o3 to uniwersalny model rozumujący OpenAI z serii o do złożonych zadań. Producent wyróżnia matematykę, naukę, programowanie, rozumowanie wizualne, pisanie techniczne i wykonywanie instrukcji. Model przyjmuje tekst i obrazy, a generuje tekst, więc zadanie może łączyć pisemny problem, kod i diagram zamiast traktować każde źródło jako odrębne pytanie. Zamierzonym wynikiem jest przemyślana odpowiedź na wieloetapowy problem wraz z informacjami potrzebnymi do jej oceny.
W pytaniu matematycznym lub naukowym podaj pełną treść problemu, definicje, znane wielkości, jednostki i ograniczenia. Określ, czy potrzebujesz wyprowadzenia, wyniku liczbowego, porównania hipotez czy wyjaśnienia dla konkretnego odbiorcy. Przykładowy opis oczekiwanego wyjścia brzmi: wskaż istotne założenia, przedstaw rozwiązanie z jednostkami i wyjaśnij, które dostarczone fakty je uzasadniają. Poproś o przydatne wyjaśnienie w odpowiedzi końcowej; wewnętrzne tokeny rozumowania OpenAI nie są udostępniane jako surowy zapis toku rozumowania modelu.
W zadaniu programistycznym dostarcz odpowiedni kod, oczekiwane zachowanie i zaobserwowany błąd, w tym dokładny komunikat lub dane wejściowe, które go ujawniają. Poproś o3 o powiązanie objawów z prawdopodobną przyczyną oraz zaproponowanie ukierunkowanej zmiany wraz z wyjaśnieniem. Zadanie wizualne może zawierać diagram, zrzut ekranu lub wykres wyniku: wskaż pytanie i istotne etykiety lub obszar, zachowaj czytelną skalę i poproś o wniosek powiązany z tym, co rzeczywiście widać. Takie przygotowanie daje modelowi określony problem i konkretne oczekiwane wyjście zamiast nieograniczonego polecenia sprawdzenia wszystkiego.
OpenAI podaje okno kontekstu 200 000 tokenów, maksymalne wyjście 100 000 tokenów i granicę wiedzy 1 czerwca 2024 r. Wewnętrzne rozumowanie wykorzystuje pojemność kontekstu i wyjścia razem z widoczną odpowiedzią. Maksymalne wyjście nie jest więc obietnicą 100 000 widocznych tokenów odpowiedzi, a kontekst nie stanowi dodatkowego, niezależnego limitu wyjścia. Po materiale wejściowym pozostaw miejsce na analizę i żądany wynik. Poradnik producenta dotyczący rozumowania opisuje niepełne odpowiedzi po osiągnięciu limitu kontekstu lub wyjścia; może to nastąpić, zanim pojawi się widoczna odpowiedź.
Dokładna specyfikacja o3 dokumentuje interfejsy Chat Completions, Responses i Batch, a także strumieniowanie, Structured Outputs, wywoływanie funkcji, przesyłanie plików, wejście obrazowe, wyszukiwanie w plikach i buforowanie promptów. Udokumentowany zestaw narzędzi obejmuje wyszukiwanie w sieci i plikach, interpretację kodu, generowanie obrazów i połączenia MCP. Wynik wyszukiwania lub obliczenia stanowi dodatkowy dowód dla zadania, natomiast wywołanie funkcji żąda operacji od otaczającej aplikacji. Zachowaj powiązanie zwróconych dowodów z pytaniem, na które odpowiadają, i odróżniaj proponowane działanie od potwierdzonego wyniku. Bezpośrednim wyjściem modelu pozostaje tekst, nawet gdy narzędzie generujące obrazy tworzy osobny artefakt.
Wskazówki OpenAI dotyczące rozumowania zalecają proste, bezpośrednie instrukcje z wyraźnymi granicami między poleceniami a materiałem źródłowym. Określ cel, ograniczenia i wymagany format odpowiedzi, zamiast narzucać prywatny proces myślowy modelu. Używaj przykładów, gdy wyjaśniają trudny format lub regułę decyzyjną, i zachowuj ich zgodność z rzeczywistymi wymaganiami. W długim dokumencie technicznym oznacz sekcje i poproś o fragmenty lub zależności istotne dla konkretnego pytania; w przeglądzie kodu określ zachowanie i ryzyko, które chcesz zbadać.
Przydatnym rezultatem o3 może być rozbudowane wyjaśnienie techniczne, analiza diagramu, udokumentowana poprawka kodu lub porównanie oparte na dostarczonym materiale. Jawnie wskaż niepoparte założenia i brakujące informacje oraz sprawdź rozstrzygające obliczenia lub zachowanie kodu względem pierwotnego problemu. Granica wiedzy oznacza, że nowsze fakty wymagają dostarczenia materiału lub użycia odpowiedniego narzędzia informacyjnego. Jasne dowody, wyraźne kryterium zakończenia i wystarczająca ilość miejsca na wyjście pomagają przekształcić szerokie zadanie rozumowania w wynik, który inna osoba może sprawdzić i wykorzystać.
", "aboutText": "o3 to uniwersalny model rozumujący OpenAI z serii o do złożonych zadań. Producent wyróżnia matematykę, naukę, programowanie, rozumowanie wizualne, pisanie techniczne i wykonywanie instrukcji. Model przyjmuje tekst i obrazy, a generuje tekst, więc zadanie może łączyć pisemny problem, kod i diagram zamiast traktować każde źródło jako odrębne pytanie. Zamierzonym wynikiem jest przemyślana odpowiedź na wieloetapowy problem wraz z informacjami potrzebnymi do jej oceny.\n\nW pytaniu matematycznym lub naukowym podaj pełną treść problemu, definicje, znane wielkości, jednostki i ograniczenia. Określ, czy potrzebujesz wyprowadzenia, wyniku liczbowego, porównania hipotez czy wyjaśnienia dla konkretnego odbiorcy. Przykładowy opis oczekiwanego wyjścia brzmi: wskaż istotne założenia, przedstaw rozwiązanie z jednostkami i wyjaśnij, które dostarczone fakty je uzasadniają. Poproś o przydatne wyjaśnienie w odpowiedzi końcowej; wewnętrzne tokeny rozumowania OpenAI nie są udostępniane jako surowy zapis toku rozumowania modelu.\n\nW zadaniu programistycznym dostarcz odpowiedni kod, oczekiwane zachowanie i zaobserwowany błąd, w tym dokładny komunikat lub dane wejściowe, które go ujawniają. Poproś o3 o powiązanie objawów z prawdopodobną przyczyną oraz zaproponowanie ukierunkowanej zmiany wraz z wyjaśnieniem. Zadanie wizualne może zawierać diagram, zrzut ekranu lub wykres wyniku: wskaż pytanie i istotne etykiety lub obszar, zachowaj czytelną skalę i poproś o wniosek powiązany z tym, co rzeczywiście widać. Takie przygotowanie daje modelowi określony problem i konkretne oczekiwane wyjście zamiast nieograniczonego polecenia sprawdzenia wszystkiego.\n\nOpenAI podaje okno kontekstu 200 000 tokenów, maksymalne wyjście 100 000 tokenów i granicę wiedzy 1 czerwca 2024 r. Wewnętrzne rozumowanie wykorzystuje pojemność kontekstu i wyjścia razem z widoczną odpowiedzią. Maksymalne wyjście nie jest więc obietnicą 100 000 widocznych tokenów odpowiedzi, a kontekst nie stanowi dodatkowego, niezależnego limitu wyjścia. Po materiale wejściowym pozostaw miejsce na analizę i żądany wynik. Poradnik producenta dotyczący rozumowania opisuje niepełne odpowiedzi po osiągnięciu limitu kontekstu lub wyjścia; może to nastąpić, zanim pojawi się widoczna odpowiedź.\n\nDokładna specyfikacja o3 dokumentuje interfejsy Chat Completions, Responses i Batch, a także strumieniowanie, Structured Outputs, wywoływanie funkcji, przesyłanie plików, wejście obrazowe, wyszukiwanie w plikach i buforowanie promptów. Udokumentowany zestaw narzędzi obejmuje wyszukiwanie w sieci i plikach, interpretację kodu, generowanie obrazów i połączenia MCP. Wynik wyszukiwania lub obliczenia stanowi dodatkowy dowód dla zadania, natomiast wywołanie funkcji żąda operacji od otaczającej aplikacji. Zachowaj powiązanie zwróconych dowodów z pytaniem, na które odpowiadają, i odróżniaj proponowane działanie od potwierdzonego wyniku. Bezpośrednim wyjściem modelu pozostaje tekst, nawet gdy narzędzie generujące obrazy tworzy osobny artefakt.\n\nWskazówki OpenAI dotyczące rozumowania zalecają proste, bezpośrednie instrukcje z wyraźnymi granicami między poleceniami a materiałem źródłowym. Określ cel, ograniczenia i wymagany format odpowiedzi, zamiast narzucać prywatny proces myślowy modelu. Używaj przykładów, gdy wyjaśniają trudny format lub regułę decyzyjną, i zachowuj ich zgodność z rzeczywistymi wymaganiami. W długim dokumencie technicznym oznacz sekcje i poproś o fragmenty lub zależności istotne dla konkretnego pytania; w przeglądzie kodu określ zachowanie i ryzyko, które chcesz zbadać.\n\nPrzydatnym rezultatem o3 może być rozbudowane wyjaśnienie techniczne, analiza diagramu, udokumentowana poprawka kodu lub porównanie oparte na dostarczonym materiale. Jawnie wskaż niepoparte założenia i brakujące informacje oraz sprawdź rozstrzygające obliczenia lub zachowanie kodu względem pierwotnego problemu. Granica wiedzy oznacza, że nowsze fakty wymagają dostarczenia materiału lub użycia odpowiedniego narzędzia informacyjnego. Jasne dowody, wyraźne kryterium zakończenia i wystarczająca ilość miejsca na wyjście pomagają przekształcić szerokie zadanie rozumowania w wynik, który inna osoba może sprawdzić i wykorzystać.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f35b163dc6eb75646f47a00bfb04922e89923db3fe271a1ef0a3bb26f9b6d986", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "openai/o3:batchOpenAI o3 to model rozumujący do wieloetapowej pracy z matematyką, nauką, kodem i obrazami. Zwraca tekst, obsługuje uporządkowane odpowiedzi i używanie narzędzi, dzięki czemu pomaga badać problem techniczny oraz tworzyć oparte na dowodach wyjaśnienie lub proponowane rozwiązanie.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
o3 to uniwersalny model rozumujący OpenAI z serii o do złożonych zadań. Producent wyróżnia matematykę, naukę, programowanie, rozumowanie wizualne, pisanie techniczne i wykonywanie instrukcji. Model przyjmuje tekst i obrazy, a generuje tekst, więc zadanie może łączyć pisemny problem, kod i diagram zamiast traktować każde źródło jako odrębne pytanie. Zamierzonym wynikiem jest przemyślana odpowiedź na wieloetapowy problem wraz z informacjami potrzebnymi do jej oceny.
W pytaniu matematycznym lub naukowym podaj pełną treść problemu, definicje, znane wielkości, jednostki i ograniczenia. Określ, czy potrzebujesz wyprowadzenia, wyniku liczbowego, porównania hipotez czy wyjaśnienia dla konkretnego odbiorcy. Przykładowy opis oczekiwanego wyjścia brzmi: wskaż istotne założenia, przedstaw rozwiązanie z jednostkami i wyjaśnij, które dostarczone fakty je uzasadniają. Poproś o przydatne wyjaśnienie w odpowiedzi końcowej; wewnętrzne tokeny rozumowania OpenAI nie są udostępniane jako surowy zapis toku rozumowania modelu.
W zadaniu programistycznym dostarcz odpowiedni kod, oczekiwane zachowanie i zaobserwowany błąd, w tym dokładny komunikat lub dane wejściowe, które go ujawniają. Poproś o3 o powiązanie objawów z prawdopodobną przyczyną oraz zaproponowanie ukierunkowanej zmiany wraz z wyjaśnieniem. Zadanie wizualne może zawierać diagram, zrzut ekranu lub wykres wyniku: wskaż pytanie i istotne etykiety lub obszar, zachowaj czytelną skalę i poproś o wniosek powiązany z tym, co rzeczywiście widać. Takie przygotowanie daje modelowi określony problem i konkretne oczekiwane wyjście zamiast nieograniczonego polecenia sprawdzenia wszystkiego.
OpenAI podaje okno kontekstu 200 000 tokenów, maksymalne wyjście 100 000 tokenów i granicę wiedzy 1 czerwca 2024 r. Wewnętrzne rozumowanie wykorzystuje pojemność kontekstu i wyjścia razem z widoczną odpowiedzią. Maksymalne wyjście nie jest więc obietnicą 100 000 widocznych tokenów odpowiedzi, a kontekst nie stanowi dodatkowego, niezależnego limitu wyjścia. Po materiale wejściowym pozostaw miejsce na analizę i żądany wynik. Poradnik producenta dotyczący rozumowania opisuje niepełne odpowiedzi po osiągnięciu limitu kontekstu lub wyjścia; może to nastąpić, zanim pojawi się widoczna odpowiedź.
Dokładna specyfikacja o3 dokumentuje interfejsy Chat Completions, Responses i Batch, a także strumieniowanie, Structured Outputs, wywoływanie funkcji, przesyłanie plików, wejście obrazowe, wyszukiwanie w plikach i buforowanie promptów. Udokumentowany zestaw narzędzi obejmuje wyszukiwanie w sieci i plikach, interpretację kodu, generowanie obrazów i połączenia MCP. Wynik wyszukiwania lub obliczenia stanowi dodatkowy dowód dla zadania, natomiast wywołanie funkcji żąda operacji od otaczającej aplikacji. Zachowaj powiązanie zwróconych dowodów z pytaniem, na które odpowiadają, i odróżniaj proponowane działanie od potwierdzonego wyniku. Bezpośrednim wyjściem modelu pozostaje tekst, nawet gdy narzędzie generujące obrazy tworzy osobny artefakt.
Wskazówki OpenAI dotyczące rozumowania zalecają proste, bezpośrednie instrukcje z wyraźnymi granicami między poleceniami a materiałem źródłowym. Określ cel, ograniczenia i wymagany format odpowiedzi, zamiast narzucać prywatny proces myślowy modelu. Używaj przykładów, gdy wyjaśniają trudny format lub regułę decyzyjną, i zachowuj ich zgodność z rzeczywistymi wymaganiami. W długim dokumencie technicznym oznacz sekcje i poproś o fragmenty lub zależności istotne dla konkretnego pytania; w przeglądzie kodu określ zachowanie i ryzyko, które chcesz zbadać.
Przydatnym rezultatem o3 może być rozbudowane wyjaśnienie techniczne, analiza diagramu, udokumentowana poprawka kodu lub porównanie oparte na dostarczonym materiale. Jawnie wskaż niepoparte założenia i brakujące informacje oraz sprawdź rozstrzygające obliczenia lub zachowanie kodu względem pierwotnego problemu. Granica wiedzy oznacza, że nowsze fakty wymagają dostarczenia materiału lub użycia odpowiedniego narzędzia informacyjnego. Jasne dowody, wyraźne kryterium zakończenia i wystarczająca ilość miejsca na wyjście pomagają przekształcić szerokie zadanie rozumowania w wynik, który inna osoba może sprawdzić i wykorzystać.
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: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:batch, openai/o3 | 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 $0.002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.008 / 1K tokenów Wejście · Odczyt cache $0.0005 / 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 $0.002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.008 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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: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:batch', 'openai/o3']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/o3: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:batch
Użyj ścieżek metod podanych powyżej.