GPT-5.6 Luna Pro designa GPT-5.6 Luna da OpenAI com raciocínio Pro. A edição Luna de base foi concebida para cargas de trabalho focadas de elevado volume e corresponde aproximadamente ao nível nano das famílias GPT-5 anteriores. Aceita texto e imagens e produz texto. Pro acrescenta processamento do modelo para desenvolver a resposta final; é um modo de execução, em vez de substituir a edição de base.
Uma utilização prática é extrair um conjunto definido de informações de um documento cujas regras incluem exceções. Forneça o documento e os campos de que precisa, identifique as passagens prioritárias e explique como tratar um valor ausente. Um exemplo de pedido é extrair o tema do documento, as condições relevantes para um pedido e a pergunta seguinte necessária para o completar. Peça uma explicação de uma exceção juntamente com os campos extraídos, para que o resultado possa ser comparado com a fonte.
Para material visual, forneça uma página ou captura de ecrã clara e identifique o pormenor ou rótulo específico que informa a tarefa. Para uma tarefa de redação de resposta, forneça o pedido, as regras que regem a resposta e os factos a preservar. Defina o tom e a extensão desejados, depois peça uma resposta concisa, em vez de uma discussão sem restrições. Esta preparação liga a função focada de Luna a um resultado textual concreto.
A OpenAI especifica para GPT-5.6 Luna uma janela de contexto de 1 050 000 tokens, uma entrada máxima de 922 000 tokens e uma saída máxima de 128 000 tokens, com conhecimentos atualizados até 16 de fevereiro de 2026. As opções de esforço de raciocínio do modelo de base são none, low, medium, high, xhigh e max; medium é a predefinição. O modo e o esforço são independentes: Pro determina processamento adicional do modelo, enquanto o esforço controla a quantidade de raciocínio dentro do modo. O raciocínio também usa espaço de contexto; deixe, por isso, espaço para a análise e a resposta visível.
O produtor documenta Pro na API Responses para tarefas difíceis que possam acomodar latência adicional e mais atividade do modelo. O modelo de base indica transmissão progressiva, Structured Outputs, chamadas de funções, pesquisa na Web e em ficheiros, entrada de imagens e colocação da entrada em cache. O conjunto de ferramentas inclui geração de imagens, interpretação de código, execução de comandos num ambiente alojado e aplicação de correções, competências, utilização do computador, ligações MCP e pesquisa de ferramentas. As operações das ferramentas exigem o ambiente correspondente; uma aplicação executa as suas ações e fornece os resultados reais para continuar o trabalho.
Especifique um resultado final útil: os campos obrigatórios, a regra que sustenta uma decisão e qualquer questão ainda em aberto. Por exemplo, peça um rascunho de resposta juntamente com os factos do documento em que se baseia, depois aperfeiçoe a resposta após fornecer a informação em falta. Mantenha visível a distinção entre uma ação proposta e uma ação concluída por uma ferramenta. Este fluxo dá uma finalidade específica à análise adicional de Pro dentro de uma tarefa Luna delimitada.
", "aboutText": "GPT-5.6 Luna Pro designa GPT-5.6 Luna da OpenAI com raciocínio Pro. A edição Luna de base foi concebida para cargas de trabalho focadas de elevado volume e corresponde aproximadamente ao nível nano das famílias GPT-5 anteriores. Aceita texto e imagens e produz texto. Pro acrescenta processamento do modelo para desenvolver a resposta final; é um modo de execução, em vez de substituir a edição de base.\n\nUma utilização prática é extrair um conjunto definido de informações de um documento cujas regras incluem exceções. Forneça o documento e os campos de que precisa, identifique as passagens prioritárias e explique como tratar um valor ausente. Um exemplo de pedido é extrair o tema do documento, as condições relevantes para um pedido e a pergunta seguinte necessária para o completar. Peça uma explicação de uma exceção juntamente com os campos extraídos, para que o resultado possa ser comparado com a fonte.\n\nPara material visual, forneça uma página ou captura de ecrã clara e identifique o pormenor ou rótulo específico que informa a tarefa. Para uma tarefa de redação de resposta, forneça o pedido, as regras que regem a resposta e os factos a preservar. Defina o tom e a extensão desejados, depois peça uma resposta concisa, em vez de uma discussão sem restrições. Esta preparação liga a função focada de Luna a um resultado textual concreto.\n\nA OpenAI especifica para GPT-5.6 Luna uma janela de contexto de 1 050 000 tokens, uma entrada máxima de 922 000 tokens e uma saída máxima de 128 000 tokens, com conhecimentos atualizados até 16 de fevereiro de 2026. As opções de esforço de raciocínio do modelo de base são none, low, medium, high, xhigh e max; medium é a predefinição. O modo e o esforço são independentes: Pro determina processamento adicional do modelo, enquanto o esforço controla a quantidade de raciocínio dentro do modo. O raciocínio também usa espaço de contexto; deixe, por isso, espaço para a análise e a resposta visível.\n\nO produtor documenta Pro na API Responses para tarefas difíceis que possam acomodar latência adicional e mais atividade do modelo. O modelo de base indica transmissão progressiva, Structured Outputs, chamadas de funções, pesquisa na Web e em ficheiros, entrada de imagens e colocação da entrada em cache. O conjunto de ferramentas inclui geração de imagens, interpretação de código, execução de comandos num ambiente alojado e aplicação de correções, competências, utilização do computador, ligações MCP e pesquisa de ferramentas. As operações das ferramentas exigem o ambiente correspondente; uma aplicação executa as suas ações e fornece os resultados reais para continuar o trabalho.\n\nEspecifique um resultado final útil: os campos obrigatórios, a regra que sustenta uma decisão e qualquer questão ainda em aberto. Por exemplo, peça um rascunho de resposta juntamente com os factos do documento em que se baseia, depois aperfeiçoe a resposta após fornecer a informação em falta. Mantenha visível a distinção entre uma ação proposta e uma ação concluída por uma ferramenta. Este fluxo dá uma finalidade específica à análise adicional de Pro dentro de uma tarefa Luna delimitada.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.gpt-5.6-luna-proGPT-5.6 Luna com raciocínio Pro para tarefas focadas que necessitam de análise adicional. Forneça texto ou imagens e regras explícitas para desenvolver um resultado de extração, uma resposta concisa ou a explicação de uma exceção.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
GPT-5.6 Luna Pro designa GPT-5.6 Luna da OpenAI com raciocínio Pro. A edição Luna de base foi concebida para cargas de trabalho focadas de elevado volume e corresponde aproximadamente ao nível nano das famílias GPT-5 anteriores. Aceita texto e imagens e produz texto. Pro acrescenta processamento do modelo para desenvolver a resposta final; é um modo de execução, em vez de substituir a edição de base.
Uma utilização prática é extrair um conjunto definido de informações de um documento cujas regras incluem exceções. Forneça o documento e os campos de que precisa, identifique as passagens prioritárias e explique como tratar um valor ausente. Um exemplo de pedido é extrair o tema do documento, as condições relevantes para um pedido e a pergunta seguinte necessária para o completar. Peça uma explicação de uma exceção juntamente com os campos extraídos, para que o resultado possa ser comparado com a fonte.
Para material visual, forneça uma página ou captura de ecrã clara e identifique o pormenor ou rótulo específico que informa a tarefa. Para uma tarefa de redação de resposta, forneça o pedido, as regras que regem a resposta e os factos a preservar. Defina o tom e a extensão desejados, depois peça uma resposta concisa, em vez de uma discussão sem restrições. Esta preparação liga a função focada de Luna a um resultado textual concreto.
A OpenAI especifica para GPT-5.6 Luna uma janela de contexto de 1 050 000 tokens, uma entrada máxima de 922 000 tokens e uma saída máxima de 128 000 tokens, com conhecimentos atualizados até 16 de fevereiro de 2026. As opções de esforço de raciocínio do modelo de base são none, low, medium, high, xhigh e max; medium é a predefinição. O modo e o esforço são independentes: Pro determina processamento adicional do modelo, enquanto o esforço controla a quantidade de raciocínio dentro do modo. O raciocínio também usa espaço de contexto; deixe, por isso, espaço para a análise e a resposta visível.
O produtor documenta Pro na API Responses para tarefas difíceis que possam acomodar latência adicional e mais atividade do modelo. O modelo de base indica transmissão progressiva, Structured Outputs, chamadas de funções, pesquisa na Web e em ficheiros, entrada de imagens e colocação da entrada em cache. O conjunto de ferramentas inclui geração de imagens, interpretação de código, execução de comandos num ambiente alojado e aplicação de correções, competências, utilização do computador, ligações MCP e pesquisa de ferramentas. As operações das ferramentas exigem o ambiente correspondente; uma aplicação executa as suas ações e fornece os resultados reais para continuar o trabalho.
Especifique um resultado final útil: os campos obrigatórios, a regra que sustenta uma decisão e qualquer questão ainda em aberto. Por exemplo, peça um rascunho de resposta juntamente com os factos do documento em que se baseia, depois aperfeiçoe a resposta após fornecer a informação em falta. Mantenha visível a distinção entre uma ação proposta e uma ação concluída por uma ferramenta. Este fluxo dá uma finalidade específica à análise adicional de Pro dentro de uma tarefa Luna delimitada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gpt-5.6-luna-pro | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Conversação textual | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
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 |
Parâmetrocontrol_scope | ContratoConversação textual; stream é um booleano e tem false como predefinição. |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Aliases do método: /chat/completions
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 $0.0004 / 1K tokens Saída · Tokens de saída $0.0024 / 1K tokens Entrada · Leitura da cache $0.00004 / 1K tokens Entrada · Escrita na cache $0.0005 / 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 inclusive272 000 | Custo Entrada · Tokens de entrada $0.0004 / 1K tokens Saída · Tokens de saída $0.0024 / 1K tokens Entrada · Leitura da cache $0.00004 / 1K tokens Entrada · Escrita na cache $0.0005 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 2 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de272 000 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0008 / 1K tokens Saída · Tokens de saída $0.0036 / 1K tokens Entrada · Leitura da cache $0.00008 / 1K tokens Entrada · Escrita na cache $0.001 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-5.6-luna-pro","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="gpt-5.6-luna-pro", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
gpt-5.6-luna-proGPT-5.6 Luna com raciocínio Pro para tarefas focadas que necessitam de análise adicional. Forneça texto ou imagens e regras explícitas para desenvolver um resultado de extração, uma resposta concisa ou a explicação de uma exceção.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
GPT-5.6 Luna Pro designa GPT-5.6 Luna da OpenAI com raciocínio Pro. A edição Luna de base foi concebida para cargas de trabalho focadas de elevado volume e corresponde aproximadamente ao nível nano das famílias GPT-5 anteriores. Aceita texto e imagens e produz texto. Pro acrescenta processamento do modelo para desenvolver a resposta final; é um modo de execução, em vez de substituir a edição de base.
Uma utilização prática é extrair um conjunto definido de informações de um documento cujas regras incluem exceções. Forneça o documento e os campos de que precisa, identifique as passagens prioritárias e explique como tratar um valor ausente. Um exemplo de pedido é extrair o tema do documento, as condições relevantes para um pedido e a pergunta seguinte necessária para o completar. Peça uma explicação de uma exceção juntamente com os campos extraídos, para que o resultado possa ser comparado com a fonte.
Para material visual, forneça uma página ou captura de ecrã clara e identifique o pormenor ou rótulo específico que informa a tarefa. Para uma tarefa de redação de resposta, forneça o pedido, as regras que regem a resposta e os factos a preservar. Defina o tom e a extensão desejados, depois peça uma resposta concisa, em vez de uma discussão sem restrições. Esta preparação liga a função focada de Luna a um resultado textual concreto.
A OpenAI especifica para GPT-5.6 Luna uma janela de contexto de 1 050 000 tokens, uma entrada máxima de 922 000 tokens e uma saída máxima de 128 000 tokens, com conhecimentos atualizados até 16 de fevereiro de 2026. As opções de esforço de raciocínio do modelo de base são none, low, medium, high, xhigh e max; medium é a predefinição. O modo e o esforço são independentes: Pro determina processamento adicional do modelo, enquanto o esforço controla a quantidade de raciocínio dentro do modo. O raciocínio também usa espaço de contexto; deixe, por isso, espaço para a análise e a resposta visível.
O produtor documenta Pro na API Responses para tarefas difíceis que possam acomodar latência adicional e mais atividade do modelo. O modelo de base indica transmissão progressiva, Structured Outputs, chamadas de funções, pesquisa na Web e em ficheiros, entrada de imagens e colocação da entrada em cache. O conjunto de ferramentas inclui geração de imagens, interpretação de código, execução de comandos num ambiente alojado e aplicação de correções, competências, utilização do computador, ligações MCP e pesquisa de ferramentas. As operações das ferramentas exigem o ambiente correspondente; uma aplicação executa as suas ações e fornece os resultados reais para continuar o trabalho.
Especifique um resultado final útil: os campos obrigatórios, a regra que sustenta uma decisão e qualquer questão ainda em aberto. Por exemplo, peça um rascunho de resposta juntamente com os factos do documento em que se baseia, depois aperfeiçoe a resposta após fornecer a informação em falta. Mantenha visível a distinção entre uma ação proposta e uma ação concluída por uma ferramenta. Este fluxo dá uma finalidade específica à análise adicional de Pro dentro de uma tarefa Luna delimitada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gpt-5.6-luna-pro | 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 $0.0004 / 1K tokens Saída · Tokens de saída $0.0024 / 1K tokens Entrada · Leitura da cache $0.00004 / 1K tokens Entrada · Escrita na cache $0.0005 / 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 inclusive272 000 | Custo Entrada · Tokens de entrada $0.0004 / 1K tokens Saída · Tokens de saída $0.0024 / 1K tokens Entrada · Leitura da cache $0.00004 / 1K tokens Entrada · Escrita na cache $0.0005 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 2 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de272 000 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0008 / 1K tokens Saída · Tokens de saída $0.0036 / 1K tokens Entrada · Leitura da cache $0.00008 / 1K tokens Entrada · Escrita na cache $0.001 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'gpt-5.6-luna-pro', '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': 'gpt-5.6-luna-pro', '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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-5.6 Luna com raciocínio Pro para tarefas focadas que necessitam de análise adicional. Forneça texto ou imagens e regras explícitas para desenvolver um resultado de extração, uma resposta concisa ou a explicação de uma exceção.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
GPT-5.6 Luna Pro designa GPT-5.6 Luna da OpenAI com raciocínio Pro. A edição Luna de base foi concebida para cargas de trabalho focadas de elevado volume e corresponde aproximadamente ao nível nano das famílias GPT-5 anteriores. Aceita texto e imagens e produz texto. Pro acrescenta processamento do modelo para desenvolver a resposta final; é um modo de execução, em vez de substituir a edição de base.
Uma utilização prática é extrair um conjunto definido de informações de um documento cujas regras incluem exceções. Forneça o documento e os campos de que precisa, identifique as passagens prioritárias e explique como tratar um valor ausente. Um exemplo de pedido é extrair o tema do documento, as condições relevantes para um pedido e a pergunta seguinte necessária para o completar. Peça uma explicação de uma exceção juntamente com os campos extraídos, para que o resultado possa ser comparado com a fonte.
Para material visual, forneça uma página ou captura de ecrã clara e identifique o pormenor ou rótulo específico que informa a tarefa. Para uma tarefa de redação de resposta, forneça o pedido, as regras que regem a resposta e os factos a preservar. Defina o tom e a extensão desejados, depois peça uma resposta concisa, em vez de uma discussão sem restrições. Esta preparação liga a função focada de Luna a um resultado textual concreto.
A OpenAI especifica para GPT-5.6 Luna uma janela de contexto de 1 050 000 tokens, uma entrada máxima de 922 000 tokens e uma saída máxima de 128 000 tokens, com conhecimentos atualizados até 16 de fevereiro de 2026. As opções de esforço de raciocínio do modelo de base são none, low, medium, high, xhigh e max; medium é a predefinição. O modo e o esforço são independentes: Pro determina processamento adicional do modelo, enquanto o esforço controla a quantidade de raciocínio dentro do modo. O raciocínio também usa espaço de contexto; deixe, por isso, espaço para a análise e a resposta visível.
O produtor documenta Pro na API Responses para tarefas difíceis que possam acomodar latência adicional e mais atividade do modelo. O modelo de base indica transmissão progressiva, Structured Outputs, chamadas de funções, pesquisa na Web e em ficheiros, entrada de imagens e colocação da entrada em cache. O conjunto de ferramentas inclui geração de imagens, interpretação de código, execução de comandos num ambiente alojado e aplicação de correções, competências, utilização do computador, ligações MCP e pesquisa de ferramentas. As operações das ferramentas exigem o ambiente correspondente; uma aplicação executa as suas ações e fornece os resultados reais para continuar o trabalho.
Especifique um resultado final útil: os campos obrigatórios, a regra que sustenta uma decisão e qualquer questão ainda em aberto. Por exemplo, peça um rascunho de resposta juntamente com os factos do documento em que se baseia, depois aperfeiçoe a resposta após fornecer a informação em falta. Mantenha visível a distinção entre uma ação proposta e uma ação concluída por uma ferramenta. Este fluxo dá uma finalidade específica à análise adicional de Pro dentro de uma tarefa Luna delimitada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/gpt-5.6-luna-pro | 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 $0.0004 / 1K tokens Saída · Tokens de saída $0.0024 / 1K tokens Entrada · Leitura da cache $0.00004 / 1K tokens Entrada · Escrita na cache $0.0005 / 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 inclusive272 000 | Custo Entrada · Tokens de entrada $0.0004 / 1K tokens Saída · Tokens de saída $0.0024 / 1K tokens Entrada · Leitura da cache $0.00004 / 1K tokens Entrada · Escrita na cache $0.0005 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 2 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de272 000 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0008 / 1K tokens Saída · Tokens de saída $0.0036 / 1K tokens Entrada · Leitura da cache $0.00008 / 1K tokens Entrada · Escrita na cache $0.001 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.6-luna-pro", "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-5.6-luna-pro',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-5.6-luna-pro',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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
openai/gpt-5.6-luna-proGPT-5.6 Luna com raciocínio Pro para tarefas focadas que necessitam de análise adicional. Forneça texto ou imagens e regras explícitas para desenvolver um resultado de extração, uma resposta concisa ou a explicação de uma exceção.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
GPT-5.6 Luna Pro designa GPT-5.6 Luna da OpenAI com raciocínio Pro. A edição Luna de base foi concebida para cargas de trabalho focadas de elevado volume e corresponde aproximadamente ao nível nano das famílias GPT-5 anteriores. Aceita texto e imagens e produz texto. Pro acrescenta processamento do modelo para desenvolver a resposta final; é um modo de execução, em vez de substituir a edição de base.
Uma utilização prática é extrair um conjunto definido de informações de um documento cujas regras incluem exceções. Forneça o documento e os campos de que precisa, identifique as passagens prioritárias e explique como tratar um valor ausente. Um exemplo de pedido é extrair o tema do documento, as condições relevantes para um pedido e a pergunta seguinte necessária para o completar. Peça uma explicação de uma exceção juntamente com os campos extraídos, para que o resultado possa ser comparado com a fonte.
Para material visual, forneça uma página ou captura de ecrã clara e identifique o pormenor ou rótulo específico que informa a tarefa. Para uma tarefa de redação de resposta, forneça o pedido, as regras que regem a resposta e os factos a preservar. Defina o tom e a extensão desejados, depois peça uma resposta concisa, em vez de uma discussão sem restrições. Esta preparação liga a função focada de Luna a um resultado textual concreto.
A OpenAI especifica para GPT-5.6 Luna uma janela de contexto de 1 050 000 tokens, uma entrada máxima de 922 000 tokens e uma saída máxima de 128 000 tokens, com conhecimentos atualizados até 16 de fevereiro de 2026. As opções de esforço de raciocínio do modelo de base são none, low, medium, high, xhigh e max; medium é a predefinição. O modo e o esforço são independentes: Pro determina processamento adicional do modelo, enquanto o esforço controla a quantidade de raciocínio dentro do modo. O raciocínio também usa espaço de contexto; deixe, por isso, espaço para a análise e a resposta visível.
O produtor documenta Pro na API Responses para tarefas difíceis que possam acomodar latência adicional e mais atividade do modelo. O modelo de base indica transmissão progressiva, Structured Outputs, chamadas de funções, pesquisa na Web e em ficheiros, entrada de imagens e colocação da entrada em cache. O conjunto de ferramentas inclui geração de imagens, interpretação de código, execução de comandos num ambiente alojado e aplicação de correções, competências, utilização do computador, ligações MCP e pesquisa de ferramentas. As operações das ferramentas exigem o ambiente correspondente; uma aplicação executa as suas ações e fornece os resultados reais para continuar o trabalho.
Especifique um resultado final útil: os campos obrigatórios, a regra que sustenta uma decisão e qualquer questão ainda em aberto. Por exemplo, peça um rascunho de resposta juntamente com os factos do documento em que se baseia, depois aperfeiçoe a resposta após fornecer a informação em falta. Mantenha visível a distinção entre uma ação proposta e uma ação concluída por uma ferramenta. Este fluxo dá uma finalidade específica à análise adicional de Pro dentro de uma tarefa Luna delimitada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/gpt-5.6-luna-pro | 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 $0.0004 / 1K tokens Saída · Tokens de saída $0.0024 / 1K tokens Entrada · Leitura da cache $0.00004 / 1K tokens Entrada · Escrita na cache $0.0005 / 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 inclusive272 000 | Custo Entrada · Tokens de entrada $0.0004 / 1K tokens Saída · Tokens de saída $0.0024 / 1K tokens Entrada · Leitura da cache $0.00004 / 1K tokens Entrada · Escrita na cache $0.0005 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 2 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de272 000 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0008 / 1K tokens Saída · Tokens de saída $0.0036 / 1K tokens Entrada · Leitura da cache $0.00008 / 1K tokens Entrada · Escrita na cache $0.001 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "openai/gpt-5.6-luna-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-5.6-luna-pro', '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-5.6-luna-pro', '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 gpt-5.6-luna-pro, openai/gpt-5.6-luna-pro
/chat/completions
Exemplo técnico em inglês
Apply an explicit policy exception\n\nExtract the applicable conditions from this internal loaner policy: [GENERAL] Devices are returned within seven days. [EXCEPTION] Training teams may keep devices for fourteen days if their booking names a trainer. Booking T6 names a training team but no trainer. Return the topic, ordinary rule, exception conditions, unresolved field and one question needed to assess T6.A focused extraction record and a short explanation of why the exception cannot yet be confirmed.Check that training-team status alone is not treated as satisfying the named-trainer requirement.