OpenAI o3-mini to mniejszy model rozumujący z serii o, skoncentrowany na rozwiązywaniu problemów technicznych, w tym naukowych, matematycznych i programistycznych. Przyjmuje tekst i generuje tekst, wykonując dodatkowe wewnętrzne rozumowanie przed widoczną odpowiedzią. Używaj go do jasno określonego problemu matematycznego, analizy algorytmu, poprawki kodu lub porównania technicznego, którego wniosek zależy od kilku warunków. Nakład na rozumowanie można konfigurować w bazowej edycji o3-mini; ustawienie o3-mini High wybiera wysoki nakład, a nie odrębne wagi modelu.
Producent dokumentuje niski, średni i wysoki nakład na rozumowanie: low, medium i high. Większy nakład może pomóc w wymagającym problemie i wymagać więcej czasu generowania, podczas gdy pożądana widoczna odpowiedź nadal może być zwięzła. Podaj modelowi zadanie, ograniczenia i kontrakt wyjścia, zamiast narzucać długi łańcuch pośrednich myśli. Dla problemu algorytmicznego dostarcz ograniczenia wejścia, wymagane zachowanie i przypadki decydujące o poprawności. W matematyce zdefiniuj zmienne, dziedziny, notację i wymagany wynik.
OpenAI podaje okno kontekstu 200 000 tokenów, maksymalny budżet wyjścia 100 000 tokenów i granicę wiedzy 1 października 2023 r. Tokeny rozumowania zużywają dostępny kontekst i budżet generowanego wyjścia przed odpowiedzią końcową, więc maksimum nie jest obietnicą takiej liczby widocznych tokenów odpowiedzi. Pozostaw miejsce zarówno na analizę, jak i żądany wynik. Jeśli budżet jest zbyt mały dla problemu, żądanie może wyczerpać przydział generowanych tokenów przed zwróceniem przydatnego widocznego tekstu.
Natywną modalnością wejściową jest tekst, a nie obraz. Jeśli zadanie pochodzi z diagramu lub zrzutu ekranu, przedstaw jego istotne warunki na piśmie. Producent wymienia przesyłanie plików i wyszukiwanie w plikach w przepływach wspomaganych narzędziami; mogą one dostarczać istotny materiał tekstowy bez zmiany natywnej modalności modelu. Wskaż fragmenty źródłowe lub zawartość plików potrzebne do odpowiedzi, zamiast zakładać, że każdy załącznik automatycznie wnosi przydatne dowody.
Model obsługuje Structured Outputs, wywoływanie funkcji i strumieniowanie, a karta producenta wymienia interfejsy Responses, Chat Completions, Assistants i Batch. W zadaniu strukturalnym określ wymagane pola i sposób przedstawiania brakujących informacji. W przepływie narzędziowym model proponuje funkcję i argumenty; aplikacja wykonuje działanie i zwraca rzeczywistą obserwację. Oddziel operację proponowaną od tej, której wynik już otrzymano.
Aktualny zestaw narzędzi producenta wymienia również wyszukiwanie w plikach, interpretację kodu, połączenia MCP i narzędzia generowania obrazów. Te skonfigurowane narzędzia mają własne operacje; nie zmieniają bezpośredniej odpowiedzi tekstowej o3-mini w natywne wyjście obrazowe lub dźwiękowe. W zadaniu programistycznym podaj kod, zaobserwowany błąd i wymagania, a następnie poproś o proponowaną zmianę z wyjaśnieniem przypadków, które obejmuje. Jeśli dostępne są wyniki wykonania, dostarcz je jako dowody do kolejnej poprawki, zamiast traktować niewykonany kod jako zakończony rezultat.
Przydatnym końcowym artefaktem może być wzór, uzasadnione porównanie, propozycja kodu lub uporządkowany wynik techniczny, który łączy wniosek z pierwotnymi warunkami. W kolejnym kroku nazwij nowe dowody i część odpowiedzi wymagającą zmiany. Zachowaj istotną rozmowę i obserwacje narzędzi, aby kolejna odpowiedź mogła pracować na rzeczywistych wynikach. Rola mniejszego modelu rozumującego jest praktyczna, gdy zadanie wymaga analizy, jasnych ograniczeń i skoncentrowanego artefaktu tekstowego, a nie niepopartych założeń o działaniach zewnętrznych.
", "aboutText": "OpenAI o3-mini to mniejszy model rozumujący z serii o, skoncentrowany na rozwiązywaniu problemów technicznych, w tym naukowych, matematycznych i programistycznych. Przyjmuje tekst i generuje tekst, wykonując dodatkowe wewnętrzne rozumowanie przed widoczną odpowiedzią. Używaj go do jasno określonego problemu matematycznego, analizy algorytmu, poprawki kodu lub porównania technicznego, którego wniosek zależy od kilku warunków. Nakład na rozumowanie można konfigurować w bazowej edycji o3-mini; ustawienie o3-mini High wybiera wysoki nakład, a nie odrębne wagi modelu.\n\nProducent dokumentuje niski, średni i wysoki nakład na rozumowanie: low, medium i high. Większy nakład może pomóc w wymagającym problemie i wymagać więcej czasu generowania, podczas gdy pożądana widoczna odpowiedź nadal może być zwięzła. Podaj modelowi zadanie, ograniczenia i kontrakt wyjścia, zamiast narzucać długi łańcuch pośrednich myśli. Dla problemu algorytmicznego dostarcz ograniczenia wejścia, wymagane zachowanie i przypadki decydujące o poprawności. W matematyce zdefiniuj zmienne, dziedziny, notację i wymagany wynik.\n\nOpenAI podaje okno kontekstu 200 000 tokenów, maksymalny budżet wyjścia 100 000 tokenów i granicę wiedzy 1 października 2023 r. Tokeny rozumowania zużywają dostępny kontekst i budżet generowanego wyjścia przed odpowiedzią końcową, więc maksimum nie jest obietnicą takiej liczby widocznych tokenów odpowiedzi. Pozostaw miejsce zarówno na analizę, jak i żądany wynik. Jeśli budżet jest zbyt mały dla problemu, żądanie może wyczerpać przydział generowanych tokenów przed zwróceniem przydatnego widocznego tekstu.\n\nNatywną modalnością wejściową jest tekst, a nie obraz. Jeśli zadanie pochodzi z diagramu lub zrzutu ekranu, przedstaw jego istotne warunki na piśmie. Producent wymienia przesyłanie plików i wyszukiwanie w plikach w przepływach wspomaganych narzędziami; mogą one dostarczać istotny materiał tekstowy bez zmiany natywnej modalności modelu. Wskaż fragmenty źródłowe lub zawartość plików potrzebne do odpowiedzi, zamiast zakładać, że każdy załącznik automatycznie wnosi przydatne dowody.\n\nModel obsługuje Structured Outputs, wywoływanie funkcji i strumieniowanie, a karta producenta wymienia interfejsy Responses, Chat Completions, Assistants i Batch. W zadaniu strukturalnym określ wymagane pola i sposób przedstawiania brakujących informacji. W przepływie narzędziowym model proponuje funkcję i argumenty; aplikacja wykonuje działanie i zwraca rzeczywistą obserwację. Oddziel operację proponowaną od tej, której wynik już otrzymano.\n\nAktualny zestaw narzędzi producenta wymienia również wyszukiwanie w plikach, interpretację kodu, połączenia MCP i narzędzia generowania obrazów. Te skonfigurowane narzędzia mają własne operacje; nie zmieniają bezpośredniej odpowiedzi tekstowej o3-mini w natywne wyjście obrazowe lub dźwiękowe. W zadaniu programistycznym podaj kod, zaobserwowany błąd i wymagania, a następnie poproś o proponowaną zmianę z wyjaśnieniem przypadków, które obejmuje. Jeśli dostępne są wyniki wykonania, dostarcz je jako dowody do kolejnej poprawki, zamiast traktować niewykonany kod jako zakończony rezultat.\n\nPrzydatnym końcowym artefaktem może być wzór, uzasadnione porównanie, propozycja kodu lub uporządkowany wynik techniczny, który łączy wniosek z pierwotnymi warunkami. W kolejnym kroku nazwij nowe dowody i część odpowiedzi wymagającą zmiany. Zachowaj istotną rozmowę i obserwacje narzędzi, aby kolejna odpowiedź mogła pracować na rzeczywistych wynikach. Rola mniejszego modelu rozumującego jest praktyczna, gdy zadanie wymaga analizy, jasnych ograniczeń i skoncentrowanego artefaktu tekstowego, a nie niepopartych założeń o działaniach zewnętrznych.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "06f0107218d892d4c19847d2ad04fa18d735bb682537ce3dba82037d2a0ff5b5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "openai/o3-mini:batchOpenAI o3-mini to tekstowy model rozumujący do nauki, matematyki i programowania. Oferuje niski, średni i wysoki nakład na rozumowanie, kontekst 200K, uporządkowane wyjście i przepływy wspomagane narzędziami, z maksymalnym budżetem generowanego wyjścia 100K tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
OpenAI o3-mini to mniejszy model rozumujący z serii o, skoncentrowany na rozwiązywaniu problemów technicznych, w tym naukowych, matematycznych i programistycznych. Przyjmuje tekst i generuje tekst, wykonując dodatkowe wewnętrzne rozumowanie przed widoczną odpowiedzią. Używaj go do jasno określonego problemu matematycznego, analizy algorytmu, poprawki kodu lub porównania technicznego, którego wniosek zależy od kilku warunków. Nakład na rozumowanie można konfigurować w bazowej edycji o3-mini; ustawienie o3-mini High wybiera wysoki nakład, a nie odrębne wagi modelu.
Producent dokumentuje niski, średni i wysoki nakład na rozumowanie: low, medium i high. Większy nakład może pomóc w wymagającym problemie i wymagać więcej czasu generowania, podczas gdy pożądana widoczna odpowiedź nadal może być zwięzła. Podaj modelowi zadanie, ograniczenia i kontrakt wyjścia, zamiast narzucać długi łańcuch pośrednich myśli. Dla problemu algorytmicznego dostarcz ograniczenia wejścia, wymagane zachowanie i przypadki decydujące o poprawności. W matematyce zdefiniuj zmienne, dziedziny, notację i wymagany wynik.
OpenAI podaje okno kontekstu 200 000 tokenów, maksymalny budżet wyjścia 100 000 tokenów i granicę wiedzy 1 października 2023 r. Tokeny rozumowania zużywają dostępny kontekst i budżet generowanego wyjścia przed odpowiedzią końcową, więc maksimum nie jest obietnicą takiej liczby widocznych tokenów odpowiedzi. Pozostaw miejsce zarówno na analizę, jak i żądany wynik. Jeśli budżet jest zbyt mały dla problemu, żądanie może wyczerpać przydział generowanych tokenów przed zwróceniem przydatnego widocznego tekstu.
Natywną modalnością wejściową jest tekst, a nie obraz. Jeśli zadanie pochodzi z diagramu lub zrzutu ekranu, przedstaw jego istotne warunki na piśmie. Producent wymienia przesyłanie plików i wyszukiwanie w plikach w przepływach wspomaganych narzędziami; mogą one dostarczać istotny materiał tekstowy bez zmiany natywnej modalności modelu. Wskaż fragmenty źródłowe lub zawartość plików potrzebne do odpowiedzi, zamiast zakładać, że każdy załącznik automatycznie wnosi przydatne dowody.
Model obsługuje Structured Outputs, wywoływanie funkcji i strumieniowanie, a karta producenta wymienia interfejsy Responses, Chat Completions, Assistants i Batch. W zadaniu strukturalnym określ wymagane pola i sposób przedstawiania brakujących informacji. W przepływie narzędziowym model proponuje funkcję i argumenty; aplikacja wykonuje działanie i zwraca rzeczywistą obserwację. Oddziel operację proponowaną od tej, której wynik już otrzymano.
Aktualny zestaw narzędzi producenta wymienia również wyszukiwanie w plikach, interpretację kodu, połączenia MCP i narzędzia generowania obrazów. Te skonfigurowane narzędzia mają własne operacje; nie zmieniają bezpośredniej odpowiedzi tekstowej o3-mini w natywne wyjście obrazowe lub dźwiękowe. W zadaniu programistycznym podaj kod, zaobserwowany błąd i wymagania, a następnie poproś o proponowaną zmianę z wyjaśnieniem przypadków, które obejmuje. Jeśli dostępne są wyniki wykonania, dostarcz je jako dowody do kolejnej poprawki, zamiast traktować niewykonany kod jako zakończony rezultat.
Przydatnym końcowym artefaktem może być wzór, uzasadnione porównanie, propozycja kodu lub uporządkowany wynik techniczny, który łączy wniosek z pierwotnymi warunkami. W kolejnym kroku nazwij nowe dowody i część odpowiedzi wymagającą zmiany. Zachowaj istotną rozmowę i obserwacje narzędzi, aby kolejna odpowiedź mogła pracować na rzeczywistych wynikach. Rola mniejszego modelu rozumującego jest praktyczna, gdy zadanie wymaga analizy, jasnych ograniczeń i skoncentrowanego artefaktu tekstowego, a nie niepopartych założeń o działaniach zewnętrznych.
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/o3-mini: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/o3-mini:batch, openai/o3-mini | 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 $0.0011 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0044 / 1K tokenów Wejście · Odczyt cache $0.00055 / 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 $0.0011 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0044 / 1K tokenów Wejście · Odczyt cache $0.00055 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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/o3-mini: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/o3-mini:batch', 'openai/o3-mini']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/o3-mini: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/o3-mini:batch
Użyj ścieżek metod podanych powyżej.