OpenAI GPT-3.5 Turbo 1106 är den namngivna GPT-3.5 Turbo-utgåva som identifieras som gpt-3.5-turbo-1106. Den förstår och genererar naturligt språk och kod, med en chattinriktad utformning som också stöder textuppgifter utanför samtal. Dess dokumenterade utgåvoändringar omfattar ett kontextfönster på 16K som standard, förbättrad instruktionsföljning, JSON-läge och parallella funktionsanrop. Den uttryckliga 1106-identiteten håller denna profil åtskild från 0613-utgåvan, den senare 0125-versionen och GPT-3.5 Turbo Instruct.
Förbered uppgiften med relevant text, reglerna som svaret måste följa och önskad form på resultatet. För ett supportsvar tar du med kundens fråga och tillämpliga produktfakta. För extraktion anger du fälten som ska identifieras och förklarar vad som ska göras när ett fält saknas. För en koduppgift ger du relevant kod, förväntat beteende och det fel eller den begränsning som ska hanteras. Kontextutrymmet på 16K ger plats för stödjande material; det är inget löfte om att varje detalj kommer att användas korrekt eller att svaret kan vara lika långt som indata.
OpenAI anger en kunskapsgräns i september 2021 för GPT-3.5 Turbo-familjen. Ge auktoritativt material när svaret beror på senare information eller fakta som är specifika för ditt projekt. Be modellen skilja det som finns i den tillhandahållna texten från det den drar slutsatser om. En begäran om ett svar i ett visst format bör definiera formatet uttryckligen i stället för att förlita sig på att modellen gissar fält, enheter eller konventioner.
JSON-läge syftar till att producera syntaktiskt giltig JSON. Det är användbart när textextraktion eller klassificering behöver ett objekt som en applikation kan tolka. Ta med en uttrycklig instruktion att producera JSON och ange nödvändiga nycklar, värdetyper och hantering av okänd information. OpenAI varnar för att utelämnande av JSON-instruktionen kan leda till generering av blanktecken tills tokengränsen nås. Ett fullständigt svar behöver också skiljas från utdata som avbrutits innan objektet färdigställts.
Giltig JSON garanterar inte i sig följsamhet till ett visst schema eller värdenas korrekthet. För en uppgift att extrahera poster kontrollerar du att de nödvändiga nycklarna finns och att varje extraherat värde stöds av indata. JSON-läge bör inte likställas med den schemagaranti som den senare funktionen Structured Outputs ger. Denna skillnad är viktig när resultatet ska fylla i ett formulär, välja en etikett eller bli indata till ett annat arbetsflöde.
1106-utgåvan stöder parallella funktionsanrop, vilket gör att modellen kan föreslå mer än ett funktionsanrop i ett svar. Detta kan stödja en uppgift som behöver flera applikationsdefinierade operationer eller oberoende informationsuppslagningar. Beskriv varje funktions syfte och förväntade indata tydligt. Den omgivande applikationen utför operationen och tillhandahåller resultatet; ett genererat funktionsanrop är inte i sig ett belägg för att en åtgärd har slutförts. Granska de föreslagna argumenten och håll textsvaret knutet till de resultat som faktiskt returnerats.
OpenAI:s tillkännagivande om utgåvan dokumenterar finjustering för den nya GPT-3.5 Turbo-modellen med 16K. En finjusterad modell är en separat förberedd variant, snarare än en automatisk egenskap hos varje begäran till denna basutgåva. För vanlig användning börjar du med en tydlig instruktion och relevanta exempel på det önskade svaret. När du förbereder ett extraktions- eller omskrivningsuppdrag bör exemplen visa de skillnader som är viktiga, exempelvis ett saknat värde eller en fras som måste förbli oförändrad.
Användbara resultat omfattar ett supportsvar grundat i tillhandahållen produktinformation, en kontrollerad JSON-post, en kortfattad kodförklaring eller en omarbetad passage med angivna begränsningar. Jämför resultatet med källtexten och det begärda formatet. För kod kontrollerar du den föreslagna ändringen i målprojektet; för extraktion kontrollerar du värdena och hanteringen av saknade fält. Värdet i denna utgåva ligger i dess konkreta textförmåga, formatföljsamhet och funktionsanrop, tillämpade på indata vars avsedda resultat är tydligt.
", "aboutText": "OpenAI GPT-3.5 Turbo 1106 är den namngivna GPT-3.5 Turbo-utgåva som identifieras som gpt-3.5-turbo-1106. Den förstår och genererar naturligt språk och kod, med en chattinriktad utformning som också stöder textuppgifter utanför samtal. Dess dokumenterade utgåvoändringar omfattar ett kontextfönster på 16K som standard, förbättrad instruktionsföljning, JSON-läge och parallella funktionsanrop. Den uttryckliga 1106-identiteten håller denna profil åtskild från 0613-utgåvan, den senare 0125-versionen och GPT-3.5 Turbo Instruct.\n\n### Instruktioner och indatakontext\n\nFörbered uppgiften med relevant text, reglerna som svaret måste följa och önskad form på resultatet. För ett supportsvar tar du med kundens fråga och tillämpliga produktfakta. För extraktion anger du fälten som ska identifieras och förklarar vad som ska göras när ett fält saknas. För en koduppgift ger du relevant kod, förväntat beteende och det fel eller den begränsning som ska hanteras. Kontextutrymmet på 16K ger plats för stödjande material; det är inget löfte om att varje detalj kommer att användas korrekt eller att svaret kan vara lika långt som indata.\n\nOpenAI anger en kunskapsgräns i september 2021 för GPT-3.5 Turbo-familjen. Ge auktoritativt material när svaret beror på senare information eller fakta som är specifika för ditt projekt. Be modellen skilja det som finns i den tillhandahållna texten från det den drar slutsatser om. En begäran om ett svar i ett visst format bör definiera formatet uttryckligen i stället för att förlita sig på att modellen gissar fält, enheter eller konventioner.\n\n### JSON-läge och schemakontroller\n\nJSON-läge syftar till att producera syntaktiskt giltig JSON. Det är användbart när textextraktion eller klassificering behöver ett objekt som en applikation kan tolka. Ta med en uttrycklig instruktion att producera JSON och ange nödvändiga nycklar, värdetyper och hantering av okänd information. OpenAI varnar för att utelämnande av JSON-instruktionen kan leda till generering av blanktecken tills tokengränsen nås. Ett fullständigt svar behöver också skiljas från utdata som avbrutits innan objektet färdigställts.\n\nGiltig JSON garanterar inte i sig följsamhet till ett visst schema eller värdenas korrekthet. För en uppgift att extrahera poster kontrollerar du att de nödvändiga nycklarna finns och att varje extraherat värde stöds av indata. JSON-läge bör inte likställas med den schemagaranti som den senare funktionen Structured Outputs ger. Denna skillnad är viktig när resultatet ska fylla i ett formulär, välja en etikett eller bli indata till ett annat arbetsflöde.\n\n### Parallella funktionsanrop\n\n1106-utgåvan stöder parallella funktionsanrop, vilket gör att modellen kan föreslå mer än ett funktionsanrop i ett svar. Detta kan stödja en uppgift som behöver flera applikationsdefinierade operationer eller oberoende informationsuppslagningar. Beskriv varje funktions syfte och förväntade indata tydligt. Den omgivande applikationen utför operationen och tillhandahåller resultatet; ett genererat funktionsanrop är inte i sig ett belägg för att en åtgärd har slutförts. Granska de föreslagna argumenten och håll textsvaret knutet till de resultat som faktiskt returnerats.\n\n### Finjustering och praktisk användning\n\nOpenAI:s tillkännagivande om utgåvan dokumenterar finjustering för den nya GPT-3.5 Turbo-modellen med 16K. En finjusterad modell är en separat förberedd variant, snarare än en automatisk egenskap hos varje begäran till denna basutgåva. För vanlig användning börjar du med en tydlig instruktion och relevanta exempel på det önskade svaret. När du förbereder ett extraktions- eller omskrivningsuppdrag bör exemplen visa de skillnader som är viktiga, exempelvis ett saknat värde eller en fras som måste förbli oförändrad.\n\nAnvändbara resultat omfattar ett supportsvar grundat i tillhandahållen produktinformation, en kontrollerad JSON-post, en kortfattad kodförklaring eller en omarbetad passage med angivna begränsningar. Jämför resultatet med källtexten och det begärda formatet. För kod kontrollerar du den föreslagna ändringen i målprojektet; för extraktion kontrollerar du värdena och hanteringen av saknade fält. Värdet i denna utgåva ligger i dess konkreta textförmåga, formatföljsamhet och funktionsanrop, tillämpade på indata vars avsedda resultat är tydligt.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Request an extraction object\n\nExtract an appointment record from: "Visit V-17 is on 12 December at 10:30 with Morgan. No room assigned." Return only a JSON object with keys visit_id, date_text, time_text, contact and room. Use strings for known values and null for the missing room. Do not infer a year or location.One requested JSON object with five keys; room is null and the date remains textual.Parse the returned JSON and compare every value with the sentence; formatting alone does not establish correctness.gpt-3.5-turbo-1106OpenAI GPT-3.5 Turbo 1106 är den namngivna textmodellutgåvan med ett kontextfönster på 16K, förbättrad instruktionsföljning, JSON-läge och parallella funktionsanrop. Använd den för samtalsassistans, textextraktion och kod- eller innehållsuppgifter med tydligt specificerade utdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
OpenAI GPT-3.5 Turbo 1106 är den namngivna GPT-3.5 Turbo-utgåva som identifieras som gpt-3.5-turbo-1106. Den förstår och genererar naturligt språk och kod, med en chattinriktad utformning som också stöder textuppgifter utanför samtal. Dess dokumenterade utgåvoändringar omfattar ett kontextfönster på 16K som standard, förbättrad instruktionsföljning, JSON-läge och parallella funktionsanrop. Den uttryckliga 1106-identiteten håller denna profil åtskild från 0613-utgåvan, den senare 0125-versionen och GPT-3.5 Turbo Instruct.
Förbered uppgiften med relevant text, reglerna som svaret måste följa och önskad form på resultatet. För ett supportsvar tar du med kundens fråga och tillämpliga produktfakta. För extraktion anger du fälten som ska identifieras och förklarar vad som ska göras när ett fält saknas. För en koduppgift ger du relevant kod, förväntat beteende och det fel eller den begränsning som ska hanteras. Kontextutrymmet på 16K ger plats för stödjande material; det är inget löfte om att varje detalj kommer att användas korrekt eller att svaret kan vara lika långt som indata.
OpenAI anger en kunskapsgräns i september 2021 för GPT-3.5 Turbo-familjen. Ge auktoritativt material när svaret beror på senare information eller fakta som är specifika för ditt projekt. Be modellen skilja det som finns i den tillhandahållna texten från det den drar slutsatser om. En begäran om ett svar i ett visst format bör definiera formatet uttryckligen i stället för att förlita sig på att modellen gissar fält, enheter eller konventioner.
JSON-läge syftar till att producera syntaktiskt giltig JSON. Det är användbart när textextraktion eller klassificering behöver ett objekt som en applikation kan tolka. Ta med en uttrycklig instruktion att producera JSON och ange nödvändiga nycklar, värdetyper och hantering av okänd information. OpenAI varnar för att utelämnande av JSON-instruktionen kan leda till generering av blanktecken tills tokengränsen nås. Ett fullständigt svar behöver också skiljas från utdata som avbrutits innan objektet färdigställts.
Giltig JSON garanterar inte i sig följsamhet till ett visst schema eller värdenas korrekthet. För en uppgift att extrahera poster kontrollerar du att de nödvändiga nycklarna finns och att varje extraherat värde stöds av indata. JSON-läge bör inte likställas med den schemagaranti som den senare funktionen Structured Outputs ger. Denna skillnad är viktig när resultatet ska fylla i ett formulär, välja en etikett eller bli indata till ett annat arbetsflöde.
1106-utgåvan stöder parallella funktionsanrop, vilket gör att modellen kan föreslå mer än ett funktionsanrop i ett svar. Detta kan stödja en uppgift som behöver flera applikationsdefinierade operationer eller oberoende informationsuppslagningar. Beskriv varje funktions syfte och förväntade indata tydligt. Den omgivande applikationen utför operationen och tillhandahåller resultatet; ett genererat funktionsanrop är inte i sig ett belägg för att en åtgärd har slutförts. Granska de föreslagna argumenten och håll textsvaret knutet till de resultat som faktiskt returnerats.
OpenAI:s tillkännagivande om utgåvan dokumenterar finjustering för den nya GPT-3.5 Turbo-modellen med 16K. En finjusterad modell är en separat förberedd variant, snarare än en automatisk egenskap hos varje begäran till denna basutgåva. För vanlig användning börjar du med en tydlig instruktion och relevanta exempel på det önskade svaret. När du förbereder ett extraktions- eller omskrivningsuppdrag bör exemplen visa de skillnader som är viktiga, exempelvis ett saknat värde eller en fras som måste förbli oförändrad.
Användbara resultat omfattar ett supportsvar grundat i tillhandahållen produktinformation, en kontrollerad JSON-post, en kortfattad kodförklaring eller en omarbetad passage med angivna begränsningar. Jämför resultatet med källtexten och det begärda formatet. För kod kontrollerar du den föreslagna ändringen i målprojektet; för extraktion kontrollerar du värdena och hanteringen av saknade fält. Värdet i denna utgåva ligger i dess konkreta textförmåga, formatföljsamhet och funktionsanrop, tillämpade på indata vars avsedda resultat är tydligt.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gpt-3.5-turbo-1106 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.002 / 1K token Utdata · Utdatatoken $0.004 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gpt-3.5-turbo-1106", "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='gpt-3.5-turbo-1106',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='gpt-3.5-turbo-1106',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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra gpt-3.5-turbo-1106
Använd metodsökvägarna som visas ovan.
gpt-3.5-turbo-1106OpenAI GPT-3.5 Turbo 1106 är den namngivna textmodellutgåvan med ett kontextfönster på 16K, förbättrad instruktionsföljning, JSON-läge och parallella funktionsanrop. Använd den för samtalsassistans, textextraktion och kod- eller innehållsuppgifter med tydligt specificerade utdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
OpenAI GPT-3.5 Turbo 1106 är den namngivna GPT-3.5 Turbo-utgåva som identifieras som gpt-3.5-turbo-1106. Den förstår och genererar naturligt språk och kod, med en chattinriktad utformning som också stöder textuppgifter utanför samtal. Dess dokumenterade utgåvoändringar omfattar ett kontextfönster på 16K som standard, förbättrad instruktionsföljning, JSON-läge och parallella funktionsanrop. Den uttryckliga 1106-identiteten håller denna profil åtskild från 0613-utgåvan, den senare 0125-versionen och GPT-3.5 Turbo Instruct.
Förbered uppgiften med relevant text, reglerna som svaret måste följa och önskad form på resultatet. För ett supportsvar tar du med kundens fråga och tillämpliga produktfakta. För extraktion anger du fälten som ska identifieras och förklarar vad som ska göras när ett fält saknas. För en koduppgift ger du relevant kod, förväntat beteende och det fel eller den begränsning som ska hanteras. Kontextutrymmet på 16K ger plats för stödjande material; det är inget löfte om att varje detalj kommer att användas korrekt eller att svaret kan vara lika långt som indata.
OpenAI anger en kunskapsgräns i september 2021 för GPT-3.5 Turbo-familjen. Ge auktoritativt material när svaret beror på senare information eller fakta som är specifika för ditt projekt. Be modellen skilja det som finns i den tillhandahållna texten från det den drar slutsatser om. En begäran om ett svar i ett visst format bör definiera formatet uttryckligen i stället för att förlita sig på att modellen gissar fält, enheter eller konventioner.
JSON-läge syftar till att producera syntaktiskt giltig JSON. Det är användbart när textextraktion eller klassificering behöver ett objekt som en applikation kan tolka. Ta med en uttrycklig instruktion att producera JSON och ange nödvändiga nycklar, värdetyper och hantering av okänd information. OpenAI varnar för att utelämnande av JSON-instruktionen kan leda till generering av blanktecken tills tokengränsen nås. Ett fullständigt svar behöver också skiljas från utdata som avbrutits innan objektet färdigställts.
Giltig JSON garanterar inte i sig följsamhet till ett visst schema eller värdenas korrekthet. För en uppgift att extrahera poster kontrollerar du att de nödvändiga nycklarna finns och att varje extraherat värde stöds av indata. JSON-läge bör inte likställas med den schemagaranti som den senare funktionen Structured Outputs ger. Denna skillnad är viktig när resultatet ska fylla i ett formulär, välja en etikett eller bli indata till ett annat arbetsflöde.
1106-utgåvan stöder parallella funktionsanrop, vilket gör att modellen kan föreslå mer än ett funktionsanrop i ett svar. Detta kan stödja en uppgift som behöver flera applikationsdefinierade operationer eller oberoende informationsuppslagningar. Beskriv varje funktions syfte och förväntade indata tydligt. Den omgivande applikationen utför operationen och tillhandahåller resultatet; ett genererat funktionsanrop är inte i sig ett belägg för att en åtgärd har slutförts. Granska de föreslagna argumenten och håll textsvaret knutet till de resultat som faktiskt returnerats.
OpenAI:s tillkännagivande om utgåvan dokumenterar finjustering för den nya GPT-3.5 Turbo-modellen med 16K. En finjusterad modell är en separat förberedd variant, snarare än en automatisk egenskap hos varje begäran till denna basutgåva. För vanlig användning börjar du med en tydlig instruktion och relevanta exempel på det önskade svaret. När du förbereder ett extraktions- eller omskrivningsuppdrag bör exemplen visa de skillnader som är viktiga, exempelvis ett saknat värde eller en fras som måste förbli oförändrad.
Användbara resultat omfattar ett supportsvar grundat i tillhandahållen produktinformation, en kontrollerad JSON-post, en kortfattad kodförklaring eller en omarbetad passage med angivna begränsningar. Jämför resultatet med källtexten och det begärda formatet. För kod kontrollerar du den föreslagna ändringen i målprojektet; för extraktion kontrollerar du värdena och hanteringen av saknade fält. Värdet i denna utgåva ligger i dess konkreta textförmåga, formatföljsamhet och funktionsanrop, tillämpade på indata vars avsedda resultat är tydligt.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gpt-3.5-turbo-1106 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.002 / 1K token Utdata · Utdatatoken $0.004 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "gpt-3.5-turbo-1106",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.5-turbo-1106', '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-3.5-turbo-1106', '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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra gpt-3.5-turbo-1106
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Request an extraction object\n\nExtract an appointment record from: "Visit V-17 is on 12 December at 10:30 with Morgan. No room assigned." Return only a JSON object with keys visit_id, date_text, time_text, contact and room. Use strings for known values and null for the missing room. Do not infer a year or location.One requested JSON object with five keys; room is null and the date remains textual.Parse the returned JSON and compare every value with the sentence; formatting alone does not establish correctness.