Demande et utilisation de l’API OpenAI Responses

OpenAI a récemment fourni une interface pour créer des réponses de modèle. Fournissez des entrées textuelles ou d’images pour générer des sorties textuelles ou d’images. Permettez au modèle d’appeler votre propre code personnalisé ou d’utiliser des outils intégrés, tels que la recherche web ou la recherche de fichiers, afin d’utiliser vos propres données comme entrées pour les réponses du modèle. Ce document présente principalement le processus d’utilisation des opérations de l’API OpenAI Responses ; grâce à elle, nous pouvons facilement utiliser la fonctionnalité officielle OpenAI de création de réponses de modèle.

GPT-6.1 Sol

Utilisez model: "gpt-6.1-sol" pour sélectionner ce modèle. Il prend en charge la sortie en streaming, l’appel de fonctions, la sortie structurée et l’entrée d’images. Pendant la première semaine d’ouverture, il est uniquement accessible aux détenteurs ACE T1+ vérifiés (au moins 100 000 ACE) ou aux utilisateurs autorisés ; l’heure d’ouverture exacte dépend de l’invite d’accès de la console. Les niveaux de raisonnement pris en charge sont low, medium, high, xhigh et max ; none et minimal ne sont pas encore pris en charge. Il est recommandé de commencer avec reasoning: {"effort": "low"}. Lorsque l’entrée dépasse 272 000 tokens, le prix du contexte long s’applique à l’ensemble de la requête ; les frais dépendent du prix actuel de la console.

Processus de demande

Pour utiliser l’API OpenAI Responses, rendez-vous d’abord sur la console Ace Data Cloud pour obtenir votre API Token, à conserver en réserve.

Si vous n’êtes pas encore connecté ou inscrit, vous serez automatiquement redirigé vers la page de connexion afin de vous inviter à vous inscrire et à vous connecter ; une fois terminé, vous reviendrez automatiquement sur la page actuelle. Un seul API Token permet d’appeler tous les services de la plateforme, il n’est pas nécessaire de faire une demande séparée pour chaque service. Une première demande offre un quota gratuit pour une expérience gratuite ; lorsque le quota est insuffisant, vous pouvez recharger le solde universel dans la console.

📘 Documentation complète : OpenAI Responses API →

Utilisation de base

Vous pouvez ensuite remplir le contenu correspondant dans l’interface, comme illustré ci-dessous :

Lors de la première utilisation de cette interface, nous devons au minimum remplir trois éléments : l’un est authorization, qui peut être directement sélectionné dans la liste déroulante. Un autre paramètre est model, model correspond à la catégorie de modèle du site officiel OpenAI ChatGPT que nous choisissons d’utiliser ; nous disposons ici principalement de 20 modèles, pour les détails vous pouvez consulter les modèles que nous fournissons. Le dernier paramètre est input, input est le tableau de prompts que nous saisissons ; c’est un tableau, ce qui indique que plusieurs prompts peuvent être téléversés simultanément. Chaque prompt contient role et content, où role indique le rôle de l’auteur de la question ; nous fournissons trois identités : user, assistant, system. L’autre champ, content, est le contenu spécifique de notre question. En même temps, vous pouvez remarquer que le code d’appel correspondant est généré sur la droite ; vous pouvez copier le code et l’exécuter directement, ou cliquer directement sur le bouton « Try » pour effectuer un test. Paramètres optionnels couramment utilisés :

max_tokens : limite le nombre maximal de tokens pour une seule réponse.
temperature : aléa de génération, entre 0 et 2 ; plus la valeur est grande, plus le résultat est diversifié.
n : nombre de réponses candidates générées à la fois.
response_format : paramètre du format de retour.
tools : définition des appels de fonctions/outils.
background : indique s’il faut exécuter de manière asynchrone en arrière-plan.

Après l’appel, nous constatons que le résultat retourné est le suivant :

{
  "id": "resp_68a98322e3c88191a027de2711a02a490554cad0b36c0400",
  "object": "response",
  "created_at": 1755939618,
  "status": "completed",
  "background": false,
  "content_filters": null,
  "error": null,
  "incomplete_details": null,
  "instructions": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "model": "gpt-5.5",
  "output": [
    {
      "id": "msg_68a98323422c8191a7f383eea48ba5160554cad0b36c0400",
      "type": "message",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "annotations": [],
          "text": "Hello! How can I assist you today?"
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 8,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 10,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 18
  },
  "user": null,
  "metadata": {}
}

Le résultat retourné comporte plusieurs champs, présentés comme suit :

id, l’ID généré pour cette tâche de conversation, utilisé pour identifier de manière unique cette tâche de conversation.
model , le modèle du site officiel OpenAI ChatGPT sélectionné.
output, les informations de réponse fournies par ChatGPT pour le prompt.
usage : les informations statistiques sur les tokens pour cette session de questions-réponses.

Parmi eux, output contient les informations de réponse de ChatGPT ; son output est ChatGPT, comme vous pouvez le constater dans l’image ci-dessous.

Vous pouvez voir que le champ content dans output contient le contenu spécifique de la réponse de ChatGPT.

Réponse en streaming

Cette interface prend également en charge les réponses en streaming, ce qui est très utile pour l’intégration web et permet à une page web de réaliser un effet d’affichage caractère par caractère. Si vous souhaitez retourner une réponse en streaming, vous pouvez modifier le paramètre stream dans l’en-tête de la requête en true. La modification est illustrée ci-dessous, mais le code d’appel doit être modifié en conséquence pour prendre en charge la réponse en streaming.

Après avoir modifié stream en true, l’API retournera les données JSON correspondantes ligne par ligne ; au niveau du code, nous devons effectuer les modifications correspondantes afin d’obtenir les résultats ligne par ligne. Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/openai/responses"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4.1",
    "input": [{"role":"user","content":"Hello"}],
    "stream": True
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

L’effet de sortie est le suivant :

data: {"type": "response.created", "sequence_number": 0, "response":
{"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "in_progress", "background": false, "content_filters": null, "error": null, "incomplete_details": null, "instructions": null, "max_output_tokens": null, "max_tool_calls": null, "model": "gpt-4.1-data", "output": [], "parallel_tool_calls": true, "previous_response_id": null, "prompt_cache_key": null, "reasoning": {"effort": null, "summary": null}, "safety_identifier": null, "service_tier": "auto", "store": true, "temperature": 1.0, "text": {"format": {"type": "text"}}, "tool_choice": "auto", "tools": [], "top_p": 1.0, "truncation": "disabled", "usage": null, "user": null, "metadata": {}}, "model": "gpt-4.1"} 

data: {"type": "response.in_progress", "sequence_number": 1, "response": {"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "in_progress", "background": false, "content_filters": null, "error": null, "incomplete_details": null, "instructions": null, "max_output_tokens": null, "max_tool_calls": null, "model": "gpt-4.1-data", "output": [], "parallel_tool_calls": true, "previous_response_id": null, "prompt_cache_key": null, "reasoning": {"effort": null, "summary": null}, "safety_identifier": null, "service_tier": "auto", "store": true, "temperature": 1.0, "text": {"format": {"type": "text"}}, "tool_choice": "auto", "tools": [], "top_p": 1.0, "truncation": "disabled", "usage": null, "user": null, "metadata": {}}, "model": "gpt-4.1"} 

data: {"type": "response.output_item.added", "sequence_number": 2, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "in_progress", "content": [], "role": "assistant"}, "model": "gpt-4.1"} 

data: {"type": "response.content_part.added", "sequence_number": 3, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "part": {"type": "output_text", "annotations": [], "text": ""}, "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 4, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": "Bonjour", "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 5, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " !", "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 6, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " Comment", "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 7, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " puis-je", "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 8, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " vous", "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 9, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " aider", "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 10, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " aujourd’hui", "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 11, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " ?", "model": "gpt-4.1"} 

data: {"type": "response.output_text.delta", "sequence_number": 12, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " 😊", "model": "gpt-4.1"} 

data: {"type": "response.output_text.done", "sequence_number": 14, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "text": "Bonjour ! Comment puis-je vous aider aujourd’hui ? 😊", "model": "gpt-4.1"} 

data: {"type": "response.content_part.done", "sequence_number": 15, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "part": {"type": "output_text", "annotations": [], "text": "Bonjour ! Comment puis-je vous aider aujourd’hui ? 😊"}, "model": "gpt-4.1"} 

data: {"type": "response.output_item.done", "sequence_number": 16, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "completed", "content": [{"type": "output_text", "annotations": [], "text": "Bonjour ! Comment puis-je vous aider aujourd’hui ? 😊"}], "role": "assistant"}, "model": "gpt-4.1"} 

data: {"type": "response.completed", "sequence_number": 17, "response":
{"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "completed", "background": false, "content_filters": null, "error": null, "incomplete_details": null, "instructions": null, "max_output_tokens": null, "max_tool_calls": null, "model": "gpt-4.1-data", "output": [{"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "completed", "content": [{"type": "output_text", "annotations": [], "text": "Bonjour ! Comment puis-je vous aider aujourd’hui ? 😊"}], "role": "assistant"}], "parallel_tool_calls": true, "previous_response_id": null, "prompt_cache_key": null, "reasoning": {"effort": null, "summary": null}, "safety_identifier": null, "service_tier": "default", "store": true, "temperature": 1.0, "text": {"format": {"type": "text"}}, "tool_choice": "auto", "tools": [], "top_p": 1.0, "truncation": "disabled", "usage": {"input_tokens": 8, "input_tokens_details": {"cached_tokens": 0}, "output_tokens": 11, "output_tokens_details": {"reasoning_tokens": 0}, "total_tokens": 19}, "user": null, "metadata": {}}, "model": "gpt-4.1"}

Vous pouvez voir qu’il y a de nombreuses data dans la réponse, et que le delta dans data correspond au contenu de réponse le plus récent, ce qui est cohérent avec le contenu présenté ci-dessus. delta est le contenu de réponse ajouté, vous pouvez l’intégrer à votre système selon le résultat. La réponse en streaming utilise response.completed ou response.incomplete comme état final ; le usage dans l’état final est l’utilisation finale de tokens pour cette requête, et constitue également la base de facturation. Si le client se déconnecte avant l’arrivée de l’état final, cette requête est enregistrée comme fermée par le client (499), et la facturation ne sera pas basée sur une estimation locale des tokens ; si la connexion se termine normalement mais que l’état final et le usage final ne sont pas reçus, cette requête est enregistrée comme réponse incomplète (502), et la facturation ne sera pas non plus basée sur une estimation des tokens. Lorsque vous rencontrez ces deux situations, veuillez lancer à nouveau la requête. Le résultat data retourné contient plusieurs champs, présentés comme suit :

item_id, l’ID de la tâche de dialogue générée cette fois-ci, utilisé pour identifier de manière unique cette tâche de dialogue.
type, le type de la tâche Responses de dialogue générée cette fois-ci.
model , le modèle du site officiel OpenAI ChatGPT sélectionné.
delta, les informations de réponse fournies par ChatGPT pour la question.

JavaScript est également pris en charge, par exemple le code d’appel en streaming de Node.js est le suivant :

const options = {
  method: "post",
  headers: {
    accept: "application/json",
    authorization: "Bearer b82d32f570bc434d9ba9923aa0e7dce0",
    "content-type": "application/json",
  },
  body: JSON.stringify({
    model: "gpt-4.1",
    input: [{ role: "user", content: "Hello" }],
    stream: true,
  }),
};

fetch("https://api.acedata.cloud/openai/responses", options)
  .then((response) => response.json())
  .then((response) => console.log(response))
  .catch((err) => console.error(err));

Exemple de code Java :

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gpt-4.1");
jsonObject.put("input", [{"role":"user","content":"Hello"}]);
jsonObject.put("stream", true);
MediaType mediaType = "application/json; charset=utf-8".toMediaType();
RequestBody body = jsonObject.toString().toRequestBody(mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/openai/responses")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer b82d32f570bc434d9ba9923aa0e7dce0")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.print(response.body!!.string())

Les autres langages peuvent être adaptés séparément, le principe est le même.

Dialogue à plusieurs tours

Si vous souhaitez intégrer une fonctionnalité de dialogue à plusieurs tours, vous devez envoyer plusieurs questions dans le champ input, des exemples précis de plusieurs questions sont présentés dans l’image ci-dessous :

Exemple de code d’appel Python :

import requests

url = "https://api.acedata.cloud/openai/responses"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4.1",
    "input": [{"role":"user","content":"Hello"},{"role":"assistant","content":"Hello! How can I help you today? 😊"},{"role":"user","content":"What did I just say?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

En envoyant plusieurs questions, vous pouvez facilement réaliser un dialogue à plusieurs tours et obtenir la réponse suivante :

{
  "id": "resp_68a989c03c508191a1dd82ce2e37e88a0932a4328c0a5d5b",
  "object": "response",
  "created_at": 1755941312,
  "status": "completed",
  "background": false,
  "content_filters": null,
  "error": null,
  "incomplete_details": null,
  "instructions": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "model": "gpt-4.1",
  "output": [
    {
      "id": "msg_68a989c092e4819189821a9eb8247e1e0932a4328c0a5d5b",
      "type": "message",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "annotations": [],
          "text": "You just said \"Hello.\" \n\nWould you like to continue the conversation or ask a question?"
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 32,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 20,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 52
  },
  "user": null,
  "metadata": {}
}

Vous pouvez voir que les informations contenues dans output sont cohérentes avec le contenu de l’utilisation de base ; cela inclut le contenu spécifique des réponses de ChatGPT à plusieurs dialogues, ce qui permet ainsi de répondre aux questions correspondantes en fonction de plusieurs contenus de dialogue.

Modèle de vision

gpt-4o est un grand modèle de langage multimodal développé par OpenAI, qui ajoute des capacités de compréhension visuelle sur la base de GPT-4. Ce modèle peut traiter simultanément des entrées de texte et d’image, permettant une compréhension et une génération multimodales. Le traitement de texte utilisant le modèle gpt-4o est cohérent avec le contenu d’utilisation de base ci-dessus. Ci-dessous, nous présenterons brièvement comment utiliser les capacités de traitement d’images du modèle. L’utilisation des capacités de traitement d’images du modèle gpt-4o consiste principalement à ajouter un champ type au contenu content d’origine. Ce champ permet de savoir si ce qui est téléversé est du texte ou une image, afin d’utiliser les capacités de traitement d’images du modèle gpt-4o. Ci-dessous, nous expliquons principalement comment appeler cette fonctionnalité de deux manières : Curl et Python.

Méthode par script Curl

curl -X POST 'https://api.acedata.cloud/openai/responses' \
-H 'accept: application/json' \
-H 'authorization: Bearer {token}' \
-H 'content-type: application/json' \
-d '{
    "model": "gpt-4.1",
    "input": [
      {
        "role": "user",
        "content": [
          {"type": "input_text", "text": "what is in this image?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }'

Méthode par script Python

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4.1",
    "input": [
      {
        "role": "user",
        "content": [
          {"type": "input_text", "text": "what is in this image?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Vous pouvez ensuite obtenir le résultat suivant. Les informations des champs dans le résultat sont cohérentes avec celles ci-dessus, comme suit :

{
  "id": "resp_68a98c1bb784819e9b9f622007a2d37602483949012d2193",
  "object": "response",
  "created_at": 1755941915,
  "status": "completed",
  "background": false,
  "content_filters": null,
  "error": null,
  "incomplete_details": null,
  "instructions": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "model": "gpt-4.1",
  "output": [
    {
      "id": "msg_68a98c1dd030819e97fb71e6ee33f5a902483949012d2193",
      "type": "message",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "annotations": [],
          "text": "This image shows a scenic path, possibly a boardwalk, running through a lush green field or meadow. The sky above is bright blue with some white clouds, and there are green trees and bushes in the background. It looks like a peaceful nature scene, possibly in a park, wetland, or prairie area. The image conveys a sense of tranquility and natural beauty."
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 1118,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 75,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 1193
  },
  "user": null,
  "metadata": {}
}

On peut voir que le contenu de la réponse est basé sur l’image. Ainsi, grâce aux deux méthodes ci-dessus, il est possible d’utiliser facilement les capacités de traitement de texte et d’images du modèle gpt-4.1. Outre gpt-4.1, il existe également un modèle à moindre coût appelé gpt-4o-mini. gpt-4o-mini est la dernière génération de grand modèle de langage développée par OpenAI. Non seulement il répond rapidement, mais son prix est également moins élevé, et il prend aussi en charge le multimodal. Pour l’utilisation de la fonctionnalité vision, vous pouvez vous référer au contenu ci-dessus sur l’utilisation du modèle gpt-4.1.

Création d’un modèle de traitement de fichiers

Exemple de requête :

{
  "model": "gpt-4.1",
  "input": [
    {
      "role": "user",
      "content": [
        { "type": "input_text", "text": "what is in this file?" },
        {
          "type": "input_file",
          "file_url": "https://cdn.acedata.cloud/assets/examples/fish/64adc04b-c196-4a0f-9070-222ba101ce6c-fc50de38c165.wav"
        }
      ]
    }
  ]
}

Exemple de résultat :

{
  "id": "resp_68a98d7bb57c819ba25424f5f50a29a300a1af2af822e88a",
  "object": "response",
  "created_at": 1755942267,
  "status": "completed",
  "background": false,
  "content_filters": null,
  "error": null,
  "incomplete_details": null,
  "instructions": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "model": "gpt-4.1",
  "output": [
    {
      "id": "msg_68a98d7d9b80819b9b0f09b7bcd00bf900a1af2af822e88a",
      "type": "message",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "annotations": [],
          "text": "The file you posted contains the **2024 annual letter to shareholders from Berkshire Hathaway Inc.**, written by Warren E. Buffett, Chairman of the Board. This document is a comprehensive communication that is typically included in Berkshire's annual report to shareholders.\n\n### What's Inside the File:\n\n#### 1. **Chairman's Letter to Shareholders**\n   - **Introduction & Philosophy:** Warren Buffett discusses the purpose of the annual report, Berkshire Hathaway’s communication style, and his philosophy for transparency and candid discussion of both successes and failures.\n   - **Discussion of Mistakes:** He talks openly about the mistakes made in capital allocation and personnel decisions, emphasizing the importance of admitting errors and acting promptly to correct them.\n   - **Succession Comments:** Buffett references his eventual retirement, and that Greg Abel will succeed him as CEO and writer of these letters.\n   - **Anecdotal Story:** The story of Pete Liegl, founder of Forest River (an RV manufacturer acquired by Berkshire), is told to illustrate management philosophy and business decision-making.\n\n#### 2. **2024 Business and Financial Performance**\n   - **Key Results:** Summary of how Berkshire performed financially in 2024 vs. 2023, including operating earnings breakdown by business segments such as insurance, BNSF railroad, and energy.\n   - **Insurance Business:** GEICO and the property-casualty insurance division had a standout year, with commentary on the industry and how Berkshire approaches insurance risk, pricing, and investment of insurance \"float.\"\n   - **Investments:** Discussion on Berkshire’s strategy of owning both full businesses and partial stakes (marketable securities) in large companies (e.g., Apple, American Express, Coca-Cola), and its deployment of cash.\n   - **Taxes:** Reference to Berkshire breaking records in corporate tax payments ($26.8 billion to the IRS in 2024).\n\n#### 3. **Long-term Philosophy & Capitalism Commentary**\n   - **On Equities:** Buffett explains why Berkshire prioritizes ownership of businesses (equities) over cash or bonds, and why the company favors long-term investments.\n   - **On Capitalism:** There’s a reflection on America’s growth, the role of capitalism, savings, and capital allocation in the nation’s success, and a nod to the importance of maintaining a stable currency.\n\n#### 4. **Japanese Investments**\n   - **Update on Japanese Holdings:** Berkshire’s growing investments in five Japanese trading companies, and the positive view of their management and governance.\n\n#### 5. **Berkshire Hathaway Annual Meeting**\n   - **Annual Gathering Info:** Details about the annual meeting in Omaha, including social events, book sales, and charitable initiatives related to the meeting.\n   - **Personal Stories:** Personal anecdotes involving Buffett’s family, (including his sister Bertie), to add a human touch to the letter.\n\n#### 6. **Performance Tables**\n   - **Berkshire vs S&P 500 (1965-2024):** Two detailed tables showing annual percentage change in Berkshire’s share price vs. total return for the S&P 500, as well as long-term compounded and overall gains.\n\n---\n\n### In Summary\n\nThis file is the **2024 Berkshire Hathaway annual letter to shareholders**, primarily written by Warren Buffett. It covers business performance, management philosophy, investment strategy, earnings and taxes, insurance operations, significant holdings, capital allocation, succession updates, and more. Tables show a remarkable outperformance of Berkshire Hathaway vs. the S&P 500 over nearly six decades – a central point of pride in the letter.\n\nIf you want specifics from any particular section, let me know!"
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 8438,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 731,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 9169
  },
  "user": null,
  "metadata": {}
}

On peut voir que nous avons également traité les fichiers d’entrée, avec un résultat similaire à celui ci-dessus.

Gestion des erreurs

Lors de l’appel de l’API, si une erreur se produit, l’API renvoie le code d’erreur et les informations correspondants. Par exemple :

400 token_mismatched：Mauvaise requête, possiblement en raison de paramètres manquants ou non valides.
400 api_not_implemented：Mauvaise requête, possiblement en raison de paramètres manquants ou non valides.
401 invalid_token：Non autorisé, jeton d’autorisation non valide ou manquant.
429 too_many_requests：Trop de requêtes, vous avez dépassé la limite de débit.
500 api_error：Erreur interne du serveur, un problème est survenu sur le serveur.

Exemple de réponse d’erreur

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Conclusion

Grâce à ce document, vous avez déjà compris comment utiliser facilement l’API OpenAI Responses pour implémenter la fonctionnalité officielle OpenAI de création de Responses. Nous espérons que ce document vous aidera à mieux intégrer et utiliser cette API. Si vous avez des questions, veuillez contacter à tout moment notre équipe d’assistance technique.

Démarrage

Chat IA

Image IA

Vidéo IA

Audio IA

Web & Données

CAPTCHA

Identité

Coding

Autres guides

Demande et utilisation de l’API OpenAI Responses

GPT-6.1 Sol

Processus de demande

Utilisation de base

Réponse en streaming

Dialogue à plusieurs tours

Modèle de vision

Création d’un modèle de traitement de fichiers

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion

​GPT-6.1 Sol

​Processus de demande

​Utilisation de base

​Réponse en streaming

​Dialogue à plusieurs tours

​Modèle de vision

​Création d’un modèle de traitement de fichiers

​Gestion des erreurs

​Exemple de réponse d’erreur

​Conclusion

GPT-6.1 Sol

Processus de demande

Utilisation de base

Réponse en streaming

Dialogue à plusieurs tours

Modèle de vision

Création d’un modèle de traitement de fichiers

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion