GPT-5.1-Codex-Max är OpenAI:s Codex-utgåva byggd för långvarig, detaljerad agentbaserad kodning. Den tar emot text och bilder och ger text som utdata. Lanseringen beskriver träning på verkliga programvaruutvecklingsuppgifter, bland annat kodgranskning, frontendarbete och projektändringar samt arbete i Windows-miljöer.
En central funktion är inbyggt arbete över flera kontextfönster genom komprimering. När en lång uppgift närmar sig fönstergränsen kan Codex-arbetsflödet komprimera historiken, bevara viktig kontext och fortsätta i ett nytt fönster. Tillverkaren presenterar detta som ett sätt att upprätthålla refaktorering i projektomfattning, djupgående felsökning och långa agentloopar. Det är en fortsättningsprocess snarare än ett påstående om att en hel lång session upptar ett enda kontextfönster.
För en projektändring tillhandahåller du önskat beteende, relevanta filer och reglerna som styr redigeringar. En illustrativ begäran är att refaktorera flera relaterade komponenter och bevara deras publika beteende: identifiera sambanden, föreslå samordnade ändringar och ange hur det resulterande beteendet ska kontrolleras. För felsökning tar du med det observerade felet, förväntat resultat och redan insamlade belägg. Arbetsmiljöns filinnehåll, kommandoutdata och kontroller ligger till grund för modellens nästa beslut.
OpenAI:s modellkort anger ett kontextfönster på 400 000 token, högst 128 000 utdatatoken och kunskapsgränsen den 30 september 2024. Max-lanseringen rekommenderar resonemangsnivån medium för vanlig användning och inför xhigh för arbete som gynnas av längre analys. Både resonemang och synliga utdata kräver plats i uppgiftens kontext. Håll framgångskriteriet och betydelsefulla beslut tillgängliga när arbetsflödet fortsätter.
Modellens dokumenterade gränssnitt är enbart Responses. Kortet anger strömning, Structured Outputs, funktionsanrop, bildindata, webbsökning och promptcache; de exakt angivna verktygen omfattar funktioner och webbsökning. I en Codex-liknande miljö läser och söker applikationens operationer i filer, kör kommandon och återför faktiska resultat. Lanseringens sandlåda, nätverksinställningar och terminalloggar beskriver den omgivande Codex-produktmiljön snarare än modellens direkta textutdata.
För frontendarbete tillhandahåller du relevant skärmbild eller designreferens och förklarar det användarbeteende den ska stödja. För en granskning begär du konkreta fynd knutna till beroenden eller krav. En användbar slutleverans identifierar berörda filer, förklarar de väsentliga ändringarna och redovisar resultaten av kontroller som faktiskt har slutförts. Håll återstående steg specifika så att en lång utvecklingsuppgift slutar med ett resultat som kan bedömas mot det ursprungliga målet.
", "aboutText": "GPT-5.1-Codex-Max är OpenAI:s Codex-utgåva byggd för långvarig, detaljerad agentbaserad kodning. Den tar emot text och bilder och ger text som utdata. Lanseringen beskriver träning på verkliga programvaruutvecklingsuppgifter, bland annat kodgranskning, frontendarbete och projektändringar samt arbete i Windows-miljöer.\n\nEn central funktion är inbyggt arbete över flera kontextfönster genom komprimering. När en lång uppgift närmar sig fönstergränsen kan Codex-arbetsflödet komprimera historiken, bevara viktig kontext och fortsätta i ett nytt fönster. Tillverkaren presenterar detta som ett sätt att upprätthålla refaktorering i projektomfattning, djupgående felsökning och långa agentloopar. Det är en fortsättningsprocess snarare än ett påstående om att en hel lång session upptar ett enda kontextfönster.\n\nFör en projektändring tillhandahåller du önskat beteende, relevanta filer och reglerna som styr redigeringar. En illustrativ begäran är att refaktorera flera relaterade komponenter och bevara deras publika beteende: identifiera sambanden, föreslå samordnade ändringar och ange hur det resulterande beteendet ska kontrolleras. För felsökning tar du med det observerade felet, förväntat resultat och redan insamlade belägg. Arbetsmiljöns filinnehåll, kommandoutdata och kontroller ligger till grund för modellens nästa beslut.\n\nOpenAI:s modellkort anger ett kontextfönster på 400 000 token, högst 128 000 utdatatoken och kunskapsgränsen den 30 september 2024. Max-lanseringen rekommenderar resonemangsnivån medium för vanlig användning och inför xhigh för arbete som gynnas av längre analys. Både resonemang och synliga utdata kräver plats i uppgiftens kontext. Håll framgångskriteriet och betydelsefulla beslut tillgängliga när arbetsflödet fortsätter.\n\nModellens dokumenterade gränssnitt är enbart Responses. Kortet anger strömning, Structured Outputs, funktionsanrop, bildindata, webbsökning och promptcache; de exakt angivna verktygen omfattar funktioner och webbsökning. I en Codex-liknande miljö läser och söker applikationens operationer i filer, kör kommandon och återför faktiska resultat. Lanseringens sandlåda, nätverksinställningar och terminalloggar beskriver den omgivande Codex-produktmiljön snarare än modellens direkta textutdata.\n\nFör frontendarbete tillhandahåller du relevant skärmbild eller designreferens och förklarar det användarbeteende den ska stödja. För en granskning begär du konkreta fynd knutna till beroenden eller krav. En användbar slutleverans identifierar berörda filer, förklarar de väsentliga ändringarna och redovisar resultaten av kontroller som faktiskt har slutförts. Håll återstående steg specifika så att en lång utvecklingsuppgift slutar med ett resultat som kan bedömas mot det ursprungliga målet.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.openai/gpt-5.1-codex-maxEn Codex-utgåva utformad för långvarig, detaljerad programvaruutveckling. Den tar emot text och bilder och använder komprimering över kontextfönster för att fortsätta refaktorering i projektomfattning, djupgående felsökning och andra agentbaserade koduppgifter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GPT-5.1-Codex-Max är OpenAI:s Codex-utgåva byggd för långvarig, detaljerad agentbaserad kodning. Den tar emot text och bilder och ger text som utdata. Lanseringen beskriver träning på verkliga programvaruutvecklingsuppgifter, bland annat kodgranskning, frontendarbete och projektändringar samt arbete i Windows-miljöer.
En central funktion är inbyggt arbete över flera kontextfönster genom komprimering. När en lång uppgift närmar sig fönstergränsen kan Codex-arbetsflödet komprimera historiken, bevara viktig kontext och fortsätta i ett nytt fönster. Tillverkaren presenterar detta som ett sätt att upprätthålla refaktorering i projektomfattning, djupgående felsökning och långa agentloopar. Det är en fortsättningsprocess snarare än ett påstående om att en hel lång session upptar ett enda kontextfönster.
För en projektändring tillhandahåller du önskat beteende, relevanta filer och reglerna som styr redigeringar. En illustrativ begäran är att refaktorera flera relaterade komponenter och bevara deras publika beteende: identifiera sambanden, föreslå samordnade ändringar och ange hur det resulterande beteendet ska kontrolleras. För felsökning tar du med det observerade felet, förväntat resultat och redan insamlade belägg. Arbetsmiljöns filinnehåll, kommandoutdata och kontroller ligger till grund för modellens nästa beslut.
OpenAI:s modellkort anger ett kontextfönster på 400 000 token, högst 128 000 utdatatoken och kunskapsgränsen den 30 september 2024. Max-lanseringen rekommenderar resonemangsnivån medium för vanlig användning och inför xhigh för arbete som gynnas av längre analys. Både resonemang och synliga utdata kräver plats i uppgiftens kontext. Håll framgångskriteriet och betydelsefulla beslut tillgängliga när arbetsflödet fortsätter.
Modellens dokumenterade gränssnitt är enbart Responses. Kortet anger strömning, Structured Outputs, funktionsanrop, bildindata, webbsökning och promptcache; de exakt angivna verktygen omfattar funktioner och webbsökning. I en Codex-liknande miljö läser och söker applikationens operationer i filer, kör kommandon och återför faktiska resultat. Lanseringens sandlåda, nätverksinställningar och terminalloggar beskriver den omgivande Codex-produktmiljön snarare än modellens direkta textutdata.
För frontendarbete tillhandahåller du relevant skärmbild eller designreferens och förklarar det användarbeteende den ska stödja. För en granskning begär du konkreta fynd knutna till beroenden eller krav. En användbar slutleverans identifierar berörda filer, förklarar de väsentliga ändringarna och redovisar resultaten av kontroller som faktiskt har slutförts. Håll återstående steg specifika så att en lång utvecklingsuppgift slutar med ett resultat som kan bedömas mot det ursprungliga målet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/gpt-5.1-codex-max | 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.
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 $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 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 $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-5.1-codex-max", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/gpt-5.1-codex-max',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/gpt-5.1-codex-max',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 openai/gpt-5.1-codex-max
Använd metodsökvägarna som visas ovan.
openai/gpt-5.1-codex-maxEn Codex-utgåva utformad för långvarig, detaljerad programvaruutveckling. Den tar emot text och bilder och använder komprimering över kontextfönster för att fortsätta refaktorering i projektomfattning, djupgående felsökning och andra agentbaserade koduppgifter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GPT-5.1-Codex-Max är OpenAI:s Codex-utgåva byggd för långvarig, detaljerad agentbaserad kodning. Den tar emot text och bilder och ger text som utdata. Lanseringen beskriver träning på verkliga programvaruutvecklingsuppgifter, bland annat kodgranskning, frontendarbete och projektändringar samt arbete i Windows-miljöer.
En central funktion är inbyggt arbete över flera kontextfönster genom komprimering. När en lång uppgift närmar sig fönstergränsen kan Codex-arbetsflödet komprimera historiken, bevara viktig kontext och fortsätta i ett nytt fönster. Tillverkaren presenterar detta som ett sätt att upprätthålla refaktorering i projektomfattning, djupgående felsökning och långa agentloopar. Det är en fortsättningsprocess snarare än ett påstående om att en hel lång session upptar ett enda kontextfönster.
För en projektändring tillhandahåller du önskat beteende, relevanta filer och reglerna som styr redigeringar. En illustrativ begäran är att refaktorera flera relaterade komponenter och bevara deras publika beteende: identifiera sambanden, föreslå samordnade ändringar och ange hur det resulterande beteendet ska kontrolleras. För felsökning tar du med det observerade felet, förväntat resultat och redan insamlade belägg. Arbetsmiljöns filinnehåll, kommandoutdata och kontroller ligger till grund för modellens nästa beslut.
OpenAI:s modellkort anger ett kontextfönster på 400 000 token, högst 128 000 utdatatoken och kunskapsgränsen den 30 september 2024. Max-lanseringen rekommenderar resonemangsnivån medium för vanlig användning och inför xhigh för arbete som gynnas av längre analys. Både resonemang och synliga utdata kräver plats i uppgiftens kontext. Håll framgångskriteriet och betydelsefulla beslut tillgängliga när arbetsflödet fortsätter.
Modellens dokumenterade gränssnitt är enbart Responses. Kortet anger strömning, Structured Outputs, funktionsanrop, bildindata, webbsökning och promptcache; de exakt angivna verktygen omfattar funktioner och webbsökning. I en Codex-liknande miljö läser och söker applikationens operationer i filer, kör kommandon och återför faktiska resultat. Lanseringens sandlåda, nätverksinställningar och terminalloggar beskriver den omgivande Codex-produktmiljön snarare än modellens direkta textutdata.
För frontendarbete tillhandahåller du relevant skärmbild eller designreferens och förklarar det användarbeteende den ska stödja. För en granskning begär du konkreta fynd knutna till beroenden eller krav. En användbar slutleverans identifierar berörda filer, förklarar de väsentliga ändringarna och redovisar resultaten av kontroller som faktiskt har slutförts. Håll återstående steg specifika så att en lång utvecklingsuppgift slutar med ett resultat som kan bedömas mot det ursprungliga målet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/gpt-5.1-codex-max | 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.
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 $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 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 $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "openai/gpt-5.1-codex-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.1-codex-max', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/gpt-5.1-codex-max', '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 openai/gpt-5.1-codex-max
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Refactor duplicated email normalization\n\nTwo Python functions disagree: signup uses email.strip().lower(), while lookup uses email.lower(). Users with surrounding spaces can sign up but cannot be found consistently. Propose a shared normalize_email function and coordinated changes to both callers without changing their public signatures. Include regression cases for spaces, case differences and an already normalized address.A shared helper, both caller changes and three concrete regression-test proposals.Both paths use the same normalization and preserve their existing public signatures.