącz tylko kontekst istotny dla operacji i zostaw miejsce na kompletną odpowiedź. Wyniki wyszukiwania lub dostarczony tekst referencyjny mogą przekazać fakty nowsze niż wiedza wyuczona przez model.
Nano obsługuje strumieniowanie i Structured Outputs. Końcowa odpowiedź ograniczona schematem służy innemu celowi niż wywołanie funkcji: pierwsza daje aplikacji ukończony materiał, drugie prosi ją o wykonanie operacji. Structured Outputs obsługuje podzbiór JSON Schema; zdefiniuj wymagane właściwości i jednoznaczny sposób reprezentowania nieznanych wartości. Osobno obsługuj odmowy i niekompletne odpowiedzi, a wyodrębnione wartości sprawdzaj względem wejścia, zamiast utożsamiać poprawną postać z poprawnym wnioskiem.
Udokumentowany zestaw narzędzi obejmuje wywoływanie funkcji, wyszukiwanie w plikach, wykonywanie kodu, połączenia MCP i osobne narzędzie generowania obrazów. Aplikacja dostarcza opisy i schematy narzędzi, wykonuje niestandardowe funkcje i zwraca ich rzeczywiste wyniki. Dla wersji Nano z 14 kwietnia 2025 roku OpenAI wyraźnie zaleca wyłączenie równoległych wywołań narzędzi, ponieważ model może zażądać tego samego narzędzia kilka razy w jednej turze. To kwestia wykonania dotycząca konkretnej wersji, a nie powód do interpretowania kilku proponowanych wywołań jako ukończonych działań.
Wejście obrazowe dodaje dowody wizualne do zadania tekstowego, na przykład odczytanie widocznej etykiety lub opis stanu na zrzucie ekranu. Korzystaj z obsługiwanych obrazów PNG, JPEG, WebP lub nieanimowanych GIF, zachowaj czytelność tekstu i wyjaśnij istotną obserwację. Przewodnik analizy obrazu wskazuje trudności z małym lub obróconym tekstem, precyzyjnymi relacjami przestrzennymi, liczeniem obiektów i częścią pism innych niż łacińskie. Dodaj otaczający kontekst, gdy sam wycinek czyniłby etykietę lub diagram niejednoznacznym. Własna odpowiedź Nano jest tekstowa; narzędzie generowania obrazów zwraca osobny materiał. W udokumentowanym procesie analizy obrazu OpenAI całkowity rozmiar danych żądania jest ograniczony do 512 MB, a żądanie może zawierać do 1 500 obrazów; obrazy i tekst muszą również zmieścić się w kontekście modelu.
W procesie plikowym producenta model analizujący obraz otrzymuje zarówno wyodrębniony tekst, jak i obrazy stron z PDF. Inne formaty dokumentów dostarczają wyodrębniony tekst, a uzupełnianie danych z arkuszy uwzględnia do pierwszych 1 000 wierszy na arkusz. Plik musi mieć mniej niż 50 MB, a łączny limit plików w żądaniu wynosi 50 MB. Chat Completions obsługuje części plikowe PDF, podczas gdy udokumentowany proces Responses przyjmuje dodatkowe typy plików. Wykresy osadzone w dokumentach innych niż PDF nie są przekazywane jako treść obrazowa, więc reprezentacja PDF jest przydatna, gdy dowody wizualne mają znaczenie.
OpenAI dokumentuje buforowanie promptów dla Nano i Predicted Outputs dla serii GPT-4.1 Nano. Buforowanie promptów ponownie wykorzystuje kwalifikujący się prefiks wejścia w usłudze producenta. Predicted Outputs zamiast tego dostarcza w dużej mierze znany tekst wynikowy do edycji, na przykład poprawienia dokumentu lub pliku kodu z zachowaniem niezmienionych części. Ścieżka przewidywania jest wyłącznie tekstowa i wyklucza między innymi wywoływanie funkcji, logprobs i max_completion_tokens. Dobierz ścieżkę do rzeczywistej operacji i powiąż jej wynik z oryginalnym źródłem.
Producent dokumentuje również nadzorowane dostrajanie i bezpośrednią optymalizację preferencji dla nazwanej wersji GPT-4.1 Nano. Przykłady treningowe oraz odpowiedzi preferowane i odrzucane dostosowują model do powtarzalnego zadania; są odrębne od kontekstu podanego w zwykłym żądaniu. Przy praktycznym etapie wyodrębniania lub klasyfikowania zacznij od jasnych kategorii, przykładów i jawnego formatu końcowego, a następnie sprawdź, czy zwrócone pola zachowują fakty potrzebne w kolejnym etapie.
", "aboutText": "GPT-4.1 Nano to najszybszy model z rodziny GPT-4.1 firmy OpenAI, przeznaczony do wykonywania instrukcji i wywoływania narzędzi bez osobnego kroku rozumowania. Przyjmuje tekst i obrazy, a generuje tekst. Nano pasuje do dobrze określonej operacji, gdy aplikacja potrzebuje zwięzłej odpowiedzi, zestawu pól lub następnego żądania narzędzia zamiast obszernego badania.\n\nPrzydatnym przykładem jest sortowanie przychodzących wiadomości według dostarczonego zestawu kategorii. Wyjaśnij każdą kategorię, pokaż sposób reprezentowania wiadomości niejednoznacznych lub spoza zakresu i poproś o kategorię wraz ze źródłową frazą, która ją uzasadnia. Przy wyodrębnianiu danych zdefiniuj nazwy pól, dopuszczalne wartości i sposób obsługi brakujących informacji. Przy krótkim zadaniu pisarskim podaj fakty i poproś o konkretny fragment potrzebny w następnym etapie aplikacji. Przykłady i ograniczenia powinny być na tyle niewielkie, aby pozostały jasne nawet przy dużym zbiorze źródeł.\n\nProducent podaje okno kontekstu 1 047 576 tokenów, maksymalny wynik 32 768 tokenów i datę graniczną wiedzy 1 czerwca 2024 roku. Parametry te odpowiadają oknu GPT-4.1 Mini, zachowując odrębną tożsamość Nano i jego rolę nastawioną na szybkie reagowanie. Oznacz dokumenty i sekcje rozmowy, dołącz tylko kontekst istotny dla operacji i zostaw miejsce na kompletną odpowiedź. Wyniki wyszukiwania lub dostarczony tekst referencyjny mogą przekazać fakty nowsze niż wiedza wyuczona przez model.\n\nNano obsługuje strumieniowanie i Structured Outputs. Końcowa odpowiedź ograniczona schematem służy innemu celowi niż wywołanie funkcji: pierwsza daje aplikacji ukończony materiał, drugie prosi ją o wykonanie operacji. Structured Outputs obsługuje podzbiór JSON Schema; zdefiniuj wymagane właściwości i jednoznaczny sposób reprezentowania nieznanych wartości. Osobno obsługuj odmowy i niekompletne odpowiedzi, a wyodrębnione wartości sprawdzaj względem wejścia, zamiast utożsamiać poprawną postać z poprawnym wnioskiem.\n\nUdokumentowany zestaw narzędzi obejmuje wywoływanie funkcji, wyszukiwanie w plikach, wykonywanie kodu, połączenia MCP i osobne narzędzie generowania obrazów. Aplikacja dostarcza opisy i schematy narzędzi, wykonuje niestandardowe funkcje i zwraca ich rzeczywiste wyniki. Dla wersji Nano z 14 kwietnia 2025 roku OpenAI wyraźnie zaleca wyłączenie równoległych wywołań narzędzi, ponieważ model może zażądać tego samego narzędzia kilka razy w jednej turze. To kwestia wykonania dotycząca konkretnej wersji, a nie powód do interpretowania kilku proponowanych wywołań jako ukończonych działań.\n\nWejście obrazowe dodaje dowody wizualne do zadania tekstowego, na przykład odczytanie widocznej etykiety lub opis stanu na zrzucie ekranu. Korzystaj z obsługiwanych obrazów PNG, JPEG, WebP lub nieanimowanych GIF, zachowaj czytelność tekstu i wyjaśnij istotną obserwację. Przewodnik analizy obrazu wskazuje trudności z małym lub obróconym tekstem, precyzyjnymi relacjami przestrzennymi, liczeniem obiektów i częścią pism innych niż łacińskie. Dodaj otaczający kontekst, gdy sam wycinek czyniłby etykietę lub diagram niejednoznacznym. Własna odpowiedź Nano jest tekstowa; narzędzie generowania obrazów zwraca osobny materiał. W udokumentowanym procesie analizy obrazu OpenAI całkowity rozmiar danych żądania jest ograniczony do 512 MB, a żądanie może zawierać do 1 500 obrazów; obrazy i tekst muszą również zmieścić się w kontekście modelu.\n\nW procesie plikowym producenta model analizujący obraz otrzymuje zarówno wyodrębniony tekst, jak i obrazy stron z PDF. Inne formaty dokumentów dostarczają wyodrębniony tekst, a uzupełnianie danych z arkuszy uwzględnia do pierwszych 1 000 wierszy na arkusz. Plik musi mieć mniej niż 50 MB, a łączny limit plików w żądaniu wynosi 50 MB. Chat Completions obsługuje części plikowe PDF, podczas gdy udokumentowany proces Responses przyjmuje dodatkowe typy plików. Wykresy osadzone w dokumentach innych niż PDF nie są przekazywane jako treść obrazowa, więc reprezentacja PDF jest przydatna, gdy dowody wizualne mają znaczenie.\n\nOpenAI dokumentuje buforowanie promptów dla Nano i Predicted Outputs dla serii GPT-4.1 Nano. Buforowanie promptów ponownie wykorzystuje kwalifikujący się prefiks wejścia w usłudze producenta. Predicted Outputs zamiast tego dostarcza w dużej mierze znany tekst wynikowy do edycji, na przykład poprawienia dokumentu lub pliku kodu z zachowaniem niezmienionych części. Ścieżka przewidywania jest wyłącznie tekstowa i wyklucza między innymi wywoływanie funkcji, logprobs i max_completion_tokens. Dobierz ścieżkę do rzeczywistej operacji i powiąż jej wynik z oryginalnym źródłem.\n\nProducent dokumentuje również nadzorowane dostrajanie i bezpośrednią optymalizację preferencji dla nazwanej wersji GPT-4.1 Nano. Przykłady treningowe oraz odpowiedzi preferowane i odrzucane dostosowują model do powtarzalnego zadania; są odrębne od kontekstu podanego w zwykłym żądaniu. Przy praktycznym etapie wyodrębniania lub klasyfikowania zacznij od jasnych kategorii, przykładów i jawnego formatu końcowego, a następnie sprawdź, czy zwrócone pola zachowują fakty potrzebne w kolejnym etapie.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "61364a50640b079e0817f499e431b2a9d877420b58d7981891a7b4427b79d1c3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "openai/gpt-4.1-nano:batchGPT-4.1 Nano to niewielki, szybko reagujący model z rodziny GPT-4.1 do precyzyjnie opisanych zadań tekstowych i obrazowych. Duży kontekst, Structured Outputs i wywoływanie funkcji wspierają klasyfikację, wyodrębnianie danych i ściśle określone kroki aplikacji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
GPT-4.1 Nano to najszybszy model z rodziny GPT-4.1 firmy OpenAI, przeznaczony do wykonywania instrukcji i wywoływania narzędzi bez osobnego kroku rozumowania. Przyjmuje tekst i obrazy, a generuje tekst. Nano pasuje do dobrze określonej operacji, gdy aplikacja potrzebuje zwięzłej odpowiedzi, zestawu pól lub następnego żądania narzędzia zamiast obszernego badania.
Przydatnym przykładem jest sortowanie przychodzących wiadomości według dostarczonego zestawu kategorii. Wyjaśnij każdą kategorię, pokaż sposób reprezentowania wiadomości niejednoznacznych lub spoza zakresu i poproś o kategorię wraz ze źródłową frazą, która ją uzasadnia. Przy wyodrębnianiu danych zdefiniuj nazwy pól, dopuszczalne wartości i sposób obsługi brakujących informacji. Przy krótkim zadaniu pisarskim podaj fakty i poproś o konkretny fragment potrzebny w następnym etapie aplikacji. Przykłady i ograniczenia powinny być na tyle niewielkie, aby pozostały jasne nawet przy dużym zbiorze źródeł.
Producent podaje okno kontekstu 1 047 576 tokenów, maksymalny wynik 32 768 tokenów i datę graniczną wiedzy 1 czerwca 2024 roku. Parametry te odpowiadają oknu GPT-4.1 Mini, zachowując odrębną tożsamość Nano i jego rolę nastawioną na szybkie reagowanie. Oznacz dokumenty i sekcje rozmowy, dołącz tylko kontekst istotny dla operacji i zostaw miejsce na kompletną odpowiedź. Wyniki wyszukiwania lub dostarczony tekst referencyjny mogą przekazać fakty nowsze niż wiedza wyuczona przez model.
Nano obsługuje strumieniowanie i Structured Outputs. Końcowa odpowiedź ograniczona schematem służy innemu celowi niż wywołanie funkcji: pierwsza daje aplikacji ukończony materiał, drugie prosi ją o wykonanie operacji. Structured Outputs obsługuje podzbiór JSON Schema; zdefiniuj wymagane właściwości i jednoznaczny sposób reprezentowania nieznanych wartości. Osobno obsługuj odmowy i niekompletne odpowiedzi, a wyodrębnione wartości sprawdzaj względem wejścia, zamiast utożsamiać poprawną postać z poprawnym wnioskiem.
Udokumentowany zestaw narzędzi obejmuje wywoływanie funkcji, wyszukiwanie w plikach, wykonywanie kodu, połączenia MCP i osobne narzędzie generowania obrazów. Aplikacja dostarcza opisy i schematy narzędzi, wykonuje niestandardowe funkcje i zwraca ich rzeczywiste wyniki. Dla wersji Nano z 14 kwietnia 2025 roku OpenAI wyraźnie zaleca wyłączenie równoległych wywołań narzędzi, ponieważ model może zażądać tego samego narzędzia kilka razy w jednej turze. To kwestia wykonania dotycząca konkretnej wersji, a nie powód do interpretowania kilku proponowanych wywołań jako ukończonych działań.
Wejście obrazowe dodaje dowody wizualne do zadania tekstowego, na przykład odczytanie widocznej etykiety lub opis stanu na zrzucie ekranu. Korzystaj z obsługiwanych obrazów PNG, JPEG, WebP lub nieanimowanych GIF, zachowaj czytelność tekstu i wyjaśnij istotną obserwację. Przewodnik analizy obrazu wskazuje trudności z małym lub obróconym tekstem, precyzyjnymi relacjami przestrzennymi, liczeniem obiektów i częścią pism innych niż łacińskie. Dodaj otaczający kontekst, gdy sam wycinek czyniłby etykietę lub diagram niejednoznacznym. Własna odpowiedź Nano jest tekstowa; narzędzie generowania obrazów zwraca osobny materiał. W udokumentowanym procesie analizy obrazu OpenAI całkowity rozmiar danych żądania jest ograniczony do 512 MB, a żądanie może zawierać do 1 500 obrazów; obrazy i tekst muszą również zmieścić się w kontekście modelu.
W procesie plikowym producenta model analizujący obraz otrzymuje zarówno wyodrębniony tekst, jak i obrazy stron z PDF. Inne formaty dokumentów dostarczają wyodrębniony tekst, a uzupełnianie danych z arkuszy uwzględnia do pierwszych 1 000 wierszy na arkusz. Plik musi mieć mniej niż 50 MB, a łączny limit plików w żądaniu wynosi 50 MB. Chat Completions obsługuje części plikowe PDF, podczas gdy udokumentowany proces Responses przyjmuje dodatkowe typy plików. Wykresy osadzone w dokumentach innych niż PDF nie są przekazywane jako treść obrazowa, więc reprezentacja PDF jest przydatna, gdy dowody wizualne mają znaczenie.
OpenAI dokumentuje buforowanie promptów dla Nano i Predicted Outputs dla serii GPT-4.1 Nano. Buforowanie promptów ponownie wykorzystuje kwalifikujący się prefiks wejścia w usłudze producenta. Predicted Outputs zamiast tego dostarcza w dużej mierze znany tekst wynikowy do edycji, na przykład poprawienia dokumentu lub pliku kodu z zachowaniem niezmienionych części. Ścieżka przewidywania jest wyłącznie tekstowa i wyklucza między innymi wywoływanie funkcji, logprobs i max_completion_tokens. Dobierz ścieżkę do rzeczywistej operacji i powiąż jej wynik z oryginalnym źródłem.
Producent dokumentuje również nadzorowane dostrajanie i bezpośrednią optymalizację preferencji dla nazwanej wersji GPT-4.1 Nano. Przykłady treningowe oraz odpowiedzi preferowane i odrzucane dostosowują model do powtarzalnego zadania; są odrębne od kontekstu podanego w zwykłym żądaniu. Przy praktycznym etapie wyodrębniania lub klasyfikowania zacznij od jasnych kategorii, przykładów i jawnego formatu końcowego, a następnie sprawdź, czy zwrócone pola zachowują fakty potrzebne w kolejnym etapie.
POST /v1/batchestexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Poleendpoint | Typstring | WymaganieWymagane | Wartości i limity /v1/chat/completions | Domyślnie— |
Polemodel | Typstring | WymaganieWymagane | Wartości i limity openai/gpt-4.1-nano:batch | Domyślnie— |
Polerequests | Typbatch_item[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polerequests[].custom_id | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polerequests[].body.messages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polecompletion_window | Typstring | WymaganieOpcjonalne | Wartości i limity 24h | Domyślnie— |
Poleprovider | Typobject|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polerequests[].body.model | Typstring | WymaganieOpcjonalne | Wartości i limity openai/gpt-4.1-nano:batch, openai/gpt-4.1-nano | Domyślnie— |
Poleprovider.only | Typstring[] | WymaganieOpcjonalne | Wartości i limity openai | Domyślnie— |
Poleprovider.allow_fallbacks | Typboolean|null | WymaganieOpcjonalne | Wartości i limity false, null | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktendpoint, model, requests |
Parametrmaterial_types | Kontrakttext |
Parametrrepresentation | Kontraktrequests[] bezpośrednio w żądaniu; każdy element zawiera custom_id i body |
Parametrrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parametrfile_material | KontraktWywołujący może lokalnie wczytać rzeczywisty plik JSONL w kodowaniu UTF-8 do requests[]. Nie używa się przeznaczenia przesyłanego pliku, input_file_id ani odwołania do pliku. Brak materiałów klienta lub ich pusta zawartość zatrzymują przygotowanie przed POST. |
Parametrserialization_order | Kontraktendpoint, model, provider (jeśli podano), completion_window (jeśli podano), requests na końcu |
Parametroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parametrschema_scope | KontraktTreści żądań tekstowych Chat Completions w udokumentowanej strukturze Batch z danymi bezpośrednio w żądaniu. |
Cykl życia: asynchronous
GET /v1/batches/{operation_id} · Rzeczywista wartość response.id zwrócona przy pierwotnym utworzeniu; ten sam użytkownik, klucz i grupa
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.000025 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.000025 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-4.1-nano:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-4.1-nano:batch', 'openai/gpt-4.1-nano']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4.1-nano:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON bezpośrednio w results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nZachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełny pierwotny JSON stanu, każdy wynik i custom_id oraz pełną treść odpowiedzi lub błędu. Zapisz ukończone wyniki z results[] jako JSONL bez filtrowania.
Zachowaj pierwotny identyfikator operacji. Odpowiedź 503 result_pending_check zawiera X-Should-Retry:false; nigdy nie wysyłaj ponownie pierwotnego żądania Batch, którego wynik jest nieznany.
| Pole | Typ |
|---|---|
Poleresults[].custom_id | Typstring |
Poleresults[].response.body.choices[].message.content | Typstring|null |
Poleresults[].error | Typobject|null |
Poleusage | Typobject|null |
Poleid | Typstring |
Polemodel | Typstring |
Poleendpoint | Typstring |
Polestatus | Typstring |
Polerequest_counts | Typobject |
Poleresults[].id | Typstring |
Poleresults[].response.status_code | Typinteger |
Poleresults[].response.request_id | Typstring |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowa udokumentowana struktura z danymi bezpośrednio w żądaniu, zduplikowane klucze, problem z tożsamością elementu lub konflikt ze skonfigurowanymi możliwościami modelu. | Następny krokPopraw wskazane pola przed wysłaniem jakiegokolwiek nowego żądania. |
Odpowiedź401 · authentication_error | WarunekNieprawidłowy klucz API. | Następny krokUżyj autoryzowanego klucza Ailoot. |
Odpowiedź403 · permission_error | WarunekGrupa Batch jest niedostępna. | Następny krokSprawdź uprawnienia klucza i grupy. |
Odpowiedź422 · invalid_request_error | WarunekBatch korzysta z rozliczania z salda; utworzenie w ramach subskrypcji jest odrzucane. | Następny krokUżyj autoryzowanej grupy rozliczanej z salda. |
Odpowiedź422 · price_unavailable | WarunekNie można wycenić danych wejściowych Batch. | Następny krokZachowaj odpowiedź; użyj danych wejściowych udokumentowanych dla tej rodziny API. |
Odpowiedź402 · billing_error | WarunekRezerwa dla Batch jest niedostępna. | Następny krokRozwiąż problem dopuszczenia żądania przed wysłaniem nowego. |
Odpowiedź503 · price_unavailable | WarunekCena metody Batch lub stawki natywne są niedostępne. | Następny krokZachowaj odpowiedź; nie zastępuj cen innymi. |
Odpowiedź503 · api_error | WarunekDokładna trasa dostawcy jest niedostępna. | Następny krokZachowaj odpowiedź na potrzeby naprawy trasy. |
Odpowiedź503 · result_pending_check | WarunekPierwotny wynik wymaga sprawdzenia; X-Should-Retry:false. | Następny krokZachowaj pierwotny operation_id/id i odczytuj stan operacji; nigdy nie powtarzaj pierwotnego POST. |
Odpowiedź404 · not_found | WarunekOperacja sprawdzania stanu Batch nie istnieje lub należy do innej tożsamości. | Następny krokUżyj dokładnego pierwotnego id oraz tego samego użytkownika, klucza i grupy. |
Ailoot Ultra openai/gpt-4.1-nano:batch
Użyj ścieżek metod podanych powyżej.