GPT-4.1 Nano är OpenAI:s snabbaste medlem i GPT-4.1-familjen, utformad för instruktionsföljning och verktygsanrop utan ett separat resonemangssteg. Den tar emot text och bilder och producerar text. Nano passar en väldefinierad operation där applikationen behöver ett kompakt svar, en uppsättning fält eller nästa verktygsförfrågan snarare än en omfattande undersökning.
Ett användbart exempel är att sortera inkommande meddelanden enligt en tillhandahållen kategoriuppsättning. Förklara varje kategori, visa hur tvetydiga meddelanden eller meddelanden utanför uppgiftens ram ska uttryckas och be om kategorin tillsammans med källfrasen som stöder den. För extraktion definierar du fältnamn, tillåtna värden och hantering av saknad information. För en kort skrivuppgift anger du fakta och ber om den specifika passage som nästa applikationssteg behöver. Exemplen och begränsningarna ska vara tillräckligt små för att förbli tydliga även när källsamlingen är stor.
Tillverkaren anger ett kontextfönster på 1 047 576 token, högst 32 768 token i utdata och en kunskapsgräns den 1 juni 2024. Specifikationerna matchar fönstret för GPT-4.1 Mini och bevarar samtidigt Nanos separata modellidentitet och roll med fokus på kort svarstid. Märk dokument och samtalsavsnitt, ta endast med kontext som är relevant för operationen och lämna plats för hela svaret. Sökresultat eller tillhandahållen referenstext kan ge fakta som är nyare än modellens inlärda kunskap.
Nano stöder strömning och Structured Outputs. Ett schemabegränsat slutligt svar har ett annat syfte än ett funktionsanrop: det ena ger applikationen ett färdigt resultat, medan det andra ber den utföra en operation. Structured Outputs stöder en delmängd av JSON Schema; definiera obligatoriska egenskaper och en tydlig representation för okända värden. Hantera avböjanden och ofullständiga svar separat och kontrollera de extraherade värdena mot indata i stället för att likställa en giltig form med en korrekt slutsats.
Den dokumenterade verktygsuppsättningen omfattar funktionsanrop, filsökning, kodtolkning, MCP-anslutningar och ett separat bildgenereringsverktyg. Applikationen tillhandahåller verktygsbeskrivningar och scheman, utför anpassade funktioner och returnerar deras faktiska resultat. För Nano-versionen från den 14 april 2025 rekommenderar OpenAI specifikt att parallella verktygsanrop stängs av eftersom modellen kan begära samma verktyg flera gånger under en tur. Det är en versionsspecifik hänsyn vid körningen, inte en anledning att tolka flera föreslagna anrop som utförda åtgärder.
Bildindata tillför visuellt underlag till en textuppgift, exempelvis att läsa en synlig etikett eller beskriva tillståndet i en skärmbild. Använd bilder i PNG, JPEG, WebP eller icke-animerad GIF som stöds, håll texten läsbar och förklara vilken observation som är viktig. Bildguiden nämner svårigheter med liten eller roterad text, exakta rumsliga relationer, antal föremål och viss text med andra än latinska skriftsystem. Ange omgivande kontext när en beskärning ensam skulle göra en etikett eller ett diagram tvetydigt. Nanos eget svar är text; ett bildgenereringsverktyg returnerar en egen separat artefakt. I OpenAI:s dokumenterade bildarbetsflöde är den totala datamängden i förfrågan begränsad till 512 MB och en förfrågan kan innehålla upp till 1 500 bilder; bilderna och texten måste också rymmas i modellens kontext.
I tillverkarens filarbetsflöde får en modell med bildförståelse både extraherad text och sidbilder från PDF-filer. Andra dokumentformat bidrar med extraherad text, och komplettering av kalkylbladsdata använder upp till de första 1 000 raderna per blad. En fil måste vara mindre än 50 MB, med en sammanlagd gräns på 50 MB per förfrågan. Chat Completions stöder PDF-fildelar, medan det dokumenterade Responses-arbetsflödet accepterar ytterligare filtyper. Inbäddade diagram i andra dokument än PDF överförs inte som bildinnehåll, så en PDF-representation är användbar när det visuella underlaget är viktigt.
OpenAI dokumenterar promptcache för Nano och Predicted Outputs för GPT-4.1 Nano-serien. Promptcache återanvänder ett kvalificerat indataprefix i tillverkarens tjänst. Predicted Outputs anger i stället till stor del känd utdatatext för en ändring, exempelvis att bearbeta ett dokument eller en kodfil och bevara dess oförändrade delar. Prediktionsvägen stöder endast text och utesluter bland annat funktionsanrop, logprobs och max_completion_tokens. Välj väg efter den faktiska operationen och håll resultatet kopplat till den ursprungliga källan.
Tillverkaren dokumenterar även övervakad finjustering och direkt preferensoptimering för Nanos namngivna GPT-4.1-version. Träningsexempel och föredragna respektive avvisade svar anpassar en modell till en återkommande uppgift; de skiljer sig från den kontext som tillhandahålls i en vanlig förfrågan. För ett praktiskt extraktions- eller klassificeringssteg börjar du med tydliga kategorier, exempel och ett uttryckligt slutformat och granskar sedan om de returnerade fälten bevarar de fakta som nästa steg ska använda.
", "aboutText": "GPT-4.1 Nano är OpenAI:s snabbaste medlem i GPT-4.1-familjen, utformad för instruktionsföljning och verktygsanrop utan ett separat resonemangssteg. Den tar emot text och bilder och producerar text. Nano passar en väldefinierad operation där applikationen behöver ett kompakt svar, en uppsättning fält eller nästa verktygsförfrågan snarare än en omfattande undersökning.\n\nEtt användbart exempel är att sortera inkommande meddelanden enligt en tillhandahållen kategoriuppsättning. Förklara varje kategori, visa hur tvetydiga meddelanden eller meddelanden utanför uppgiftens ram ska uttryckas och be om kategorin tillsammans med källfrasen som stöder den. För extraktion definierar du fältnamn, tillåtna värden och hantering av saknad information. För en kort skrivuppgift anger du fakta och ber om den specifika passage som nästa applikationssteg behöver. Exemplen och begränsningarna ska vara tillräckligt små för att förbli tydliga även när källsamlingen är stor.\n\nTillverkaren anger ett kontextfönster på 1 047 576 token, högst 32 768 token i utdata och en kunskapsgräns den 1 juni 2024. Specifikationerna matchar fönstret för GPT-4.1 Mini och bevarar samtidigt Nanos separata modellidentitet och roll med fokus på kort svarstid. Märk dokument och samtalsavsnitt, ta endast med kontext som är relevant för operationen och lämna plats för hela svaret. Sökresultat eller tillhandahållen referenstext kan ge fakta som är nyare än modellens inlärda kunskap.\n\nNano stöder strömning och Structured Outputs. Ett schemabegränsat slutligt svar har ett annat syfte än ett funktionsanrop: det ena ger applikationen ett färdigt resultat, medan det andra ber den utföra en operation. Structured Outputs stöder en delmängd av JSON Schema; definiera obligatoriska egenskaper och en tydlig representation för okända värden. Hantera avböjanden och ofullständiga svar separat och kontrollera de extraherade värdena mot indata i stället för att likställa en giltig form med en korrekt slutsats.\n\nDen dokumenterade verktygsuppsättningen omfattar funktionsanrop, filsökning, kodtolkning, MCP-anslutningar och ett separat bildgenereringsverktyg. Applikationen tillhandahåller verktygsbeskrivningar och scheman, utför anpassade funktioner och returnerar deras faktiska resultat. För Nano-versionen från den 14 april 2025 rekommenderar OpenAI specifikt att parallella verktygsanrop stängs av eftersom modellen kan begära samma verktyg flera gånger under en tur. Det är en versionsspecifik hänsyn vid körningen, inte en anledning att tolka flera föreslagna anrop som utförda åtgärder.\n\nBildindata tillför visuellt underlag till en textuppgift, exempelvis att läsa en synlig etikett eller beskriva tillståndet i en skärmbild. Använd bilder i PNG, JPEG, WebP eller icke-animerad GIF som stöds, håll texten läsbar och förklara vilken observation som är viktig. Bildguiden nämner svårigheter med liten eller roterad text, exakta rumsliga relationer, antal föremål och viss text med andra än latinska skriftsystem. Ange omgivande kontext när en beskärning ensam skulle göra en etikett eller ett diagram tvetydigt. Nanos eget svar är text; ett bildgenereringsverktyg returnerar en egen separat artefakt. I OpenAI:s dokumenterade bildarbetsflöde är den totala datamängden i förfrågan begränsad till 512 MB och en förfrågan kan innehålla upp till 1 500 bilder; bilderna och texten måste också rymmas i modellens kontext.\n\nI tillverkarens filarbetsflöde får en modell med bildförståelse både extraherad text och sidbilder från PDF-filer. Andra dokumentformat bidrar med extraherad text, och komplettering av kalkylbladsdata använder upp till de första 1 000 raderna per blad. En fil måste vara mindre än 50 MB, med en sammanlagd gräns på 50 MB per förfrågan. Chat Completions stöder PDF-fildelar, medan det dokumenterade Responses-arbetsflödet accepterar ytterligare filtyper. Inbäddade diagram i andra dokument än PDF överförs inte som bildinnehåll, så en PDF-representation är användbar när det visuella underlaget är viktigt.\n\nOpenAI dokumenterar promptcache för Nano och Predicted Outputs för GPT-4.1 Nano-serien. Promptcache återanvänder ett kvalificerat indataprefix i tillverkarens tjänst. Predicted Outputs anger i stället till stor del känd utdatatext för en ändring, exempelvis att bearbeta ett dokument eller en kodfil och bevara dess oförändrade delar. Prediktionsvägen stöder endast text och utesluter bland annat funktionsanrop, logprobs och max_completion_tokens. Välj väg efter den faktiska operationen och håll resultatet kopplat till den ursprungliga källan.\n\nTillverkaren dokumenterar även övervakad finjustering och direkt preferensoptimering för Nanos namngivna GPT-4.1-version. Träningsexempel och föredragna respektive avvisade svar anpassar en modell till en återkommande uppgift; de skiljer sig från den kontext som tillhandahålls i en vanlig förfrågan. För ett praktiskt extraktions- eller klassificeringssteg börjar du med tydliga kategorier, exempel och ett uttryckligt slutformat och granskar sedan om de returnerade fälten bevarar de fakta som nästa steg ska använda.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f0fc4beaab5cc27c49531ce9e3472c58fe22ac19097f483b7cd168ed45e174ea", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/gpt-4.1-nano:batchGPT-4.1 Nano är den kompakta medlemmen i GPT-4.1-familjen med kort svarstid för noggrant specificerade text- och bilduppgifter. Dess stora kontext, Structured Outputs och funktionsanrop stöder klassificering, extraktion och avgränsade applikationssteg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GPT-4.1 Nano är OpenAI:s snabbaste medlem i GPT-4.1-familjen, utformad för instruktionsföljning och verktygsanrop utan ett separat resonemangssteg. Den tar emot text och bilder och producerar text. Nano passar en väldefinierad operation där applikationen behöver ett kompakt svar, en uppsättning fält eller nästa verktygsförfrågan snarare än en omfattande undersökning.
Ett användbart exempel är att sortera inkommande meddelanden enligt en tillhandahållen kategoriuppsättning. Förklara varje kategori, visa hur tvetydiga meddelanden eller meddelanden utanför uppgiftens ram ska uttryckas och be om kategorin tillsammans med källfrasen som stöder den. För extraktion definierar du fältnamn, tillåtna värden och hantering av saknad information. För en kort skrivuppgift anger du fakta och ber om den specifika passage som nästa applikationssteg behöver. Exemplen och begränsningarna ska vara tillräckligt små för att förbli tydliga även när källsamlingen är stor.
Tillverkaren anger ett kontextfönster på 1 047 576 token, högst 32 768 token i utdata och en kunskapsgräns den 1 juni 2024. Specifikationerna matchar fönstret för GPT-4.1 Mini och bevarar samtidigt Nanos separata modellidentitet och roll med fokus på kort svarstid. Märk dokument och samtalsavsnitt, ta endast med kontext som är relevant för operationen och lämna plats för hela svaret. Sökresultat eller tillhandahållen referenstext kan ge fakta som är nyare än modellens inlärda kunskap.
Nano stöder strömning och Structured Outputs. Ett schemabegränsat slutligt svar har ett annat syfte än ett funktionsanrop: det ena ger applikationen ett färdigt resultat, medan det andra ber den utföra en operation. Structured Outputs stöder en delmängd av JSON Schema; definiera obligatoriska egenskaper och en tydlig representation för okända värden. Hantera avböjanden och ofullständiga svar separat och kontrollera de extraherade värdena mot indata i stället för att likställa en giltig form med en korrekt slutsats.
Den dokumenterade verktygsuppsättningen omfattar funktionsanrop, filsökning, kodtolkning, MCP-anslutningar och ett separat bildgenereringsverktyg. Applikationen tillhandahåller verktygsbeskrivningar och scheman, utför anpassade funktioner och returnerar deras faktiska resultat. För Nano-versionen från den 14 april 2025 rekommenderar OpenAI specifikt att parallella verktygsanrop stängs av eftersom modellen kan begära samma verktyg flera gånger under en tur. Det är en versionsspecifik hänsyn vid körningen, inte en anledning att tolka flera föreslagna anrop som utförda åtgärder.
Bildindata tillför visuellt underlag till en textuppgift, exempelvis att läsa en synlig etikett eller beskriva tillståndet i en skärmbild. Använd bilder i PNG, JPEG, WebP eller icke-animerad GIF som stöds, håll texten läsbar och förklara vilken observation som är viktig. Bildguiden nämner svårigheter med liten eller roterad text, exakta rumsliga relationer, antal föremål och viss text med andra än latinska skriftsystem. Ange omgivande kontext när en beskärning ensam skulle göra en etikett eller ett diagram tvetydigt. Nanos eget svar är text; ett bildgenereringsverktyg returnerar en egen separat artefakt. I OpenAI:s dokumenterade bildarbetsflöde är den totala datamängden i förfrågan begränsad till 512 MB och en förfrågan kan innehålla upp till 1 500 bilder; bilderna och texten måste också rymmas i modellens kontext.
I tillverkarens filarbetsflöde får en modell med bildförståelse både extraherad text och sidbilder från PDF-filer. Andra dokumentformat bidrar med extraherad text, och komplettering av kalkylbladsdata använder upp till de första 1 000 raderna per blad. En fil måste vara mindre än 50 MB, med en sammanlagd gräns på 50 MB per förfrågan. Chat Completions stöder PDF-fildelar, medan det dokumenterade Responses-arbetsflödet accepterar ytterligare filtyper. Inbäddade diagram i andra dokument än PDF överförs inte som bildinnehåll, så en PDF-representation är användbar när det visuella underlaget är viktigt.
OpenAI dokumenterar promptcache för Nano och Predicted Outputs för GPT-4.1 Nano-serien. Promptcache återanvänder ett kvalificerat indataprefix i tillverkarens tjänst. Predicted Outputs anger i stället till stor del känd utdatatext för en ändring, exempelvis att bearbeta ett dokument eller en kodfil och bevara dess oförändrade delar. Prediktionsvägen stöder endast text och utesluter bland annat funktionsanrop, logprobs och max_completion_tokens. Välj väg efter den faktiska operationen och håll resultatet kopplat till den ursprungliga källan.
Tillverkaren dokumenterar även övervakad finjustering och direkt preferensoptimering för Nanos namngivna GPT-4.1-version. Träningsexempel och föredragna respektive avvisade svar anpassar en modell till en återkommande uppgift; de skiljer sig från den kontext som tillhandahålls i en vanlig förfrågan. För ett praktiskt extraktions- eller klassificeringssteg börjar du med tydliga kategorier, exempel och ett uttryckligt slutformat och granskar sedan om de returnerade fälten bevarar de fakta som nästa steg ska använda.
POST /v1/batchestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältendpoint | Typstring | KravObligatoriskt | Värden & gränser /v1/chat/completions | Standard— |
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/gpt-4.1-nano:batch | Standard— |
Fältrequests | Typbatch_item[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältrequests[].custom_id | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältrequests[].body.messages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältcompletion_window | Typstring | KravValfritt | Värden & gränser 24h | Standard— |
Fältprovider | Typobject|null | KravValfritt | Värden & gränser | Standard— |
Fältrequests[].body.model | Typstring | KravValfritt | Värden & gränser openai/gpt-4.1-nano:batch, openai/gpt-4.1-nano | Standard— |
Fältprovider.only | Typstring[] | KravValfritt | Värden & gränser openai | Standard— |
Fältprovider.allow_fallbacks | Typboolean|null | KravValfritt | Värden & gränser false, null | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalendpoint, model, requests |
Parametermaterial_types | Avtaltext |
Parameterrepresentation | AvtalInbäddade requests[]; varje objekt har custom_id och body |
Parameterrequest_endpoint_profile | Avtal/v1/chat/completions |
Parameterfile_material | AvtalDen anropande klienten kan läsa in faktiska UTF-8 JSONL-data lokalt i requests[]. Inget uppladdningssyfte, input_file_id eller någon filreferens används. Om kundmaterial saknas eller är tomt avbryts förberedelserna före POST. |
Parameterserialization_order | Avtalendpoint, model, provider (om angivet), completion_window (om angivet), requests sist |
Parameteroptional_controls | Avtalprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | AvtalFörfrågningskroppar för Text Chat Completions i det dokumenterade inbäddade Batch-formatet. |
Livscykel: asynchronous
GET /v1/batches/{operation_id} · Det faktiska response.id från det ursprungliga skapandesvaret; samma användare/nyckel/grupp
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0001 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.000025 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0001 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.000025 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/gpt-4.1-nano:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/gpt-4.1-nano:batch', 'openai/gpt-4.1-nano']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4.1-nano:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON i inbäddade results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela det ursprungliga statusobjektet i JSON, varje resultat/custom_id och hela svars- eller felkroppen. Spara slutförda results[] som JSONL utan filtrering.
Behåll det ursprungliga operations-ID:t. Vid 503 result_pending_check gäller X-Should-Retry:false; skicka aldrig om en ursprunglig batch med okänt utfall.
| Fält | Typ |
|---|---|
Fältresults[].custom_id | Typstring |
Fältresults[].response.body.choices[].message.content | Typstring|null |
Fältresults[].error | Typobject|null |
Fältusage | Typobject|null |
Fältid | Typstring |
Fältmodel | Typstring |
Fältendpoint | Typstring |
Fältstatus | Typstring |
Fältrequest_counts | Typobject |
Fältresults[].id | Typstring |
Fältresults[].response.status_code | Typinteger |
Fältresults[].response.request_id | Typstring |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorFörfrågan har ett ogiltigt inbäddat format enligt dokumentationen, duplicerade nycklar eller en felaktig objektidentitet, eller står i konflikt med modellens konfigurerade funktioner. | Nästa stegRätta de angivna fälten innan du skickar en ny förfrågan. |
Svar401 · authentication_error | VillkorOgiltig API-nyckel. | Nästa stegAnvänd den behöriga Ailoot-nyckeln. |
Svar403 · permission_error | VillkorGrupp för batchkörning är inte tillgänglig. | Nästa stegKontrollera nyckelns/gruppens behörighet. |
Svar422 · invalid_request_error | VillkorBatchkörning debiteras från saldot; skapande via abonnemang avvisas. | Nästa stegAnvänd den behöriga gruppen med saldodebitering. |
Svar422 · price_unavailable | VillkorKostnaden för batchindata kan inte beräknas i förväg. | Nästa stegSpara svaret; använd det dokumenterade indataformatet för API-familjen. |
Svar402 · billing_error | VillkorReservation för batchkörning är inte tillgänglig. | Nästa stegSe till att villkoren för att godta förfrågan är uppfyllda innan du skickar en ny. |
Svar503 · price_unavailable | VillkorPriset för batchmetoden eller de inbyggda priserna är inte tillgängliga. | Nästa stegSpara svaret; ersätt inte priserna med andra. |
Svar503 · api_error | VillkorDen exakta leverantörsrutten är inte tillgänglig. | Nästa stegSpara svaret för att kunna reparera routningen. |
Svar503 · result_pending_check | VillkorDet ursprungliga resultatet behöver kontrolleras; X-Should-Retry:false. | Nästa stegBehåll det ursprungliga värdet för operation_id/id och läs av operationens status; upprepa aldrig det ursprungliga POST-anropet. |
Svar404 · not_found | VillkorOperationen för batchstatus saknas eller tillhör en annan identitet. | Nästa stegAnvänd exakt det ursprungliga id-värdet och samma användare/nyckel/grupp. |
Ailoot Ultra openai/gpt-4.1-nano:batch
Använd metodsökvägarna som visas ovan.