gpt-oss-120b är OpenAI:s större språkmodell med öppna vikter för generellt resonemang, programmering och agentarbete. Den tar emot och producerar text. Tillverkaren publicerar totalt 117 miljarder parametrar med 5.1 miljarder aktiva parametrar per token i en arkitektur med en blandning av experter. Detta är familjens 120b-utgåva, separat från gpt-oss-20b och de specialiserade Safeguard-modellerna.
Lanseringen beskriver ett huvudsakligen engelskspråkigt träningsmaterial med enbart text, inriktat på STEM, programmering och allmänkunskap. En exempeluppgift är att analysera en algoritm utifrån dess kod och angivna villkor: förklara viktiga samband, jämför möjliga tillvägagångssätt och ta fram ett konkret implementationsförslag. För ett dokumentbaserat beslut ska du lämna materialet och kriterierna och sedan be om en slutsats kopplad till det underlag du tillhandahållit.
OpenAI:s publicerade arkitektur har 36 lager, 128 experter och fyra aktiva experter per token. Den ursprungliga utgåvan använder MXFP4 för vikterna i expertblandningen och beskriver modellen som körbar inom en GPU med 80 GB minne. OpenAI ger ut vikterna under Apache 2.0 och stöder finjustering för specialiserade användningsfall. Detta är egenskaper hos tillverkarens publicerade modell och format, inte en beskrivning av en applikations specifika driftsättning.
Modelldokumentationen anger ett kontextfönster på 131 072 token och en maximal genererad utdata på 131 072 token, med en kunskapsgräns den 1 juni 2024. Indata, resonemang och utdata måste rymmas i den tillgängliga kontexten. De stödda resonemangsnivåerna är low, medium och high, vilket låter en uppgift begära ett kort dialogsvar eller en djupare analys. OpenAI kräver Harmony-formatet, som skiljer intern analys från slutsvaret; tillverkaren anger att obearbetad analys är avsedd för utvecklarbruk, inte för direkt visning för slutanvändare.
Tillverkaren dokumenterar funktionsanrop, webbläsning, körning av Python-kod via verktyg och Structured Outputs. Modellbeskrivningen anger också strömning, med funktioner, kodtolk, MCP och sökfunktioner i den dokumenterade verktygsmiljön. Applikationer tillhandahåller operationer, utför sina åtgärder och returnerar faktiska resultat. En beräkning eller sökning kan sedan bli underlag för ett annat resonemangssteg, medan en föreslagen verktygsbegäran förblir åtskild från en operation som har körts.
Förbered ett tydligt mål, definitioner och den användbara slutliga artefakten: en förklaring, ett kodförslag, en formel eller en strukturerad uppsättning iakttagelser. Identifiera vilka fakta som måste bevaras genom en omvandling och hur saknad information ska representeras. Ett användbart slutsvar kopplar slutsatsen till de tillhandahållna villkoren och eventuella faktiska verktygsresultat. Vid en uppföljning ska du föra vidare det betydelsefulla underlaget och det beslut som återstår att fatta till nästa begäran.
", "aboutText": "gpt-oss-120b är OpenAI:s större språkmodell med öppna vikter för generellt resonemang, programmering och agentarbete. Den tar emot och producerar text. Tillverkaren publicerar totalt 117 miljarder parametrar med 5.1 miljarder aktiva parametrar per token i en arkitektur med en blandning av experter. Detta är familjens 120b-utgåva, separat från gpt-oss-20b och de specialiserade Safeguard-modellerna.\n\nLanseringen beskriver ett huvudsakligen engelskspråkigt träningsmaterial med enbart text, inriktat på STEM, programmering och allmänkunskap. En exempeluppgift är att analysera en algoritm utifrån dess kod och angivna villkor: förklara viktiga samband, jämför möjliga tillvägagångssätt och ta fram ett konkret implementationsförslag. För ett dokumentbaserat beslut ska du lämna materialet och kriterierna och sedan be om en slutsats kopplad till det underlag du tillhandahållit.\n\nOpenAI:s publicerade arkitektur har 36 lager, 128 experter och fyra aktiva experter per token. Den ursprungliga utgåvan använder MXFP4 för vikterna i expertblandningen och beskriver modellen som körbar inom en GPU med 80 GB minne. OpenAI ger ut vikterna under Apache 2.0 och stöder finjustering för specialiserade användningsfall. Detta är egenskaper hos tillverkarens publicerade modell och format, inte en beskrivning av en applikations specifika driftsättning.\n\nModelldokumentationen anger ett kontextfönster på 131 072 token och en maximal genererad utdata på 131 072 token, med en kunskapsgräns den 1 juni 2024. Indata, resonemang och utdata måste rymmas i den tillgängliga kontexten. De stödda resonemangsnivåerna är low, medium och high, vilket låter en uppgift begära ett kort dialogsvar eller en djupare analys. OpenAI kräver Harmony-formatet, som skiljer intern analys från slutsvaret; tillverkaren anger att obearbetad analys är avsedd för utvecklarbruk, inte för direkt visning för slutanvändare.\n\nTillverkaren dokumenterar funktionsanrop, webbläsning, körning av Python-kod via verktyg och Structured Outputs. Modellbeskrivningen anger också strömning, med funktioner, kodtolk, MCP och sökfunktioner i den dokumenterade verktygsmiljön. Applikationer tillhandahåller operationer, utför sina åtgärder och returnerar faktiska resultat. En beräkning eller sökning kan sedan bli underlag för ett annat resonemangssteg, medan en föreslagen verktygsbegäran förblir åtskild från en operation som har körts.\n\nFörbered ett tydligt mål, definitioner och den användbara slutliga artefakten: en förklaring, ett kodförslag, en formel eller en strukturerad uppsättning iakttagelser. Identifiera vilka fakta som måste bevaras genom en omvandling och hur saknad information ska representeras. Ett användbart slutsvar kopplar slutsatsen till de tillhandahållna villkoren och eventuella faktiska verktygsresultat. Vid en uppföljning ska du föra vidare det betydelsefulla underlaget och det beslut som återstår att fatta till nästa begäran.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.gpt-oss-120bOpenAI:s större gpt-oss-modell med öppna vikter använder resonemang med en blandning av experter för text, programmering och agentarbete. Den stöder resonemangsnivåerna låg, medel och hög, funktionsanrop och Structured Outputs i en miljö med anslutna verktyg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
gpt-oss-120b är OpenAI:s större språkmodell med öppna vikter för generellt resonemang, programmering och agentarbete. Den tar emot och producerar text. Tillverkaren publicerar totalt 117 miljarder parametrar med 5.1 miljarder aktiva parametrar per token i en arkitektur med en blandning av experter. Detta är familjens 120b-utgåva, separat från gpt-oss-20b och de specialiserade Safeguard-modellerna.
Lanseringen beskriver ett huvudsakligen engelskspråkigt träningsmaterial med enbart text, inriktat på STEM, programmering och allmänkunskap. En exempeluppgift är att analysera en algoritm utifrån dess kod och angivna villkor: förklara viktiga samband, jämför möjliga tillvägagångssätt och ta fram ett konkret implementationsförslag. För ett dokumentbaserat beslut ska du lämna materialet och kriterierna och sedan be om en slutsats kopplad till det underlag du tillhandahållit.
OpenAI:s publicerade arkitektur har 36 lager, 128 experter och fyra aktiva experter per token. Den ursprungliga utgåvan använder MXFP4 för vikterna i expertblandningen och beskriver modellen som körbar inom en GPU med 80 GB minne. OpenAI ger ut vikterna under Apache 2.0 och stöder finjustering för specialiserade användningsfall. Detta är egenskaper hos tillverkarens publicerade modell och format, inte en beskrivning av en applikations specifika driftsättning.
Modelldokumentationen anger ett kontextfönster på 131 072 token och en maximal genererad utdata på 131 072 token, med en kunskapsgräns den 1 juni 2024. Indata, resonemang och utdata måste rymmas i den tillgängliga kontexten. De stödda resonemangsnivåerna är low, medium och high, vilket låter en uppgift begära ett kort dialogsvar eller en djupare analys. OpenAI kräver Harmony-formatet, som skiljer intern analys från slutsvaret; tillverkaren anger att obearbetad analys är avsedd för utvecklarbruk, inte för direkt visning för slutanvändare.
Tillverkaren dokumenterar funktionsanrop, webbläsning, körning av Python-kod via verktyg och Structured Outputs. Modellbeskrivningen anger också strömning, med funktioner, kodtolk, MCP och sökfunktioner i den dokumenterade verktygsmiljön. Applikationer tillhandahåller operationer, utför sina åtgärder och returnerar faktiska resultat. En beräkning eller sökning kan sedan bli underlag för ett annat resonemangssteg, medan en föreslagen verktygsbegäran förblir åtskild från en operation som har körts.
Förbered ett tydligt mål, definitioner och den användbara slutliga artefakten: en förklaring, ett kodförslag, en formel eller en strukturerad uppsättning iakttagelser. Identifiera vilka fakta som måste bevaras genom en omvandling och hur saknad information ska representeras. Ett användbart slutsvar kopplar slutsatsen till de tillhandahållna villkoren och eventuella faktiska verktygsresultat. Vid en uppföljning ska du föra vidare det betydelsefulla underlaget och det beslut som återstår att fatta till nästa begäran.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gpt-oss-120b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
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 |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00015 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00015 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gpt-oss-120b","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gpt-oss-120b", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
gpt-oss-120bOpenAI:s större gpt-oss-modell med öppna vikter använder resonemang med en blandning av experter för text, programmering och agentarbete. Den stöder resonemangsnivåerna låg, medel och hög, funktionsanrop och Structured Outputs i en miljö med anslutna verktyg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
gpt-oss-120b är OpenAI:s större språkmodell med öppna vikter för generellt resonemang, programmering och agentarbete. Den tar emot och producerar text. Tillverkaren publicerar totalt 117 miljarder parametrar med 5.1 miljarder aktiva parametrar per token i en arkitektur med en blandning av experter. Detta är familjens 120b-utgåva, separat från gpt-oss-20b och de specialiserade Safeguard-modellerna.
Lanseringen beskriver ett huvudsakligen engelskspråkigt träningsmaterial med enbart text, inriktat på STEM, programmering och allmänkunskap. En exempeluppgift är att analysera en algoritm utifrån dess kod och angivna villkor: förklara viktiga samband, jämför möjliga tillvägagångssätt och ta fram ett konkret implementationsförslag. För ett dokumentbaserat beslut ska du lämna materialet och kriterierna och sedan be om en slutsats kopplad till det underlag du tillhandahållit.
OpenAI:s publicerade arkitektur har 36 lager, 128 experter och fyra aktiva experter per token. Den ursprungliga utgåvan använder MXFP4 för vikterna i expertblandningen och beskriver modellen som körbar inom en GPU med 80 GB minne. OpenAI ger ut vikterna under Apache 2.0 och stöder finjustering för specialiserade användningsfall. Detta är egenskaper hos tillverkarens publicerade modell och format, inte en beskrivning av en applikations specifika driftsättning.
Modelldokumentationen anger ett kontextfönster på 131 072 token och en maximal genererad utdata på 131 072 token, med en kunskapsgräns den 1 juni 2024. Indata, resonemang och utdata måste rymmas i den tillgängliga kontexten. De stödda resonemangsnivåerna är low, medium och high, vilket låter en uppgift begära ett kort dialogsvar eller en djupare analys. OpenAI kräver Harmony-formatet, som skiljer intern analys från slutsvaret; tillverkaren anger att obearbetad analys är avsedd för utvecklarbruk, inte för direkt visning för slutanvändare.
Tillverkaren dokumenterar funktionsanrop, webbläsning, körning av Python-kod via verktyg och Structured Outputs. Modellbeskrivningen anger också strömning, med funktioner, kodtolk, MCP och sökfunktioner i den dokumenterade verktygsmiljön. Applikationer tillhandahåller operationer, utför sina åtgärder och returnerar faktiska resultat. En beräkning eller sökning kan sedan bli underlag för ett annat resonemangssteg, medan en föreslagen verktygsbegäran förblir åtskild från en operation som har körts.
Förbered ett tydligt mål, definitioner och den användbara slutliga artefakten: en förklaring, ett kodförslag, en formel eller en strukturerad uppsättning iakttagelser. Identifiera vilka fakta som måste bevaras genom en omvandling och hur saknad information ska representeras. Ett användbart slutsvar kopplar slutsatsen till de tillhandahållna villkoren och eventuella faktiska verktygsresultat. Vid en uppföljning ska du föra vidare det betydelsefulla underlaget och det beslut som återstår att fatta till nästa begäran.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gpt-oss-120b | 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00015 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00015 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gpt-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bOpenAI:s större gpt-oss-modell med öppna vikter använder resonemang med en blandning av experter för text, programmering och agentarbete. Den stöder resonemangsnivåerna låg, medel och hög, funktionsanrop och Structured Outputs i en miljö med anslutna verktyg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
gpt-oss-120b är OpenAI:s större språkmodell med öppna vikter för generellt resonemang, programmering och agentarbete. Den tar emot och producerar text. Tillverkaren publicerar totalt 117 miljarder parametrar med 5.1 miljarder aktiva parametrar per token i en arkitektur med en blandning av experter. Detta är familjens 120b-utgåva, separat från gpt-oss-20b och de specialiserade Safeguard-modellerna.
Lanseringen beskriver ett huvudsakligen engelskspråkigt träningsmaterial med enbart text, inriktat på STEM, programmering och allmänkunskap. En exempeluppgift är att analysera en algoritm utifrån dess kod och angivna villkor: förklara viktiga samband, jämför möjliga tillvägagångssätt och ta fram ett konkret implementationsförslag. För ett dokumentbaserat beslut ska du lämna materialet och kriterierna och sedan be om en slutsats kopplad till det underlag du tillhandahållit.
OpenAI:s publicerade arkitektur har 36 lager, 128 experter och fyra aktiva experter per token. Den ursprungliga utgåvan använder MXFP4 för vikterna i expertblandningen och beskriver modellen som körbar inom en GPU med 80 GB minne. OpenAI ger ut vikterna under Apache 2.0 och stöder finjustering för specialiserade användningsfall. Detta är egenskaper hos tillverkarens publicerade modell och format, inte en beskrivning av en applikations specifika driftsättning.
Modelldokumentationen anger ett kontextfönster på 131 072 token och en maximal genererad utdata på 131 072 token, med en kunskapsgräns den 1 juni 2024. Indata, resonemang och utdata måste rymmas i den tillgängliga kontexten. De stödda resonemangsnivåerna är low, medium och high, vilket låter en uppgift begära ett kort dialogsvar eller en djupare analys. OpenAI kräver Harmony-formatet, som skiljer intern analys från slutsvaret; tillverkaren anger att obearbetad analys är avsedd för utvecklarbruk, inte för direkt visning för slutanvändare.
Tillverkaren dokumenterar funktionsanrop, webbläsning, körning av Python-kod via verktyg och Structured Outputs. Modellbeskrivningen anger också strömning, med funktioner, kodtolk, MCP och sökfunktioner i den dokumenterade verktygsmiljön. Applikationer tillhandahåller operationer, utför sina åtgärder och returnerar faktiska resultat. En beräkning eller sökning kan sedan bli underlag för ett annat resonemangssteg, medan en föreslagen verktygsbegäran förblir åtskild från en operation som har körts.
Förbered ett tydligt mål, definitioner och den användbara slutliga artefakten: en förklaring, ett kodförslag, en formel eller en strukturerad uppsättning iakttagelser. Identifiera vilka fakta som måste bevaras genom en omvandling och hur saknad information ska representeras. Ett användbart slutsvar kopplar slutsatsen till de tillhandahållna villkoren och eventuella faktiska verktygsresultat. Vid en uppföljning ska du föra vidare det betydelsefulla underlaget och det beslut som återstår att fatta till nästa begäran.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/gpt-oss-120b | 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00015 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00015 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/gpt-oss-120b", "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-oss-120b',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-oss-120b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
openai/gpt-oss-120bOpenAI:s större gpt-oss-modell med öppna vikter använder resonemang med en blandning av experter för text, programmering och agentarbete. Den stöder resonemangsnivåerna låg, medel och hög, funktionsanrop och Structured Outputs i en miljö med anslutna verktyg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
gpt-oss-120b är OpenAI:s större språkmodell med öppna vikter för generellt resonemang, programmering och agentarbete. Den tar emot och producerar text. Tillverkaren publicerar totalt 117 miljarder parametrar med 5.1 miljarder aktiva parametrar per token i en arkitektur med en blandning av experter. Detta är familjens 120b-utgåva, separat från gpt-oss-20b och de specialiserade Safeguard-modellerna.
Lanseringen beskriver ett huvudsakligen engelskspråkigt träningsmaterial med enbart text, inriktat på STEM, programmering och allmänkunskap. En exempeluppgift är att analysera en algoritm utifrån dess kod och angivna villkor: förklara viktiga samband, jämför möjliga tillvägagångssätt och ta fram ett konkret implementationsförslag. För ett dokumentbaserat beslut ska du lämna materialet och kriterierna och sedan be om en slutsats kopplad till det underlag du tillhandahållit.
OpenAI:s publicerade arkitektur har 36 lager, 128 experter och fyra aktiva experter per token. Den ursprungliga utgåvan använder MXFP4 för vikterna i expertblandningen och beskriver modellen som körbar inom en GPU med 80 GB minne. OpenAI ger ut vikterna under Apache 2.0 och stöder finjustering för specialiserade användningsfall. Detta är egenskaper hos tillverkarens publicerade modell och format, inte en beskrivning av en applikations specifika driftsättning.
Modelldokumentationen anger ett kontextfönster på 131 072 token och en maximal genererad utdata på 131 072 token, med en kunskapsgräns den 1 juni 2024. Indata, resonemang och utdata måste rymmas i den tillgängliga kontexten. De stödda resonemangsnivåerna är low, medium och high, vilket låter en uppgift begära ett kort dialogsvar eller en djupare analys. OpenAI kräver Harmony-formatet, som skiljer intern analys från slutsvaret; tillverkaren anger att obearbetad analys är avsedd för utvecklarbruk, inte för direkt visning för slutanvändare.
Tillverkaren dokumenterar funktionsanrop, webbläsning, körning av Python-kod via verktyg och Structured Outputs. Modellbeskrivningen anger också strömning, med funktioner, kodtolk, MCP och sökfunktioner i den dokumenterade verktygsmiljön. Applikationer tillhandahåller operationer, utför sina åtgärder och returnerar faktiska resultat. En beräkning eller sökning kan sedan bli underlag för ett annat resonemangssteg, medan en föreslagen verktygsbegäran förblir åtskild från en operation som har körts.
Förbered ett tydligt mål, definitioner och den användbara slutliga artefakten: en förklaring, ett kodförslag, en formel eller en strukturerad uppsättning iakttagelser. Identifiera vilka fakta som måste bevaras genom en omvandling och hur saknad information ska representeras. Ett användbart slutsvar kopplar slutsatsen till de tillhandahållna villkoren och eventuella faktiska verktygsresultat. Vid en uppföljning ska du föra vidare det betydelsefulla underlaget och det beslut som återstår att fatta till nästa begäran.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/gpt-oss-120b | 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00015 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00015 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "openai/gpt-oss-120b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-oss-120b', '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-oss-120b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra gpt-oss-120b, openai/gpt-oss-120b
/chat/completions
Tekniskt exempel på engelska
Find a counterexample to a search loop\n\nThis Python search returns the index of a target in sorted values: def find(values, target):\n lo, hi = 0, len(values) - 1\n while lo < hi:\n mid = (lo + hi) // 2\n if values[mid] < target: lo = mid + 1\n else: hi = mid\n return lo\nExplain why absent targets are mishandled and propose a correction preserving an index-or-None contract.A concrete absent-target example and corrected Python function with the stated return contract.An insertion position must not be returned as a found match when the target is absent.