Claude Opus 4.8 combina trabalho prolongado com agentes, análise profissional, compreensão visual e utilização da memória disponibilizada pela aplicação. A Anthropic destaca o comportamento do modelo ao verificar conclusões: foi treinado para reconhecer a falta de confirmação, comunicar incerteza e evitar afirmar que um resultado foi obtido sem fundamento suficiente.
Numa tarefa de engenharia, o modelo pode estudar vários componentes relacionados, considerar um plano, identificar erros e continuar a execução depois de obter novos dados. Na análise de documentos, são relevantes a sua capacidade de trabalhar com conteúdo denso e a atenção a problemas nos materiais de entrada e nas conclusões. As áreas profissionais descritas incluem investigação, análise, trabalho com documentos e preparação de conteúdos para apresentações.
As instruções são interpretadas literalmente, sobretudo com níveis de esforço baixos. O modelo não tem de estender silenciosamente uma condição de um elemento aos restantes: é preferível definir explicitamente o âmbito, o formato e os critérios do resultado. Na revisão de código, isto significa que o limiar de gravidade definido influencia os problemas encontrados que serão incluídos na resposta. A exigência de comunicar todas as ocorrências deve ser formulada separadamente da exigência de as filtrar.
Opus 4.8 suporta raciocínio adaptativo, que tem de ser ativado na aplicação. Esta versão não suporta extended thinking manual com budget_tokens separado. Os níveis de effort são low, medium, high, xhigh e max; o nível normal é high. Segundo a Anthropic, os níveis mais profundos podem aumentar o volume da análise, as chamadas de ferramentas e o tempo de trabalho, enquanto tarefas curtas e delimitadas beneficiam de menor elaboração.
O modelo adapta o detalhe à complexidade que atribui à tarefa: uma pergunta simples pode receber uma resposta breve, e uma análise aberta, uma resposta desenvolvida. Se forem pretendidos uma extensão ou um estilo de escrita específicos, devem ser definidos explicitamente, de preferência com um exemplo positivo. No trabalho prolongado com ferramentas, estão previstas mensagens intermédias de progresso; o seu conteúdo e a sua frequência também podem ser orientados por instruções.
A entrada recebe texto e imagens, e o resultado é produzido em texto. A janela de contexto é de 1 milhão de tokens e, no modo normal, a resposta máxima é de 128 mil tokens. A data de corte fiável do conhecimento integrado é janeiro de 2026.
Os formatos de entrada visual comum do fabricante são JPEG/PNG/GIF/WebP, utilizando-se o primeiro fotograma das animações. Na análise nativa, o lado mais comprido é de 2576 píxeis, com 4784 tokens visuais; as imagens grandes são reduzidas antes da análise. O suporte de ficheiros e parâmetros depende do método da aplicação.
Pesquisa na Web, execução de comandos, memória em ficheiros, controlo da interface e subtarefas autónomas exigem suporte na aplicação. O modelo pode utilizar os meios disponíveis, mas o nível de esforço e uma descrição clara da finalidade das ferramentas influenciam a escolha das ações. Isto é especialmente útil em trabalho que relaciona pesquisa de informação, análise e execução técnica.
Ao criar interfaces e diapositivos, Opus 4.8 tem preferências próprias e consistentes de apresentação. Para obter um resultado num estilo específico, é útil indicar a paleta, a tipografia, a composição e o tipo de movimento ou pedir primeiro várias direções. Um ficheiro pronto ou uma interface funcional é produzido através das ferramentas do ambiente; a saída direta do modelo continua a ser textual.
", "aboutText": "Claude Opus 4.8 combina trabalho prolongado com agentes, análise profissional, compreensão visual e utilização da memória disponibilizada pela aplicação. A Anthropic destaca o comportamento do modelo ao verificar conclusões: foi treinado para reconhecer a falta de confirmação, comunicar incerteza e evitar afirmar que um resultado foi obtido sem fundamento suficiente.\n\n### Definir os limites e levar o trabalho até ao resultado\n\nNuma tarefa de engenharia, o modelo pode estudar vários componentes relacionados, considerar um plano, identificar erros e continuar a execução depois de obter novos dados. Na análise de documentos, são relevantes a sua capacidade de trabalhar com conteúdo denso e a atenção a problemas nos materiais de entrada e nas conclusões. As áreas profissionais descritas incluem investigação, análise, trabalho com documentos e preparação de conteúdos para apresentações.\n\nAs instruções são interpretadas literalmente, sobretudo com níveis de esforço baixos. O modelo não tem de estender silenciosamente uma condição de um elemento aos restantes: é preferível definir explicitamente o âmbito, o formato e os critérios do resultado. Na revisão de código, isto significa que o limiar de gravidade definido influencia os problemas encontrados que serão incluídos na resposta. A exigência de comunicar todas as ocorrências deve ser formulada separadamente da exigência de as filtrar.\n\n### Configurar o raciocínio e a apresentação\n\nOpus 4.8 suporta raciocínio adaptativo, que tem de ser ativado na aplicação. Esta versão não suporta extended thinking manual com `budget_tokens` separado. Os níveis de `effort` são `low`, `medium`, `high`, `xhigh` e `max`; o nível normal é `high`. Segundo a Anthropic, os níveis mais profundos podem aumentar o volume da análise, as chamadas de ferramentas e o tempo de trabalho, enquanto tarefas curtas e delimitadas beneficiam de menor elaboração.\n\nO modelo adapta o detalhe à complexidade que atribui à tarefa: uma pergunta simples pode receber uma resposta breve, e uma análise aberta, uma resposta desenvolvida. Se forem pretendidos uma extensão ou um estilo de escrita específicos, devem ser definidos explicitamente, de preferência com um exemplo positivo. No trabalho prolongado com ferramentas, estão previstas mensagens intermédias de progresso; o seu conteúdo e a sua frequência também podem ser orientados por instruções.\n\n### Materiais, ferramentas e apresentação visual\n\nA entrada recebe **texto e imagens**, e o resultado é produzido em **texto**. A janela de contexto é de **1 milhão de tokens** e, no modo normal, a resposta máxima é de **128 mil tokens**. A data de corte fiável do conhecimento integrado é **janeiro de 2026**.\n\nOs formatos de entrada visual comum do fabricante são JPEG/PNG/GIF/WebP, utilizando-se o primeiro fotograma das animações. Na análise nativa, o lado mais comprido é de 2576 píxeis, com 4784 tokens visuais; as imagens grandes são reduzidas antes da análise. O suporte de ficheiros e parâmetros depende do método da aplicação.\n\nPesquisa na Web, execução de comandos, memória em ficheiros, controlo da interface e subtarefas autónomas exigem suporte na aplicação. O modelo pode utilizar os meios disponíveis, mas o nível de esforço e uma descrição clara da finalidade das ferramentas influenciam a escolha das ações. Isto é especialmente útil em trabalho que relaciona pesquisa de informação, análise e execução técnica.\n\nAo criar interfaces e diapositivos, Opus 4.8 tem preferências próprias e consistentes de apresentação. Para obter um resultado num estilo específico, é útil indicar a paleta, a tipografia, a composição e o tipo de movimento ou pedir primeiro várias direções. Um ficheiro pronto ou uma interface funcional é produzido através das ferramentas do ambiente; a saída direta do modelo continua a ser textual.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Audit a project decision memo\n\nReview this memo against its evidence: 'All customers prefer weekly exports, so we will remove daily exports.' Evidence E1: 12 of 20 interviewed customers prefer weekly; E2: 4 prefer daily; E3: 4 gave no preference. Return the unsupported claims, a corrected recommendation and one question that would resolve a material uncertainty.A three-part evidence review with E1-E3 references and a narrower recommendation.The review must preserve the four daily-export preferences and avoid treating silence as agreement.claude-opus-4-8Claude Opus 4.8 destina-se a desenvolvimento prolongado e análise profissional. Mantém a direção do trabalho com várias etapas, assinala a incerteza e considera requisitos explicitamente definidos para o resultado.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Claude Opus 4.8 combina trabalho prolongado com agentes, análise profissional, compreensão visual e utilização da memória disponibilizada pela aplicação. A Anthropic destaca o comportamento do modelo ao verificar conclusões: foi treinado para reconhecer a falta de confirmação, comunicar incerteza e evitar afirmar que um resultado foi obtido sem fundamento suficiente.
Numa tarefa de engenharia, o modelo pode estudar vários componentes relacionados, considerar um plano, identificar erros e continuar a execução depois de obter novos dados. Na análise de documentos, são relevantes a sua capacidade de trabalhar com conteúdo denso e a atenção a problemas nos materiais de entrada e nas conclusões. As áreas profissionais descritas incluem investigação, análise, trabalho com documentos e preparação de conteúdos para apresentações.
As instruções são interpretadas literalmente, sobretudo com níveis de esforço baixos. O modelo não tem de estender silenciosamente uma condição de um elemento aos restantes: é preferível definir explicitamente o âmbito, o formato e os critérios do resultado. Na revisão de código, isto significa que o limiar de gravidade definido influencia os problemas encontrados que serão incluídos na resposta. A exigência de comunicar todas as ocorrências deve ser formulada separadamente da exigência de as filtrar.
Opus 4.8 suporta raciocínio adaptativo, que tem de ser ativado na aplicação. Esta versão não suporta extended thinking manual com budget_tokens separado. Os níveis de effort são low, medium, high, xhigh e max; o nível normal é high. Segundo a Anthropic, os níveis mais profundos podem aumentar o volume da análise, as chamadas de ferramentas e o tempo de trabalho, enquanto tarefas curtas e delimitadas beneficiam de menor elaboração.
O modelo adapta o detalhe à complexidade que atribui à tarefa: uma pergunta simples pode receber uma resposta breve, e uma análise aberta, uma resposta desenvolvida. Se forem pretendidos uma extensão ou um estilo de escrita específicos, devem ser definidos explicitamente, de preferência com um exemplo positivo. No trabalho prolongado com ferramentas, estão previstas mensagens intermédias de progresso; o seu conteúdo e a sua frequência também podem ser orientados por instruções.
A entrada recebe texto e imagens, e o resultado é produzido em texto. A janela de contexto é de 1 milhão de tokens e, no modo normal, a resposta máxima é de 128 mil tokens. A data de corte fiável do conhecimento integrado é janeiro de 2026.
Os formatos de entrada visual comum do fabricante são JPEG/PNG/GIF/WebP, utilizando-se o primeiro fotograma das animações. Na análise nativa, o lado mais comprido é de 2576 píxeis, com 4784 tokens visuais; as imagens grandes são reduzidas antes da análise. O suporte de ficheiros e parâmetros depende do método da aplicação.
Pesquisa na Web, execução de comandos, memória em ficheiros, controlo da interface e subtarefas autónomas exigem suporte na aplicação. O modelo pode utilizar os meios disponíveis, mas o nível de esforço e uma descrição clara da finalidade das ferramentas influenciam a escolha das ações. Isto é especialmente útil em trabalho que relaciona pesquisa de informação, análise e execução técnica.
Ao criar interfaces e diapositivos, Opus 4.8 tem preferências próprias e consistentes de apresentação. Para obter um resultado num estilo específico, é útil indicar a paleta, a tipografia, a composição e o tipo de movimento ou pedir primeiro várias direções. Um ficheiro pronto ou uma interface funcional é produzido através das ferramentas do ambiente; a saída direta do modelo continua a ser textual.
POST /v1/messagestext, imagetext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites claude-opus-4-8 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites Mínimo: 1 O limite aplica-se a: Limite exato do modelo ou da ficha selecionados | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipotool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Ferramenta fornecida | Predefinição— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campometadata | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Texto · Texto UTF8
messages[].content ou bloco type=text
Texto + imagem
{type:image,source:{type:base64,media_type,data}} ou origem type=url
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext, image |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratonull |
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrotext_file_material | ContratoConteúdo UTF-8 real inserido como texto; ID de ficheiros/URLs precisam de suporte separado e exato |
Ciclo de vida: exact retained published method
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/messagesO Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoOpenAI Chat · Tarifas de base por token | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoOpenAI Chat · Escalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoAnthropic Messages · Tarifas de base por token | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoAnthropic Messages · Escalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-8", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-8", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="claude-opus-4-8",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "claude-opus-4-8",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='claude-opus-4-8',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot claude-opus-4-8
Ailoot Ultra anthropic/claude-opus-4.8
Use os caminhos dos métodos indicados acima.
claude-opus-4-8Claude Opus 4.8 destina-se a desenvolvimento prolongado e análise profissional. Mantém a direção do trabalho com várias etapas, assinala a incerteza e considera requisitos explicitamente definidos para o resultado.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Claude Opus 4.8 combina trabalho prolongado com agentes, análise profissional, compreensão visual e utilização da memória disponibilizada pela aplicação. A Anthropic destaca o comportamento do modelo ao verificar conclusões: foi treinado para reconhecer a falta de confirmação, comunicar incerteza e evitar afirmar que um resultado foi obtido sem fundamento suficiente.
Numa tarefa de engenharia, o modelo pode estudar vários componentes relacionados, considerar um plano, identificar erros e continuar a execução depois de obter novos dados. Na análise de documentos, são relevantes a sua capacidade de trabalhar com conteúdo denso e a atenção a problemas nos materiais de entrada e nas conclusões. As áreas profissionais descritas incluem investigação, análise, trabalho com documentos e preparação de conteúdos para apresentações.
As instruções são interpretadas literalmente, sobretudo com níveis de esforço baixos. O modelo não tem de estender silenciosamente uma condição de um elemento aos restantes: é preferível definir explicitamente o âmbito, o formato e os critérios do resultado. Na revisão de código, isto significa que o limiar de gravidade definido influencia os problemas encontrados que serão incluídos na resposta. A exigência de comunicar todas as ocorrências deve ser formulada separadamente da exigência de as filtrar.
Opus 4.8 suporta raciocínio adaptativo, que tem de ser ativado na aplicação. Esta versão não suporta extended thinking manual com budget_tokens separado. Os níveis de effort são low, medium, high, xhigh e max; o nível normal é high. Segundo a Anthropic, os níveis mais profundos podem aumentar o volume da análise, as chamadas de ferramentas e o tempo de trabalho, enquanto tarefas curtas e delimitadas beneficiam de menor elaboração.
O modelo adapta o detalhe à complexidade que atribui à tarefa: uma pergunta simples pode receber uma resposta breve, e uma análise aberta, uma resposta desenvolvida. Se forem pretendidos uma extensão ou um estilo de escrita específicos, devem ser definidos explicitamente, de preferência com um exemplo positivo. No trabalho prolongado com ferramentas, estão previstas mensagens intermédias de progresso; o seu conteúdo e a sua frequência também podem ser orientados por instruções.
A entrada recebe texto e imagens, e o resultado é produzido em texto. A janela de contexto é de 1 milhão de tokens e, no modo normal, a resposta máxima é de 128 mil tokens. A data de corte fiável do conhecimento integrado é janeiro de 2026.
Os formatos de entrada visual comum do fabricante são JPEG/PNG/GIF/WebP, utilizando-se o primeiro fotograma das animações. Na análise nativa, o lado mais comprido é de 2576 píxeis, com 4784 tokens visuais; as imagens grandes são reduzidas antes da análise. O suporte de ficheiros e parâmetros depende do método da aplicação.
Pesquisa na Web, execução de comandos, memória em ficheiros, controlo da interface e subtarefas autónomas exigem suporte na aplicação. O modelo pode utilizar os meios disponíveis, mas o nível de esforço e uma descrição clara da finalidade das ferramentas influenciam a escolha das ações. Isto é especialmente útil em trabalho que relaciona pesquisa de informação, análise e execução técnica.
Ao criar interfaces e diapositivos, Opus 4.8 tem preferências próprias e consistentes de apresentação. Para obter um resultado num estilo específico, é útil indicar a paleta, a tipografia, a composição e o tipo de movimento ou pedir primeiro várias direções. Um ficheiro pronto ou uma interface funcional é produzido através das ferramentas do ambiente; a saída direta do modelo continua a ser textual.
POST /v1/responsestext, imagetext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites claude-opus-4-8 | Predefinição— |
Campoinput | Tipostring|input_item[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campoinput[].type | Tipostring | RequisitoOpcional | Valores e limites message, reasoning, function_call, function_call_output | Predefinição— |
Campoinput[].content | Tipostring|content_part[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campoinput[].call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: function_call_output; conserve o call_id realmente devolvido | Predefinição— |
Campoinput[].output | Tipostring|content_part[] | RequisitoOpcional | Valores e limites Aplica-se quando: function_call_output | Predefinição— |
Campomax_output_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipotool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning.effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning.summary | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotext.format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotext.verbosity | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinclude | Tipostring[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostore | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprevious_response_id | Tipostring | RequisitoOpcional | Valores e limites Requisito do ID: Só um ID de resposta real de uma continuação suportada Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_key | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Texto · Texto UTF8
Texto de entrada ou parte input_text
Texto + imagem
{type:input_image,image_url}
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext, image |
Parâmetrorequired | Contratomodel, input |
Parâmetrooptional_controls | Contratonull |
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrotext_file_material | ContratoConteúdo UTF-8 real inserido como texto; ID de ficheiros/URLs precisam de suporte separado e exato |
Ciclo de vida: exact retained published method
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/responsesO Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoOpenAI Chat · Tarifas de base por token | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoOpenAI Chat · Escalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoAnthropic Messages · Tarifas de base por token | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoAnthropic Messages · Escalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-8", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-8", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="claude-opus-4-8", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "claude-opus-4-8", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="claude-opus-4-8", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada elemento de saída e parte de conteúdo, o call_id real da função, o raciocínio cifrado e os dados de utilização. Em streaming, mantenha a identidade completa dos eventos e elementos.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campostatus | Tipostring |
Campooutput[] | Tipomessage|reasoning|function_call|other item |
Campooutput[].content[] | Tipocontent part |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot claude-opus-4-8
Ailoot Ultra anthropic/claude-opus-4.8
Use os caminhos dos métodos indicados acima.
claude-opus-4-8Claude Opus 4.8 destina-se a desenvolvimento prolongado e análise profissional. Mantém a direção do trabalho com várias etapas, assinala a incerteza e considera requisitos explicitamente definidos para o resultado.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Claude Opus 4.8 combina trabalho prolongado com agentes, análise profissional, compreensão visual e utilização da memória disponibilizada pela aplicação. A Anthropic destaca o comportamento do modelo ao verificar conclusões: foi treinado para reconhecer a falta de confirmação, comunicar incerteza e evitar afirmar que um resultado foi obtido sem fundamento suficiente.
Numa tarefa de engenharia, o modelo pode estudar vários componentes relacionados, considerar um plano, identificar erros e continuar a execução depois de obter novos dados. Na análise de documentos, são relevantes a sua capacidade de trabalhar com conteúdo denso e a atenção a problemas nos materiais de entrada e nas conclusões. As áreas profissionais descritas incluem investigação, análise, trabalho com documentos e preparação de conteúdos para apresentações.
As instruções são interpretadas literalmente, sobretudo com níveis de esforço baixos. O modelo não tem de estender silenciosamente uma condição de um elemento aos restantes: é preferível definir explicitamente o âmbito, o formato e os critérios do resultado. Na revisão de código, isto significa que o limiar de gravidade definido influencia os problemas encontrados que serão incluídos na resposta. A exigência de comunicar todas as ocorrências deve ser formulada separadamente da exigência de as filtrar.
Opus 4.8 suporta raciocínio adaptativo, que tem de ser ativado na aplicação. Esta versão não suporta extended thinking manual com budget_tokens separado. Os níveis de effort são low, medium, high, xhigh e max; o nível normal é high. Segundo a Anthropic, os níveis mais profundos podem aumentar o volume da análise, as chamadas de ferramentas e o tempo de trabalho, enquanto tarefas curtas e delimitadas beneficiam de menor elaboração.
O modelo adapta o detalhe à complexidade que atribui à tarefa: uma pergunta simples pode receber uma resposta breve, e uma análise aberta, uma resposta desenvolvida. Se forem pretendidos uma extensão ou um estilo de escrita específicos, devem ser definidos explicitamente, de preferência com um exemplo positivo. No trabalho prolongado com ferramentas, estão previstas mensagens intermédias de progresso; o seu conteúdo e a sua frequência também podem ser orientados por instruções.
A entrada recebe texto e imagens, e o resultado é produzido em texto. A janela de contexto é de 1 milhão de tokens e, no modo normal, a resposta máxima é de 128 mil tokens. A data de corte fiável do conhecimento integrado é janeiro de 2026.
Os formatos de entrada visual comum do fabricante são JPEG/PNG/GIF/WebP, utilizando-se o primeiro fotograma das animações. Na análise nativa, o lado mais comprido é de 2576 píxeis, com 4784 tokens visuais; as imagens grandes são reduzidas antes da análise. O suporte de ficheiros e parâmetros depende do método da aplicação.
Pesquisa na Web, execução de comandos, memória em ficheiros, controlo da interface e subtarefas autónomas exigem suporte na aplicação. O modelo pode utilizar os meios disponíveis, mas o nível de esforço e uma descrição clara da finalidade das ferramentas influenciam a escolha das ações. Isto é especialmente útil em trabalho que relaciona pesquisa de informação, análise e execução técnica.
Ao criar interfaces e diapositivos, Opus 4.8 tem preferências próprias e consistentes de apresentação. Para obter um resultado num estilo específico, é útil indicar a paleta, a tipografia, a composição e o tipo de movimento ou pedir primeiro várias direções. Um ficheiro pronto ou uma interface funcional é produzido através das ferramentas do ambiente; a saída direta do modelo continua a ser textual.
POST /v1/chat/completionstext, imagetext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites claude-opus-4-8 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Texto · Texto UTF8
messages[].content
Texto + imagem
{type:image_url,image_url:{url,detail}}
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext, image |
Parâmetrorequired | Contratomodel, messages |
Parâmetrooptional_controls | Contratonull |
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrotext_file_material | ContratoConteúdo UTF-8 real inserido como texto; ID de ficheiros/URLs precisam de suporte separado e exato |
Ciclo de vida: exact retained published method
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/chat/completionsO Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoOpenAI Chat · Tarifas de base por token | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoOpenAI Chat · Escalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoAnthropic Messages · Tarifas de base por token | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoAnthropic Messages · Escalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-8", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-8", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="claude-opus-4-8",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "claude-opus-4-8",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='claude-opus-4-8',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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot claude-opus-4-8
Ailoot Ultra anthropic/claude-opus-4.8
Use os caminhos dos métodos indicados acima.
anthropic/claude-opus-4.8Claude Opus 4.8 destina-se a desenvolvimento prolongado e análise profissional. Mantém a direção do trabalho com várias etapas, assinala a incerteza e considera requisitos explicitamente definidos para o resultado.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Claude Opus 4.8 combina trabalho prolongado com agentes, análise profissional, compreensão visual e utilização da memória disponibilizada pela aplicação. A Anthropic destaca o comportamento do modelo ao verificar conclusões: foi treinado para reconhecer a falta de confirmação, comunicar incerteza e evitar afirmar que um resultado foi obtido sem fundamento suficiente.
Numa tarefa de engenharia, o modelo pode estudar vários componentes relacionados, considerar um plano, identificar erros e continuar a execução depois de obter novos dados. Na análise de documentos, são relevantes a sua capacidade de trabalhar com conteúdo denso e a atenção a problemas nos materiais de entrada e nas conclusões. As áreas profissionais descritas incluem investigação, análise, trabalho com documentos e preparação de conteúdos para apresentações.
As instruções são interpretadas literalmente, sobretudo com níveis de esforço baixos. O modelo não tem de estender silenciosamente uma condição de um elemento aos restantes: é preferível definir explicitamente o âmbito, o formato e os critérios do resultado. Na revisão de código, isto significa que o limiar de gravidade definido influencia os problemas encontrados que serão incluídos na resposta. A exigência de comunicar todas as ocorrências deve ser formulada separadamente da exigência de as filtrar.
Opus 4.8 suporta raciocínio adaptativo, que tem de ser ativado na aplicação. Esta versão não suporta extended thinking manual com budget_tokens separado. Os níveis de effort são low, medium, high, xhigh e max; o nível normal é high. Segundo a Anthropic, os níveis mais profundos podem aumentar o volume da análise, as chamadas de ferramentas e o tempo de trabalho, enquanto tarefas curtas e delimitadas beneficiam de menor elaboração.
O modelo adapta o detalhe à complexidade que atribui à tarefa: uma pergunta simples pode receber uma resposta breve, e uma análise aberta, uma resposta desenvolvida. Se forem pretendidos uma extensão ou um estilo de escrita específicos, devem ser definidos explicitamente, de preferência com um exemplo positivo. No trabalho prolongado com ferramentas, estão previstas mensagens intermédias de progresso; o seu conteúdo e a sua frequência também podem ser orientados por instruções.
A entrada recebe texto e imagens, e o resultado é produzido em texto. A janela de contexto é de 1 milhão de tokens e, no modo normal, a resposta máxima é de 128 mil tokens. A data de corte fiável do conhecimento integrado é janeiro de 2026.
Os formatos de entrada visual comum do fabricante são JPEG/PNG/GIF/WebP, utilizando-se o primeiro fotograma das animações. Na análise nativa, o lado mais comprido é de 2576 píxeis, com 4784 tokens visuais; as imagens grandes são reduzidas antes da análise. O suporte de ficheiros e parâmetros depende do método da aplicação.
Pesquisa na Web, execução de comandos, memória em ficheiros, controlo da interface e subtarefas autónomas exigem suporte na aplicação. O modelo pode utilizar os meios disponíveis, mas o nível de esforço e uma descrição clara da finalidade das ferramentas influenciam a escolha das ações. Isto é especialmente útil em trabalho que relaciona pesquisa de informação, análise e execução técnica.
Ao criar interfaces e diapositivos, Opus 4.8 tem preferências próprias e consistentes de apresentação. Para obter um resultado num estilo específico, é útil indicar a paleta, a tipografia, a composição e o tipo de movimento ou pedir primeiro várias direções. Um ficheiro pronto ou uma interface funcional é produzido através das ferramentas do ambiente; a saída direta do modelo continua a ser textual.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites anthropic/claude-opus-4.8 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthropic/claude-opus-4.8", "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='anthropic/claude-opus-4.8',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='anthropic/claude-opus-4.8',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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot claude-opus-4-8
Ailoot Ultra anthropic/claude-opus-4.8
Use os caminhos dos métodos indicados acima.
anthropic/claude-opus-4.8Claude Opus 4.8 destina-se a desenvolvimento prolongado e análise profissional. Mantém a direção do trabalho com várias etapas, assinala a incerteza e considera requisitos explicitamente definidos para o resultado.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Claude Opus 4.8 combina trabalho prolongado com agentes, análise profissional, compreensão visual e utilização da memória disponibilizada pela aplicação. A Anthropic destaca o comportamento do modelo ao verificar conclusões: foi treinado para reconhecer a falta de confirmação, comunicar incerteza e evitar afirmar que um resultado foi obtido sem fundamento suficiente.
Numa tarefa de engenharia, o modelo pode estudar vários componentes relacionados, considerar um plano, identificar erros e continuar a execução depois de obter novos dados. Na análise de documentos, são relevantes a sua capacidade de trabalhar com conteúdo denso e a atenção a problemas nos materiais de entrada e nas conclusões. As áreas profissionais descritas incluem investigação, análise, trabalho com documentos e preparação de conteúdos para apresentações.
As instruções são interpretadas literalmente, sobretudo com níveis de esforço baixos. O modelo não tem de estender silenciosamente uma condição de um elemento aos restantes: é preferível definir explicitamente o âmbito, o formato e os critérios do resultado. Na revisão de código, isto significa que o limiar de gravidade definido influencia os problemas encontrados que serão incluídos na resposta. A exigência de comunicar todas as ocorrências deve ser formulada separadamente da exigência de as filtrar.
Opus 4.8 suporta raciocínio adaptativo, que tem de ser ativado na aplicação. Esta versão não suporta extended thinking manual com budget_tokens separado. Os níveis de effort são low, medium, high, xhigh e max; o nível normal é high. Segundo a Anthropic, os níveis mais profundos podem aumentar o volume da análise, as chamadas de ferramentas e o tempo de trabalho, enquanto tarefas curtas e delimitadas beneficiam de menor elaboração.
O modelo adapta o detalhe à complexidade que atribui à tarefa: uma pergunta simples pode receber uma resposta breve, e uma análise aberta, uma resposta desenvolvida. Se forem pretendidos uma extensão ou um estilo de escrita específicos, devem ser definidos explicitamente, de preferência com um exemplo positivo. No trabalho prolongado com ferramentas, estão previstas mensagens intermédias de progresso; o seu conteúdo e a sua frequência também podem ser orientados por instruções.
A entrada recebe texto e imagens, e o resultado é produzido em texto. A janela de contexto é de 1 milhão de tokens e, no modo normal, a resposta máxima é de 128 mil tokens. A data de corte fiável do conhecimento integrado é janeiro de 2026.
Os formatos de entrada visual comum do fabricante são JPEG/PNG/GIF/WebP, utilizando-se o primeiro fotograma das animações. Na análise nativa, o lado mais comprido é de 2576 píxeis, com 4784 tokens visuais; as imagens grandes são reduzidas antes da análise. O suporte de ficheiros e parâmetros depende do método da aplicação.
Pesquisa na Web, execução de comandos, memória em ficheiros, controlo da interface e subtarefas autónomas exigem suporte na aplicação. O modelo pode utilizar os meios disponíveis, mas o nível de esforço e uma descrição clara da finalidade das ferramentas influenciam a escolha das ações. Isto é especialmente útil em trabalho que relaciona pesquisa de informação, análise e execução técnica.
Ao criar interfaces e diapositivos, Opus 4.8 tem preferências próprias e consistentes de apresentação. Para obter um resultado num estilo específico, é útil indicar a paleta, a tipografia, a composição e o tipo de movimento ou pedir primeiro várias direções. Um ficheiro pronto ou uma interface funcional é produzido através das ferramentas do ambiente; a saída direta do modelo continua a ser textual.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites anthropic/claude-opus-4.8 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.01 / 1K tokens Saída · Tokens de saída $0.05 / 1K tokens Entrada · Leitura da cache $0.001 / 1K tokens Entrada · Escrita na cache $0.0125 / 1K tokens Entrada · Escrita na cache, 1 hora $0.02 / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "anthropic/claude-opus-4.8",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'anthropic/claude-opus-4.8', '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': 'anthropic/claude-opus-4.8', '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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot claude-opus-4-8
Ailoot Ultra anthropic/claude-opus-4.8
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Audit a project decision memo\n\nReview this memo against its evidence: 'All customers prefer weekly exports, so we will remove daily exports.' Evidence E1: 12 of 20 interviewed customers prefer weekly; E2: 4 prefer daily; E3: 4 gave no preference. Return the unsupported claims, a corrected recommendation and one question that would resolve a material uncertainty.A three-part evidence review with E1-E3 references and a narrower recommendation.The review must preserve the four daily-export preferences and avoid treating silence as agreement.