GPT-5.6 Luna Pro betecknar OpenAI:s GPT-5.6 Luna med Pro-resonemang. Grundutgåvan Luna är utformad för avgränsade arbetsuppgifter i stora volymer och motsvarar ungefär nano-nivån i tidigare GPT-5-familjer. Den tar emot text och bilder och ger text som utdata. Pro innebär mer modellarbete för att ta fram det slutliga svaret; det är ett körläge snarare än en ersättning för grundutgåvan.
En praktisk användning är att extrahera en definierad uppsättning information ur ett dokument vars regler innehåller undantag. Tillhandahåll dokumentet och fälten du behöver, ange eventuella textavsnitt som har företräde och förklara hur ett saknat värde ska hanteras. En illustrativ begäran är att extrahera dokumentets ämne, villkoren som är relevanta för en begäran och nästa fråga som behövs för att slutföra den. Be om en förklaring av ett undantag tillsammans med de extraherade fälten så att resultatet kan jämföras med källan.
För visuellt material tillhandahåller du en tydlig sida eller skärmbild och anger den specifika detalj eller beteckning som uppgiften bygger på. För en uppgift där ett svar ska skrivas tillhandahåller du begäran, reglerna som styr svaret och fakta som måste bevaras. Definiera önskad ton och längd och be sedan om ett kortfattat svar snarare än en obegränsad diskussion. Dessa förberedelser knyter Lunas specialiserade roll till ett konkret textresultat.
OpenAI anger ett kontextfönster på 1 050 000 token för GPT-5.6 Luna, högst 922 000 indatatoken och högst 128 000 utdatatoken, med kunskapsgräns den 16 februari 2026. Grundmodellens resonemangsnivåer är none, low, medium, high, xhigh och max; medium är standard. Läge och resonemangsnivå är oberoende: Pro avgör det ytterligare modellarbetet, medan resonemangsnivån styr mängden resonemang inom läget. Resonemang använder också kontextutrymme, så lämna plats för analysen och det synliga svaret.
Tillverkaren dokumenterar Pro i Responses API för svåra uppgifter som kan tillåta ytterligare fördröjning och modellarbete. Grundmodellen anger stöd för strömning, Structured Outputs, funktionsanrop, webb- och filsökning, bildindata och promptcache. Verktygsuppsättningen omfattar bildgenerering, kodtolkning, värdbaserade skal- och patchoperationer, färdigheter, datoranvändning, MCP-anslutningar och verktygssökning. Verktygsoperationer kräver motsvarande miljö; en applikation utför sina åtgärder och tillhandahåller faktiska resultat för fortsatt arbete.
Specificera en användbar slutleverans: obligatoriska fält, regeln som stöder ett beslut och eventuella frågor som fortfarande är öppna. Be till exempel om ett svarsutkast och de dokumentfakta det bygger på, och förfina sedan svaret efter att ha tillhandahållit saknad information. Håll skillnaden mellan en föreslagen åtgärd och en åtgärd som har slutförts av ett verktyg tydlig. Detta arbetsflöde ger Pros extra analys ett specifikt syfte inom en avgränsad Luna-uppgift.
", "aboutText": "GPT-5.6 Luna Pro betecknar OpenAI:s GPT-5.6 Luna med Pro-resonemang. Grundutgåvan Luna är utformad för avgränsade arbetsuppgifter i stora volymer och motsvarar ungefär nano-nivån i tidigare GPT-5-familjer. Den tar emot text och bilder och ger text som utdata. Pro innebär mer modellarbete för att ta fram det slutliga svaret; det är ett körläge snarare än en ersättning för grundutgåvan.\n\nEn praktisk användning är att extrahera en definierad uppsättning information ur ett dokument vars regler innehåller undantag. Tillhandahåll dokumentet och fälten du behöver, ange eventuella textavsnitt som har företräde och förklara hur ett saknat värde ska hanteras. En illustrativ begäran är att extrahera dokumentets ämne, villkoren som är relevanta för en begäran och nästa fråga som behövs för att slutföra den. Be om en förklaring av ett undantag tillsammans med de extraherade fälten så att resultatet kan jämföras med källan.\n\nFör visuellt material tillhandahåller du en tydlig sida eller skärmbild och anger den specifika detalj eller beteckning som uppgiften bygger på. För en uppgift där ett svar ska skrivas tillhandahåller du begäran, reglerna som styr svaret och fakta som måste bevaras. Definiera önskad ton och längd och be sedan om ett kortfattat svar snarare än en obegränsad diskussion. Dessa förberedelser knyter Lunas specialiserade roll till ett konkret textresultat.\n\nOpenAI anger ett kontextfönster på 1 050 000 token för GPT-5.6 Luna, högst 922 000 indatatoken och högst 128 000 utdatatoken, med kunskapsgräns den 16 februari 2026. Grundmodellens resonemangsnivåer är none, low, medium, high, xhigh och max; medium är standard. Läge och resonemangsnivå är oberoende: Pro avgör det ytterligare modellarbetet, medan resonemangsnivån styr mängden resonemang inom läget. Resonemang använder också kontextutrymme, så lämna plats för analysen och det synliga svaret.\n\nTillverkaren dokumenterar Pro i Responses API för svåra uppgifter som kan tillåta ytterligare fördröjning och modellarbete. Grundmodellen anger stöd för strömning, Structured Outputs, funktionsanrop, webb- och filsökning, bildindata och promptcache. Verktygsuppsättningen omfattar bildgenerering, kodtolkning, värdbaserade skal- och patchoperationer, färdigheter, datoranvändning, MCP-anslutningar och verktygssökning. Verktygsoperationer kräver motsvarande miljö; en applikation utför sina åtgärder och tillhandahåller faktiska resultat för fortsatt arbete.\n\nSpecificera en användbar slutleverans: obligatoriska fält, regeln som stöder ett beslut och eventuella frågor som fortfarande är öppna. Be till exempel om ett svarsutkast och de dokumentfakta det bygger på, och förfina sedan svaret efter att ha tillhandahållit saknad information. Håll skillnaden mellan en föreslagen åtgärd och en åtgärd som har slutförts av ett verktyg tydlig. Detta arbetsflöde ger Pros extra analys ett specifikt syfte inom en avgränsad Luna-uppgift.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "67cb7c74487e1c38aa728fce5d8def6721132641ce37dfbe30cd3ab11397efee", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/gpt-5.6-luna-pro:batchGPT-5.6 Luna med Pro-resonemang för avgränsade uppgifter som behöver ytterligare analys. Tillhandahåll text eller bilder och uttryckliga regler för att ta fram ett extraktionsresultat, ett kortfattat svar eller en förklaring av ett undantag.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GPT-5.6 Luna Pro betecknar OpenAI:s GPT-5.6 Luna med Pro-resonemang. Grundutgåvan Luna är utformad för avgränsade arbetsuppgifter i stora volymer och motsvarar ungefär nano-nivån i tidigare GPT-5-familjer. Den tar emot text och bilder och ger text som utdata. Pro innebär mer modellarbete för att ta fram det slutliga svaret; det är ett körläge snarare än en ersättning för grundutgåvan.
En praktisk användning är att extrahera en definierad uppsättning information ur ett dokument vars regler innehåller undantag. Tillhandahåll dokumentet och fälten du behöver, ange eventuella textavsnitt som har företräde och förklara hur ett saknat värde ska hanteras. En illustrativ begäran är att extrahera dokumentets ämne, villkoren som är relevanta för en begäran och nästa fråga som behövs för att slutföra den. Be om en förklaring av ett undantag tillsammans med de extraherade fälten så att resultatet kan jämföras med källan.
För visuellt material tillhandahåller du en tydlig sida eller skärmbild och anger den specifika detalj eller beteckning som uppgiften bygger på. För en uppgift där ett svar ska skrivas tillhandahåller du begäran, reglerna som styr svaret och fakta som måste bevaras. Definiera önskad ton och längd och be sedan om ett kortfattat svar snarare än en obegränsad diskussion. Dessa förberedelser knyter Lunas specialiserade roll till ett konkret textresultat.
OpenAI anger ett kontextfönster på 1 050 000 token för GPT-5.6 Luna, högst 922 000 indatatoken och högst 128 000 utdatatoken, med kunskapsgräns den 16 februari 2026. Grundmodellens resonemangsnivåer är none, low, medium, high, xhigh och max; medium är standard. Läge och resonemangsnivå är oberoende: Pro avgör det ytterligare modellarbetet, medan resonemangsnivån styr mängden resonemang inom läget. Resonemang använder också kontextutrymme, så lämna plats för analysen och det synliga svaret.
Tillverkaren dokumenterar Pro i Responses API för svåra uppgifter som kan tillåta ytterligare fördröjning och modellarbete. Grundmodellen anger stöd för strömning, Structured Outputs, funktionsanrop, webb- och filsökning, bildindata och promptcache. Verktygsuppsättningen omfattar bildgenerering, kodtolkning, värdbaserade skal- och patchoperationer, färdigheter, datoranvändning, MCP-anslutningar och verktygssökning. Verktygsoperationer kräver motsvarande miljö; en applikation utför sina åtgärder och tillhandahåller faktiska resultat för fortsatt arbete.
Specificera en användbar slutleverans: obligatoriska fält, regeln som stöder ett beslut och eventuella frågor som fortfarande är öppna. Be till exempel om ett svarsutkast och de dokumentfakta det bygger på, och förfina sedan svaret efter att ha tillhandahållit saknad information. Håll skillnaden mellan en föreslagen åtgärd och en åtgärd som har slutförts av ett verktyg tydlig. Detta arbetsflöde ger Pros extra analys ett specifikt syfte inom en avgränsad Luna-uppgift.
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-5.6-luna-pro: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-5.6-luna-pro:batch, openai/gpt-5.6-luna-pro | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00002 / 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 med272 000 | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 2 för förfrågans längd | Prislista— | Kontexttoken, fler än272 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0004 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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-5.6-luna-pro: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-5.6-luna-pro:batch', 'openai/gpt-5.6-luna-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/gpt-5.6-luna-pro: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-5.6-luna-pro:batch
Använd metodsökvägarna som visas ovan.