GPT-5.1-Codex-Max é a edição Codex da OpenAI desenvolvida para programação com agentes prolongada e detalhada. Aceita texto e imagens e produz texto. A apresentação descreve treino com tarefas reais de engenharia de software, incluindo revisão de código, trabalho nas interfaces e alterações a projetos, juntamente com trabalho em ambientes Windows.
Uma capacidade central é o funcionamento nativo entre várias janelas de contexto através de compactação. À medida que uma tarefa longa se aproxima do limite da janela, o processo de trabalho de Codex pode compactar o histórico, conservando o contexto importante, e continuar numa nova janela. O fabricante apresenta-o como uma forma de sustentar refatorizações à escala do projeto, depuração aprofundada e ciclos prolongados de agentes. Trata-se de um processo de continuação, não de uma afirmação de que uma sessão longa inteira ocupa uma única janela de contexto.
Para uma alteração ao projeto, forneça o comportamento pretendido, os ficheiros relevantes e as regras que regem as edições. Um pedido ilustrativo consiste em refatorizar vários componentes relacionados preservando o seu comportamento público: identificar as relações, propor alterações coordenadas e especificar como verificar o comportamento resultante. Para depuração, inclua a falha observada, o resultado esperado e as evidências já recolhidas. O conteúdo dos ficheiros, a saída dos comandos e as verificações do ambiente de trabalho informam a decisão seguinte do modelo.
A ficha do modelo da OpenAI indica uma janela de contexto de 400 000 tokens, uma saída máxima de 128 000 tokens e conhecimentos atualizados até 30 de setembro de 2024. A apresentação de Max recomenda esforço de raciocínio medium para uso corrente e introduz xhigh para trabalho que beneficia de análise mais longa. O raciocínio e a saída visível precisam ambos de espaço no contexto da tarefa. Mantenha disponíveis o critério de sucesso e as decisões significativas enquanto o processo de trabalho continua.
A interface documentada do modelo é apenas Responses. A ficha enumera streaming, Structured Outputs, chamadas de funções, entrada de imagens, pesquisa na web e colocação da entrada em cache; as ferramentas exatas enumeradas incluem funções e pesquisa na web. Num ambiente semelhante a Codex, as operações fornecidas pela aplicação leem e pesquisam ficheiros, executam comandos e devolvem resultados efetivos. O ambiente isolado, as definições de rede e os registos do terminal descritos na apresentação referem-se ao produto Codex envolvente, e não à saída direta de texto do modelo.
Para trabalho nas interfaces, forneça a captura de ecrã ou a referência de design relevante e explique o comportamento do utilizador que deve suportar. Para uma revisão, peça conclusões concretas ligadas a dependências ou requisitos. Um resultado final útil identifica os ficheiros afetados, explica as alterações substanciais e comunica os resultados das verificações efetivamente concluídas. Mantenha específicos os passos ainda necessários, para que uma tarefa de engenharia longa termine com um resultado que possa ser avaliado face ao seu objetivo original.
", "aboutText": "GPT-5.1-Codex-Max é a edição Codex da OpenAI desenvolvida para programação com agentes prolongada e detalhada. Aceita texto e imagens e produz texto. A apresentação descreve treino com tarefas reais de engenharia de software, incluindo revisão de código, trabalho nas interfaces e alterações a projetos, juntamente com trabalho em ambientes Windows.\n\nUma capacidade central é o funcionamento nativo entre várias janelas de contexto através de compactação. À medida que uma tarefa longa se aproxima do limite da janela, o processo de trabalho de Codex pode compactar o histórico, conservando o contexto importante, e continuar numa nova janela. O fabricante apresenta-o como uma forma de sustentar refatorizações à escala do projeto, depuração aprofundada e ciclos prolongados de agentes. Trata-se de um processo de continuação, não de uma afirmação de que uma sessão longa inteira ocupa uma única janela de contexto.\n\nPara uma alteração ao projeto, forneça o comportamento pretendido, os ficheiros relevantes e as regras que regem as edições. Um pedido ilustrativo consiste em refatorizar vários componentes relacionados preservando o seu comportamento público: identificar as relações, propor alterações coordenadas e especificar como verificar o comportamento resultante. Para depuração, inclua a falha observada, o resultado esperado e as evidências já recolhidas. O conteúdo dos ficheiros, a saída dos comandos e as verificações do ambiente de trabalho informam a decisão seguinte do modelo.\n\nA ficha do modelo da OpenAI indica uma janela de contexto de 400 000 tokens, uma saída máxima de 128 000 tokens e conhecimentos atualizados até 30 de setembro de 2024. A apresentação de Max recomenda esforço de raciocínio medium para uso corrente e introduz xhigh para trabalho que beneficia de análise mais longa. O raciocínio e a saída visível precisam ambos de espaço no contexto da tarefa. Mantenha disponíveis o critério de sucesso e as decisões significativas enquanto o processo de trabalho continua.\n\nA interface documentada do modelo é apenas Responses. A ficha enumera streaming, Structured Outputs, chamadas de funções, entrada de imagens, pesquisa na web e colocação da entrada em cache; as ferramentas exatas enumeradas incluem funções e pesquisa na web. Num ambiente semelhante a Codex, as operações fornecidas pela aplicação leem e pesquisam ficheiros, executam comandos e devolvem resultados efetivos. O ambiente isolado, as definições de rede e os registos do terminal descritos na apresentação referem-se ao produto Codex envolvente, e não à saída direta de texto do modelo.\n\nPara trabalho nas interfaces, forneça a captura de ecrã ou a referência de design relevante e explique o comportamento do utilizador que deve suportar. Para uma revisão, peça conclusões concretas ligadas a dependências ou requisitos. Um resultado final útil identifica os ficheiros afetados, explica as alterações substanciais e comunica os resultados das verificações efetivamente concluídas. Mantenha específicos os passos ainda necessários, para que uma tarefa de engenharia longa termine com um resultado que possa ser avaliado face ao seu objetivo original.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.openai/gpt-5.1-codex-maxUma edição Codex concebida para engenharia de software prolongada e detalhada. Aceita texto e imagens e utiliza compactação entre janelas de contexto para continuar refatorizações à escala do projeto, depuração aprofundada e outras tarefas de programação com agentes.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
GPT-5.1-Codex-Max é a edição Codex da OpenAI desenvolvida para programação com agentes prolongada e detalhada. Aceita texto e imagens e produz texto. A apresentação descreve treino com tarefas reais de engenharia de software, incluindo revisão de código, trabalho nas interfaces e alterações a projetos, juntamente com trabalho em ambientes Windows.
Uma capacidade central é o funcionamento nativo entre várias janelas de contexto através de compactação. À medida que uma tarefa longa se aproxima do limite da janela, o processo de trabalho de Codex pode compactar o histórico, conservando o contexto importante, e continuar numa nova janela. O fabricante apresenta-o como uma forma de sustentar refatorizações à escala do projeto, depuração aprofundada e ciclos prolongados de agentes. Trata-se de um processo de continuação, não de uma afirmação de que uma sessão longa inteira ocupa uma única janela de contexto.
Para uma alteração ao projeto, forneça o comportamento pretendido, os ficheiros relevantes e as regras que regem as edições. Um pedido ilustrativo consiste em refatorizar vários componentes relacionados preservando o seu comportamento público: identificar as relações, propor alterações coordenadas e especificar como verificar o comportamento resultante. Para depuração, inclua a falha observada, o resultado esperado e as evidências já recolhidas. O conteúdo dos ficheiros, a saída dos comandos e as verificações do ambiente de trabalho informam a decisão seguinte do modelo.
A ficha do modelo da OpenAI indica uma janela de contexto de 400 000 tokens, uma saída máxima de 128 000 tokens e conhecimentos atualizados até 30 de setembro de 2024. A apresentação de Max recomenda esforço de raciocínio medium para uso corrente e introduz xhigh para trabalho que beneficia de análise mais longa. O raciocínio e a saída visível precisam ambos de espaço no contexto da tarefa. Mantenha disponíveis o critério de sucesso e as decisões significativas enquanto o processo de trabalho continua.
A interface documentada do modelo é apenas Responses. A ficha enumera streaming, Structured Outputs, chamadas de funções, entrada de imagens, pesquisa na web e colocação da entrada em cache; as ferramentas exatas enumeradas incluem funções e pesquisa na web. Num ambiente semelhante a Codex, as operações fornecidas pela aplicação leem e pesquisam ficheiros, executam comandos e devolvem resultados efetivos. O ambiente isolado, as definições de rede e os registos do terminal descritos na apresentação referem-se ao produto Codex envolvente, e não à saída direta de texto do modelo.
Para trabalho nas interfaces, forneça a captura de ecrã ou a referência de design relevante e explique o comportamento do utilizador que deve suportar. Para uma revisão, peça conclusões concretas ligadas a dependências ou requisitos. Um resultado final útil identifica os ficheiros afetados, explica as alterações substanciais e comunica os resultados das verificações efetivamente concluídas. Mantenha específicos os passos ainda necessários, para que uma tarefa de engenharia longa termine com um resultado que possa ser avaliado face ao seu objetivo original.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/gpt-5.1-codex-max | 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 $0.0025 / 1K tokens Saída · Tokens de saída $0.02 / 1K tokens Entrada · Leitura da cache $0.00025 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 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 $0.0025 / 1K tokens Saída · Tokens de saída $0.02 / 1K tokens Entrada · Leitura da cache $0.00025 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.1-codex-max", "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='openai/gpt-5.1-codex-max',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='openai/gpt-5.1-codex-max',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 Ultra openai/gpt-5.1-codex-max
Use os caminhos dos métodos indicados acima.
openai/gpt-5.1-codex-maxUma edição Codex concebida para engenharia de software prolongada e detalhada. Aceita texto e imagens e utiliza compactação entre janelas de contexto para continuar refatorizações à escala do projeto, depuração aprofundada e outras tarefas de programação com agentes.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
GPT-5.1-Codex-Max é a edição Codex da OpenAI desenvolvida para programação com agentes prolongada e detalhada. Aceita texto e imagens e produz texto. A apresentação descreve treino com tarefas reais de engenharia de software, incluindo revisão de código, trabalho nas interfaces e alterações a projetos, juntamente com trabalho em ambientes Windows.
Uma capacidade central é o funcionamento nativo entre várias janelas de contexto através de compactação. À medida que uma tarefa longa se aproxima do limite da janela, o processo de trabalho de Codex pode compactar o histórico, conservando o contexto importante, e continuar numa nova janela. O fabricante apresenta-o como uma forma de sustentar refatorizações à escala do projeto, depuração aprofundada e ciclos prolongados de agentes. Trata-se de um processo de continuação, não de uma afirmação de que uma sessão longa inteira ocupa uma única janela de contexto.
Para uma alteração ao projeto, forneça o comportamento pretendido, os ficheiros relevantes e as regras que regem as edições. Um pedido ilustrativo consiste em refatorizar vários componentes relacionados preservando o seu comportamento público: identificar as relações, propor alterações coordenadas e especificar como verificar o comportamento resultante. Para depuração, inclua a falha observada, o resultado esperado e as evidências já recolhidas. O conteúdo dos ficheiros, a saída dos comandos e as verificações do ambiente de trabalho informam a decisão seguinte do modelo.
A ficha do modelo da OpenAI indica uma janela de contexto de 400 000 tokens, uma saída máxima de 128 000 tokens e conhecimentos atualizados até 30 de setembro de 2024. A apresentação de Max recomenda esforço de raciocínio medium para uso corrente e introduz xhigh para trabalho que beneficia de análise mais longa. O raciocínio e a saída visível precisam ambos de espaço no contexto da tarefa. Mantenha disponíveis o critério de sucesso e as decisões significativas enquanto o processo de trabalho continua.
A interface documentada do modelo é apenas Responses. A ficha enumera streaming, Structured Outputs, chamadas de funções, entrada de imagens, pesquisa na web e colocação da entrada em cache; as ferramentas exatas enumeradas incluem funções e pesquisa na web. Num ambiente semelhante a Codex, as operações fornecidas pela aplicação leem e pesquisam ficheiros, executam comandos e devolvem resultados efetivos. O ambiente isolado, as definições de rede e os registos do terminal descritos na apresentação referem-se ao produto Codex envolvente, e não à saída direta de texto do modelo.
Para trabalho nas interfaces, forneça a captura de ecrã ou a referência de design relevante e explique o comportamento do utilizador que deve suportar. Para uma revisão, peça conclusões concretas ligadas a dependências ou requisitos. Um resultado final útil identifica os ficheiros afetados, explica as alterações substanciais e comunica os resultados das verificações efetivamente concluídas. Mantenha específicos os passos ainda necessários, para que uma tarefa de engenharia longa termine com um resultado que possa ser avaliado face ao seu objetivo original.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/gpt-5.1-codex-max | 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 $0.0025 / 1K tokens Saída · Tokens de saída $0.02 / 1K tokens Entrada · Leitura da cache $0.00025 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 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 $0.0025 / 1K tokens Saída · Tokens de saída $0.02 / 1K tokens Entrada · Leitura da cache $0.00025 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "openai/gpt-5.1-codex-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'openai/gpt-5.1-codex-max', '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': 'openai/gpt-5.1-codex-max', '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 Ultra openai/gpt-5.1-codex-max
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.