gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.
O lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.
A arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.
A documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.
O produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.
Prepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.
", "aboutText": "gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.\n\nO lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.\n\nA arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.\n\nA documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.\n\nO produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.\n\nPrepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.gpt-oss-120bO maior modelo gpt-oss da OpenAI com pesos abertos usa raciocínio com mistura de especialistas para texto, programação e trabalho de agentes. Suporta os níveis de esforço de raciocínio low, medium e high, chamadas de funções e Structured Outputs num ambiente ligado a ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.
O lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.
A arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.
A documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.
O produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.
Prepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gpt-oss-120b | 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00015 / 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00015 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-oss-120b","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-oss-120b", 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-oss-120b, openai/gpt-oss-120b
/chat/completions
gpt-oss-120bO maior modelo gpt-oss da OpenAI com pesos abertos usa raciocínio com mistura de especialistas para texto, programação e trabalho de agentes. Suporta os níveis de esforço de raciocínio low, medium e high, chamadas de funções e Structured Outputs num ambiente ligado a ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.
O lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.
A arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.
A documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.
O produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.
Prepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gpt-oss-120b | 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00015 / 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00015 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-oss-120b', '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-oss-120b', '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-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bO maior modelo gpt-oss da OpenAI com pesos abertos usa raciocínio com mistura de especialistas para texto, programação e trabalho de agentes. Suporta os níveis de esforço de raciocínio low, medium e high, chamadas de funções e Structured Outputs num ambiente ligado a ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.
O lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.
A arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.
A documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.
O produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.
Prepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/gpt-oss-120b | 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00015 / 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00015 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-oss-120b", "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-oss-120b',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-oss-120b',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-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bO maior modelo gpt-oss da OpenAI com pesos abertos usa raciocínio com mistura de especialistas para texto, programação e trabalho de agentes. Suporta os níveis de esforço de raciocínio low, medium e high, chamadas de funções e Structured Outputs num ambiente ligado a ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
gpt-oss-120b é o maior modelo linguístico da OpenAI com pesos abertos para raciocínio de uso geral, programação e trabalho de agentes. Recebe e produz texto. O produtor publica 117 mil milhões de parâmetros no total, com 5,1 mil milhões de parâmetros ativos por token numa arquitetura de mistura de especialistas. É a edição 120b da família, distinta de gpt-oss-20b e dos modelos especializados Safeguard.
O lançamento descreve um conjunto de treino composto apenas por texto, maioritariamente em inglês, centrado em STEM, programação e conhecimentos gerais. Um exemplo de tarefa é analisar um algoritmo a partir do código e das condições declaradas: explicar as relações importantes, comparar possíveis abordagens e produzir uma proposta concreta de implementação. Para uma decisão baseada num documento, forneça o material e os critérios, depois peça uma conclusão ligada às provas fornecidas.
A arquitetura publicada da OpenAI tem 36 camadas, 128 especialistas e quatro especialistas ativos por token. O lançamento original usa MXFP4 para os pesos da mistura de especialistas e descreve o modelo a funcionar numa única GPU de 80 GB. A OpenAI publica os pesos sob Apache 2.0 e suporta ajuste fino para utilizações especializadas. São propriedades do modelo e do formato publicados pelo produtor, em vez de uma descrição da instalação específica de uma aplicação.
A documentação do modelo indica uma janela de contexto de 131 072 tokens e uma saída gerada máxima de 131 072 tokens, com conhecimentos atualizados até 1 de junho de 2024. A entrada, o raciocínio e a saída têm de caber no contexto disponível. Os níveis de raciocínio suportados são low, medium e high, permitindo que uma tarefa peça uma resposta de diálogo curta ou uma análise mais aprofundada. A OpenAI exige o formato Harmony, que separa a análise interna da resposta final; o produtor indica que a análise bruta se destina a programadores, em vez de ser apresentada diretamente aos utilizadores finais.
O produtor documenta chamadas de funções, navegação na Web, execução de código Python através de ferramentas e Structured Outputs. A ficha do modelo também indica transmissão progressiva, com funções, intérprete de código, MCP e pesquisa no ambiente de ferramentas documentado. As aplicações fornecem operações, executam as suas ações e devolvem resultados reais. Um cálculo ou uma pesquisa pode então servir de prova para outra etapa de raciocínio, enquanto um pedido de ferramenta proposto continua distinto de uma operação que foi executada.
Prepare um objetivo claro, as definições e o resultado final útil: uma explicação, uma proposta de código, uma fórmula ou um conjunto estruturado de conclusões. Identifique os factos que têm de sobreviver a uma transformação e como representar a informação em falta. Uma resposta final útil liga a conclusão às condições fornecidas e aos eventuais resultados reais das ferramentas. Para prosseguir, leve para o pedido seguinte as provas significativas e a decisão ainda por tomar.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/gpt-oss-120b | 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00015 / 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00015 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "openai/gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-oss-120b', '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-oss-120b', '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-oss-120b, openai/gpt-oss-120b
/chat/completions
Exemplo técnico em inglês
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.