GPT-4o Mini är OpenAI:s lilla modell i GPT-4o-familjen för avgränsat arbete. Den tar emot text och bilder och producerar text, inklusive Structured Outputs. Den är användbar när en applikation behöver ett kort svar på en väl specificerad förfrågan: extrahera fält, utveckla ett svar från tillhandahållet referensmaterial eller utföra ett avgränsat steg i en större process.
För ett supportsvar anger du det inkommande meddelandet, relevanta policyutdrag och de fakta som redan har fastställts i samtalet. Be om ett kort förslag till svar och ange vilken information som fortfarande behövs från avsändaren. För dokumentextraktion definierar du fälten, förklarar hur saknade värden ska hanteras och bevarar en etikett som kopplar varje resultat till dess källa. Samma arbetssätt kan ge en klassificering, en bearbetad passage eller en förklaring av en liten kodändring utan att behandla modellen som en ersättning för applikationens omgivande logik.
Tillverkaren anger ett kontextfönster på 128 000 token, högst 16 384 token i utdata och en kunskapsgräns den 1 oktober 2023. Källmaterialet, samtalet och den genererade utdata upptar kontexten tillsammans. Håll viktiga tidigare fakta synliga och ange det slutresultat som behövs. GPT-4o Mini är en separat liten modell, inte ett läge för utdatalängd hos fullständiga GPT-4o; dess egen identitet och dess egna förmågor ska styra uppgiften även när de två modellerna delar specifikationer.
Bilder kan ge en skärmbild, en dokumentsida, ett fotografi eller ett diagram. OpenAI:s bildarbetsflöde accepterar PNG, JPEG, WebP och icke-animerad GIF, med detaljnivåerna low, high eller auto för den här familjen. Högre detaljnivå använder tillverkarens hantering av bilden i delar. Håll viktiga etiketter läsbara och rättvända och förklara vilken del av bilden som ska ligga till grund för svaret. Fina rumsliga relationer, exakta antal föremål, ovanliga bildprojektioner och viss text med andra än latinska skriftsystem är dokumenterade svårigheter. En avgränsad fråga gör ett visuellt svar lättare att jämföra med det ursprungliga underlaget. 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.
Tillverkarens filarbetsflöde skickar extraherad text och sidbilder från PDF-filer till modeller med bildförståelse. Andra kontors- och textfiler bidrar med extraherad text, så deras inbäddade bilder och diagram behöver en PDF-representation när dessa visuella delar är viktiga. Komplettering av kalkylbladsdata använder upp till de första 1 000 raderna per blad. Varje fil måste vara mindre än 50 MB, med en sammanlagd gräns på 50 MB per förfrågan. Chat Completions accepterar PDF-fildelar; det dokumenterade Responses-arbetsflödet accepterar en bredare uppsättning filformat. Bevara sid-, rad- eller avsnittsidentifierare i det material som används för extraktion.
Strömning returnerar text stegvis. Structured Outputs begränsar ett färdigt svar till den delmängd av JSON Schema som stöds, medan en begäran om JSON-läge endast säkerställer giltig JSON. Ange de obligatoriska fälten och tillåtna värdena, inklusive ett uttryckligt sätt att representera saknat underlag. Applikationer behöver hantera avböjanden och ofullständiga svar separat. Ett schema kan göra resultatet lämpligt för nästa steg, men värdena behöver fortfarande återspegla den faktiska källan och inte en påhittad ifyllnad av ett tomt fält.
GPT-4o Mini stöder funktionsanrop och tillverkarens verktygsorienterade arbetsflöden med webbsökning, filsökning, kodtolkning och MCP-anslutningar. Beskriv en tillgänglig funktion, låt applikationen utföra den begärda operationen och returnera sin observation innan modellen utvecklar ett uppföljande svar. OpenAI stöder också ett separat bildgenereringsverktyg i det konfigurerade Responses-arbetsflödet. Bilder som skapas av det verktyget är separata artefakter; modellens dokumenterade egna utdata är fortfarande text. Sökning och verktygsanvändning är konfigurerade aktiviteter och bevisar inte att varje svar har hämtat aktuell information.
Predicted Outputs stöder återskapande av ett till stor del känt dokument eller en kodfil med en liten ändring. Ange det tidigare innehållet och den exakta ändringen och jämför sedan det resulterande materialet med den förfrågan. Prediktionsvägen stöder endast text och går inte att kombinera med funktionsanrop; logprobs, max_completion_tokens och flera andra inställningar är också uteslutna. En vanlig förfrågan som använder verktyg är en annan väg när svaret beror på en ny sökning eller beräkning.
OpenAI dokumenterar finjustering för den här modellen och beskriver hur en större modells utdata kan användas för att lära en mindre GPT-4o Mini-modell en specialiserad uppgift. Detta destilleringsarbetsflöde ger en anpassad modell; det ändrar inte identiteten hos ett vanligt Mini-svar. För en vanlig förfrågan fastställer du uppgiften och utdataformatet med tydliga exempel och använder sedan en avgränsad uppföljning för att bearbeta samma resultat. Ett användbart slutresultat förblir kopplat till källans fakta, den avsedda läsaren och det applikationssteg som använder det.
", "aboutText": "GPT-4o Mini är OpenAI:s lilla modell i GPT-4o-familjen för avgränsat arbete. Den tar emot text och bilder och producerar text, inklusive Structured Outputs. Den är användbar när en applikation behöver ett kort svar på en väl specificerad förfrågan: extrahera fält, utveckla ett svar från tillhandahållet referensmaterial eller utföra ett avgränsat steg i en större process.\n\nFör ett supportsvar anger du det inkommande meddelandet, relevanta policyutdrag och de fakta som redan har fastställts i samtalet. Be om ett kort förslag till svar och ange vilken information som fortfarande behövs från avsändaren. För dokumentextraktion definierar du fälten, förklarar hur saknade värden ska hanteras och bevarar en etikett som kopplar varje resultat till dess källa. Samma arbetssätt kan ge en klassificering, en bearbetad passage eller en förklaring av en liten kodändring utan att behandla modellen som en ersättning för applikationens omgivande logik.\n\nTillverkaren anger ett kontextfönster på 128 000 token, högst 16 384 token i utdata och en kunskapsgräns den 1 oktober 2023. Källmaterialet, samtalet och den genererade utdata upptar kontexten tillsammans. Håll viktiga tidigare fakta synliga och ange det slutresultat som behövs. GPT-4o Mini är en separat liten modell, inte ett läge för utdatalängd hos fullständiga GPT-4o; dess egen identitet och dess egna förmågor ska styra uppgiften även när de två modellerna delar specifikationer.\n\nBilder kan ge en skärmbild, en dokumentsida, ett fotografi eller ett diagram. OpenAI:s bildarbetsflöde accepterar PNG, JPEG, WebP och icke-animerad GIF, med detaljnivåerna low, high eller auto för den här familjen. Högre detaljnivå använder tillverkarens hantering av bilden i delar. Håll viktiga etiketter läsbara och rättvända och förklara vilken del av bilden som ska ligga till grund för svaret. Fina rumsliga relationer, exakta antal föremål, ovanliga bildprojektioner och viss text med andra än latinska skriftsystem är dokumenterade svårigheter. En avgränsad fråga gör ett visuellt svar lättare att jämföra med det ursprungliga underlaget. 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\nTillverkarens filarbetsflöde skickar extraherad text och sidbilder från PDF-filer till modeller med bildförståelse. Andra kontors- och textfiler bidrar med extraherad text, så deras inbäddade bilder och diagram behöver en PDF-representation när dessa visuella delar är viktiga. Komplettering av kalkylbladsdata använder upp till de första 1 000 raderna per blad. Varje fil måste vara mindre än 50 MB, med en sammanlagd gräns på 50 MB per förfrågan. Chat Completions accepterar PDF-fildelar; det dokumenterade Responses-arbetsflödet accepterar en bredare uppsättning filformat. Bevara sid-, rad- eller avsnittsidentifierare i det material som används för extraktion.\n\nStrömning returnerar text stegvis. Structured Outputs begränsar ett färdigt svar till den delmängd av JSON Schema som stöds, medan en begäran om JSON-läge endast säkerställer giltig JSON. Ange de obligatoriska fälten och tillåtna värdena, inklusive ett uttryckligt sätt att representera saknat underlag. Applikationer behöver hantera avböjanden och ofullständiga svar separat. Ett schema kan göra resultatet lämpligt för nästa steg, men värdena behöver fortfarande återspegla den faktiska källan och inte en påhittad ifyllnad av ett tomt fält.\n\nGPT-4o Mini stöder funktionsanrop och tillverkarens verktygsorienterade arbetsflöden med webbsökning, filsökning, kodtolkning och MCP-anslutningar. Beskriv en tillgänglig funktion, låt applikationen utföra den begärda operationen och returnera sin observation innan modellen utvecklar ett uppföljande svar. OpenAI stöder också ett separat bildgenereringsverktyg i det konfigurerade Responses-arbetsflödet. Bilder som skapas av det verktyget är separata artefakter; modellens dokumenterade egna utdata är fortfarande text. Sökning och verktygsanvändning är konfigurerade aktiviteter och bevisar inte att varje svar har hämtat aktuell information.\n\nPredicted Outputs stöder återskapande av ett till stor del känt dokument eller en kodfil med en liten ändring. Ange det tidigare innehållet och den exakta ändringen och jämför sedan det resulterande materialet med den förfrågan. Prediktionsvägen stöder endast text och går inte att kombinera med funktionsanrop; logprobs, max_completion_tokens och flera andra inställningar är också uteslutna. En vanlig förfrågan som använder verktyg är en annan väg när svaret beror på en ny sökning eller beräkning.\n\nOpenAI dokumenterar finjustering för den här modellen och beskriver hur en större modells utdata kan användas för att lära en mindre GPT-4o Mini-modell en specialiserad uppgift. Detta destilleringsarbetsflöde ger en anpassad modell; det ändrar inte identiteten hos ett vanligt Mini-svar. För en vanlig förfrågan fastställer du uppgiften och utdataformatet med tydliga exempel och använder sedan en avgränsad uppföljning för att bearbeta samma resultat. Ett användbart slutresultat förblir kopplat till källans fakta, den avsedda läsaren och det applikationssteg som använder det.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2e4ce01e83694bfca0a79077e7ef52fb7190ced4819baac20985b00390802d64", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/gpt-4o-mini:batchGPT-4o Mini hanterar avgränsade text- och bilduppgifter, bland annat dokumentextraktion, korta svar och anrop till applikationsverktyg. Dess kontext på 128 000 token och Structured Outputs stöder upprepningsbara arbetsflöden med ett tydligt definierat resultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GPT-4o Mini är OpenAI:s lilla modell i GPT-4o-familjen för avgränsat arbete. Den tar emot text och bilder och producerar text, inklusive Structured Outputs. Den är användbar när en applikation behöver ett kort svar på en väl specificerad förfrågan: extrahera fält, utveckla ett svar från tillhandahållet referensmaterial eller utföra ett avgränsat steg i en större process.
För ett supportsvar anger du det inkommande meddelandet, relevanta policyutdrag och de fakta som redan har fastställts i samtalet. Be om ett kort förslag till svar och ange vilken information som fortfarande behövs från avsändaren. För dokumentextraktion definierar du fälten, förklarar hur saknade värden ska hanteras och bevarar en etikett som kopplar varje resultat till dess källa. Samma arbetssätt kan ge en klassificering, en bearbetad passage eller en förklaring av en liten kodändring utan att behandla modellen som en ersättning för applikationens omgivande logik.
Tillverkaren anger ett kontextfönster på 128 000 token, högst 16 384 token i utdata och en kunskapsgräns den 1 oktober 2023. Källmaterialet, samtalet och den genererade utdata upptar kontexten tillsammans. Håll viktiga tidigare fakta synliga och ange det slutresultat som behövs. GPT-4o Mini är en separat liten modell, inte ett läge för utdatalängd hos fullständiga GPT-4o; dess egen identitet och dess egna förmågor ska styra uppgiften även när de två modellerna delar specifikationer.
Bilder kan ge en skärmbild, en dokumentsida, ett fotografi eller ett diagram. OpenAI:s bildarbetsflöde accepterar PNG, JPEG, WebP och icke-animerad GIF, med detaljnivåerna low, high eller auto för den här familjen. Högre detaljnivå använder tillverkarens hantering av bilden i delar. Håll viktiga etiketter läsbara och rättvända och förklara vilken del av bilden som ska ligga till grund för svaret. Fina rumsliga relationer, exakta antal föremål, ovanliga bildprojektioner och viss text med andra än latinska skriftsystem är dokumenterade svårigheter. En avgränsad fråga gör ett visuellt svar lättare att jämföra med det ursprungliga underlaget. 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.
Tillverkarens filarbetsflöde skickar extraherad text och sidbilder från PDF-filer till modeller med bildförståelse. Andra kontors- och textfiler bidrar med extraherad text, så deras inbäddade bilder och diagram behöver en PDF-representation när dessa visuella delar är viktiga. Komplettering av kalkylbladsdata använder upp till de första 1 000 raderna per blad. Varje fil måste vara mindre än 50 MB, med en sammanlagd gräns på 50 MB per förfrågan. Chat Completions accepterar PDF-fildelar; det dokumenterade Responses-arbetsflödet accepterar en bredare uppsättning filformat. Bevara sid-, rad- eller avsnittsidentifierare i det material som används för extraktion.
Strömning returnerar text stegvis. Structured Outputs begränsar ett färdigt svar till den delmängd av JSON Schema som stöds, medan en begäran om JSON-läge endast säkerställer giltig JSON. Ange de obligatoriska fälten och tillåtna värdena, inklusive ett uttryckligt sätt att representera saknat underlag. Applikationer behöver hantera avböjanden och ofullständiga svar separat. Ett schema kan göra resultatet lämpligt för nästa steg, men värdena behöver fortfarande återspegla den faktiska källan och inte en påhittad ifyllnad av ett tomt fält.
GPT-4o Mini stöder funktionsanrop och tillverkarens verktygsorienterade arbetsflöden med webbsökning, filsökning, kodtolkning och MCP-anslutningar. Beskriv en tillgänglig funktion, låt applikationen utföra den begärda operationen och returnera sin observation innan modellen utvecklar ett uppföljande svar. OpenAI stöder också ett separat bildgenereringsverktyg i det konfigurerade Responses-arbetsflödet. Bilder som skapas av det verktyget är separata artefakter; modellens dokumenterade egna utdata är fortfarande text. Sökning och verktygsanvändning är konfigurerade aktiviteter och bevisar inte att varje svar har hämtat aktuell information.
Predicted Outputs stöder återskapande av ett till stor del känt dokument eller en kodfil med en liten ändring. Ange det tidigare innehållet och den exakta ändringen och jämför sedan det resulterande materialet med den förfrågan. Prediktionsvägen stöder endast text och går inte att kombinera med funktionsanrop; logprobs, max_completion_tokens och flera andra inställningar är också uteslutna. En vanlig förfrågan som använder verktyg är en annan väg när svaret beror på en ny sökning eller beräkning.
OpenAI dokumenterar finjustering för den här modellen och beskriver hur en större modells utdata kan användas för att lära en mindre GPT-4o Mini-modell en specialiserad uppgift. Detta destilleringsarbetsflöde ger en anpassad modell; det ändrar inte identiteten hos ett vanligt Mini-svar. För en vanlig förfrågan fastställer du uppgiften och utdataformatet med tydliga exempel och använder sedan en avgränsad uppföljning för att bearbeta samma resultat. Ett användbart slutresultat förblir kopplat till källans fakta, den avsedda läsaren och det applikationssteg som använder det.
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-4o-mini: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-4o-mini:batch, openai/gpt-4o-mini | 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 $0.00015 / 1K token Utdata · Utdatatoken $0.0006 / 1K token Indata · Cacheläsning $0.000075 / 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 $0.00015 / 1K token Utdata · Utdatatoken $0.0006 / 1K token Indata · Cacheläsning $0.000075 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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-4o-mini: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-4o-mini:batch', 'openai/gpt-4o-mini']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-4o-mini: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-4o-mini:batch
Använd metodsökvägarna som visas ovan.