GPT-5-Codex är OpenAI:s version av GPT-5 som optimerats för agentbaserad programvaruutveckling i Codex och jämförbara programmeringsmiljöer. Träningen inriktas på arbete som att skapa projekt, implementera funktioner och tester, felsöka, refaktorera etablerade kodbaser och granska ändringar. Förstärkningsinlärning på verkliga programmeringsuppgifter utvecklar instruktionsföljning, kodstil och iterativ verifiering. Den avsedda miljön är en programmeringsassistent med tillgång till projektets sammanhang och utvecklingsverktyg.
Modellen anpassar hur mycket resonemang den ägnar åt en uppgift. En liten, tydligt definierad ändring kan hanteras genom ett interaktivt utbyte, medan en komplex refaktorering kan innebära långvarig analys och upprepade implementeringssteg. Detta adaptiva beteende förenar samtal med genomförande: agenten undersöker projektet, föreslår en ändring, tar emot resultat från sin miljö och fortsätter arbeta mot det angivna resultatet.
Kodgranskning är en separat del av dess specialisering. OpenAI beskriver en granskare som undersöker kodbasen och beroendena, relaterar en föreslagen ändring till dess avsedda beteende och använder kodkörning och tester för att undersöka korrektheten. Ett användbart resultat är en avgränsad förklaring av betydelsefulla fel och den berörda koden, snarare än kommentarer som enbart bygger på hur en ändringsjämförelse ser ut. Projektfiler och verktygsresultat ger beläggen för denna analys.
Visuella indata stöder frontendarbete. Skärmbilder, schematiska gränssnittsskisser och diagram kan förmedla det önskade gränssnittet eller ett observerat problem. I en miljö med webbläsar- och skärmbildsverktyg kan agenten undersöka implementationen och jämföra det den byggt med det tillhandahållna visuella målet. Detta är arbetsflöden med stöd av miljön: modellen tolkar information och väljer åtgärder, medan applikationen tillhandahåller verktygen och utför dem.
Den publicerade modellspecifikationen anger text- och bildindata och textutdata, ett kontextfönster på 400 000 token och upp till 128 000 utdatatoken. Den stöder resonemangstoken, strömning, funktionsanrop och strukturerade utdata. OpenAI dokumenterar modellen via sitt Responses-gränssnitt och identifierar namnet utan versionsangivelse som en modellbeteckning som uppdateras. Dess dokumenterade kunskapsgräns är den 30 september 2024. Ljud och video ligger utanför de angivna indatamodaliteterna; finjustering och förutsagda utdata stöds inte i denna konfiguration.
Tillägget till systemkortet skiljer modellträningen från produktens kontroller. Modellen tränas för att motstå promptinjektionsinstruktioner som den stöter på i programmeringsmaterial. Isolering av arbetsytan, nätverksbehörigheter och regler för godkännanden hör till agentmiljön. Denna skillnad är viktig när assistenten läser extern dokumentation eller kör kommandon: åtkomsten definieras av applikationen, och dess utdata ger en redogörelse för vad som faktiskt hände.
För en programmeringsassistent som använder Ailoot API börjar du med det beteende som ska uppnås, de relevanta filerna och ett tydligt kriterium för när uppgiften är slutförd. Ett lämpligt uppdrag kan be om en samordnad ändring, en förklaring av berörda beroenden och de kontroller som behövs för att validera resultatet. Ge aktuella projektinstruktioner och användbara visuella exempel, och be sedan om ett resultat som kan granskas: ändrad kod, en felanalys eller en testad implementeringsplan.
", "aboutText": "GPT-5-Codex är OpenAI:s version av GPT-5 som optimerats för agentbaserad programvaruutveckling i Codex och jämförbara programmeringsmiljöer. Träningen inriktas på arbete som att skapa projekt, implementera funktioner och tester, felsöka, refaktorera etablerade kodbaser och granska ändringar. Förstärkningsinlärning på verkliga programmeringsuppgifter utvecklar instruktionsföljning, kodstil och iterativ verifiering. Den avsedda miljön är en programmeringsassistent med tillgång till projektets sammanhang och utvecklingsverktyg.\n\nModellen anpassar hur mycket resonemang den ägnar åt en uppgift. En liten, tydligt definierad ändring kan hanteras genom ett interaktivt utbyte, medan en komplex refaktorering kan innebära långvarig analys och upprepade implementeringssteg. Detta adaptiva beteende förenar samtal med genomförande: agenten undersöker projektet, föreslår en ändring, tar emot resultat från sin miljö och fortsätter arbeta mot det angivna resultatet.\n\nKodgranskning är en separat del av dess specialisering. OpenAI beskriver en granskare som undersöker kodbasen och beroendena, relaterar en föreslagen ändring till dess avsedda beteende och använder kodkörning och tester för att undersöka korrektheten. Ett användbart resultat är en avgränsad förklaring av betydelsefulla fel och den berörda koden, snarare än kommentarer som enbart bygger på hur en ändringsjämförelse ser ut. Projektfiler och verktygsresultat ger beläggen för denna analys.\n\nVisuella indata stöder frontendarbete. Skärmbilder, schematiska gränssnittsskisser och diagram kan förmedla det önskade gränssnittet eller ett observerat problem. I en miljö med webbläsar- och skärmbildsverktyg kan agenten undersöka implementationen och jämföra det den byggt med det tillhandahållna visuella målet. Detta är arbetsflöden med stöd av miljön: modellen tolkar information och väljer åtgärder, medan applikationen tillhandahåller verktygen och utför dem.\n\nDen publicerade modellspecifikationen anger text- och bildindata och textutdata, ett kontextfönster på 400 000 token och upp till 128 000 utdatatoken. Den stöder resonemangstoken, strömning, funktionsanrop och strukturerade utdata. OpenAI dokumenterar modellen via sitt Responses-gränssnitt och identifierar namnet utan versionsangivelse som en modellbeteckning som uppdateras. Dess dokumenterade kunskapsgräns är den 30 september 2024. Ljud och video ligger utanför de angivna indatamodaliteterna; finjustering och förutsagda utdata stöds inte i denna konfiguration.\n\nTillägget till systemkortet skiljer modellträningen från produktens kontroller. Modellen tränas för att motstå promptinjektionsinstruktioner som den stöter på i programmeringsmaterial. Isolering av arbetsytan, nätverksbehörigheter och regler för godkännanden hör till agentmiljön. Denna skillnad är viktig när assistenten läser extern dokumentation eller kör kommandon: åtkomsten definieras av applikationen, och dess utdata ger en redogörelse för vad som faktiskt hände.\n\nFör en programmeringsassistent som använder Ailoot API börjar du med det beteende som ska uppnås, de relevanta filerna och ett tydligt kriterium för när uppgiften är slutförd. Ett lämpligt uppdrag kan be om en samordnad ändring, en förklaring av berörda beroenden och de kontroller som behövs för att validera resultatet. Ge aktuella projektinstruktioner och användbara visuella exempel, och be sedan om ett resultat som kan granskas: ändrad kod, en felanalys eller en testad implementeringsplan.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Fix a mutation during iteration\n\nPatch this Python function: 'def remove_empty(items):\n for value in items:\n if value == '': items.remove(value)\n return items'. Requirement: return a new list without empty strings and leave the original unchanged. Provide the function and tests covering adjacent empty strings, no empty strings and an empty list. Explain why the original skipped values.A replacement function, three focused tests and one sentence about modifying a list during iteration.Adjacent empty strings are all removed from the result while the input list retains its original contents.gpt-5-codex-highGPT-5-Codex är OpenAI:s GPT-5-variant för agentbaserad programvaruutveckling: att implementera funktioner, felsöka, refaktorera och granska kod i en miljö med verktyg. Den kombinerar text- och bildindata med adaptivt resonemang och en kontext på 400 000 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GPT-5-Codex är OpenAI:s version av GPT-5 som optimerats för agentbaserad programvaruutveckling i Codex och jämförbara programmeringsmiljöer. Träningen inriktas på arbete som att skapa projekt, implementera funktioner och tester, felsöka, refaktorera etablerade kodbaser och granska ändringar. Förstärkningsinlärning på verkliga programmeringsuppgifter utvecklar instruktionsföljning, kodstil och iterativ verifiering. Den avsedda miljön är en programmeringsassistent med tillgång till projektets sammanhang och utvecklingsverktyg.
Modellen anpassar hur mycket resonemang den ägnar åt en uppgift. En liten, tydligt definierad ändring kan hanteras genom ett interaktivt utbyte, medan en komplex refaktorering kan innebära långvarig analys och upprepade implementeringssteg. Detta adaptiva beteende förenar samtal med genomförande: agenten undersöker projektet, föreslår en ändring, tar emot resultat från sin miljö och fortsätter arbeta mot det angivna resultatet.
Kodgranskning är en separat del av dess specialisering. OpenAI beskriver en granskare som undersöker kodbasen och beroendena, relaterar en föreslagen ändring till dess avsedda beteende och använder kodkörning och tester för att undersöka korrektheten. Ett användbart resultat är en avgränsad förklaring av betydelsefulla fel och den berörda koden, snarare än kommentarer som enbart bygger på hur en ändringsjämförelse ser ut. Projektfiler och verktygsresultat ger beläggen för denna analys.
Visuella indata stöder frontendarbete. Skärmbilder, schematiska gränssnittsskisser och diagram kan förmedla det önskade gränssnittet eller ett observerat problem. I en miljö med webbläsar- och skärmbildsverktyg kan agenten undersöka implementationen och jämföra det den byggt med det tillhandahållna visuella målet. Detta är arbetsflöden med stöd av miljön: modellen tolkar information och väljer åtgärder, medan applikationen tillhandahåller verktygen och utför dem.
Den publicerade modellspecifikationen anger text- och bildindata och textutdata, ett kontextfönster på 400 000 token och upp till 128 000 utdatatoken. Den stöder resonemangstoken, strömning, funktionsanrop och strukturerade utdata. OpenAI dokumenterar modellen via sitt Responses-gränssnitt och identifierar namnet utan versionsangivelse som en modellbeteckning som uppdateras. Dess dokumenterade kunskapsgräns är den 30 september 2024. Ljud och video ligger utanför de angivna indatamodaliteterna; finjustering och förutsagda utdata stöds inte i denna konfiguration.
Tillägget till systemkortet skiljer modellträningen från produktens kontroller. Modellen tränas för att motstå promptinjektionsinstruktioner som den stöter på i programmeringsmaterial. Isolering av arbetsytan, nätverksbehörigheter och regler för godkännanden hör till agentmiljön. Denna skillnad är viktig när assistenten läser extern dokumentation eller kör kommandon: åtkomsten definieras av applikationen, och dess utdata ger en redogörelse för vad som faktiskt hände.
För en programmeringsassistent som använder Ailoot API börjar du med det beteende som ska uppnås, de relevanta filerna och ett tydligt kriterium för när uppgiften är slutförd. Ett lämpligt uppdrag kan be om en samordnad ändring, en förklaring av berörda beroenden och de kontroller som behövs för att validera resultatet. Ge aktuella projektinstruktioner och användbara visuella exempel, och be sedan om ett resultat som kan granskas: ändrad kod, en felanalys eller en testad implementeringsplan.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gpt-5-codex-high | 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 $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 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-5-codex-high", "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-5-codex-high',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-5-codex-high',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-5-codex-high
Använd metodsökvägarna som visas ovan.
gpt-5-codex-highGPT-5-Codex är OpenAI:s GPT-5-variant för agentbaserad programvaruutveckling: att implementera funktioner, felsöka, refaktorera och granska kod i en miljö med verktyg. Den kombinerar text- och bildindata med adaptivt resonemang och en kontext på 400 000 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GPT-5-Codex är OpenAI:s version av GPT-5 som optimerats för agentbaserad programvaruutveckling i Codex och jämförbara programmeringsmiljöer. Träningen inriktas på arbete som att skapa projekt, implementera funktioner och tester, felsöka, refaktorera etablerade kodbaser och granska ändringar. Förstärkningsinlärning på verkliga programmeringsuppgifter utvecklar instruktionsföljning, kodstil och iterativ verifiering. Den avsedda miljön är en programmeringsassistent med tillgång till projektets sammanhang och utvecklingsverktyg.
Modellen anpassar hur mycket resonemang den ägnar åt en uppgift. En liten, tydligt definierad ändring kan hanteras genom ett interaktivt utbyte, medan en komplex refaktorering kan innebära långvarig analys och upprepade implementeringssteg. Detta adaptiva beteende förenar samtal med genomförande: agenten undersöker projektet, föreslår en ändring, tar emot resultat från sin miljö och fortsätter arbeta mot det angivna resultatet.
Kodgranskning är en separat del av dess specialisering. OpenAI beskriver en granskare som undersöker kodbasen och beroendena, relaterar en föreslagen ändring till dess avsedda beteende och använder kodkörning och tester för att undersöka korrektheten. Ett användbart resultat är en avgränsad förklaring av betydelsefulla fel och den berörda koden, snarare än kommentarer som enbart bygger på hur en ändringsjämförelse ser ut. Projektfiler och verktygsresultat ger beläggen för denna analys.
Visuella indata stöder frontendarbete. Skärmbilder, schematiska gränssnittsskisser och diagram kan förmedla det önskade gränssnittet eller ett observerat problem. I en miljö med webbläsar- och skärmbildsverktyg kan agenten undersöka implementationen och jämföra det den byggt med det tillhandahållna visuella målet. Detta är arbetsflöden med stöd av miljön: modellen tolkar information och väljer åtgärder, medan applikationen tillhandahåller verktygen och utför dem.
Den publicerade modellspecifikationen anger text- och bildindata och textutdata, ett kontextfönster på 400 000 token och upp till 128 000 utdatatoken. Den stöder resonemangstoken, strömning, funktionsanrop och strukturerade utdata. OpenAI dokumenterar modellen via sitt Responses-gränssnitt och identifierar namnet utan versionsangivelse som en modellbeteckning som uppdateras. Dess dokumenterade kunskapsgräns är den 30 september 2024. Ljud och video ligger utanför de angivna indatamodaliteterna; finjustering och förutsagda utdata stöds inte i denna konfiguration.
Tillägget till systemkortet skiljer modellträningen från produktens kontroller. Modellen tränas för att motstå promptinjektionsinstruktioner som den stöter på i programmeringsmaterial. Isolering av arbetsytan, nätverksbehörigheter och regler för godkännanden hör till agentmiljön. Denna skillnad är viktig när assistenten läser extern dokumentation eller kör kommandon: åtkomsten definieras av applikationen, och dess utdata ger en redogörelse för vad som faktiskt hände.
För en programmeringsassistent som använder Ailoot API börjar du med det beteende som ska uppnås, de relevanta filerna och ett tydligt kriterium för när uppgiften är slutförd. Ett lämpligt uppdrag kan be om en samordnad ändring, en förklaring av berörda beroenden och de kontroller som behövs för att validera resultatet. Ge aktuella projektinstruktioner och användbara visuella exempel, och be sedan om ett resultat som kan granskas: ändrad kod, en felanalys eller en testad implementeringsplan.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gpt-5-codex-high | 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 $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "gpt-5-codex-high",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5-codex-high', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-5-codex-high', '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-5-codex-high
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Fix a mutation during iteration\n\nPatch this Python function: 'def remove_empty(items):\n for value in items:\n if value == '': items.remove(value)\n return items'. Requirement: return a new list without empty strings and leave the original unchanged. Provide the function and tests covering adjacent empty strings, no empty strings and an empty list. Explain why the original skipped values.A replacement function, three focused tests and one sentence about modifying a list during iteration.Adjacent empty strings are all removed from the result while the input list retains its original contents.