Перейти до основного вмісту
OpenAI нещодавно надав інтерфейс для створення відповідей моделі. Надавайте текстовий або графічний ввід для генерації текстового або графічного виводу. Дозвольте моделі викликати ваш власний користувацький код або використовувати вбудовані інструменти, такі як web-пошук або пошук файлів, щоб використовувати ваші власні дані як ввід для відповіді моделі. У цьому документі переважно представлено процес використання OpenAI Responses API, за допомогою якого ми можемо легко використовувати офіційну функцію OpenAI для створення відповідей моделі.

GPT-6.1 Sol

Використовуйте model: "gpt-6.1-sol" для вибору цієї моделі. Підтримуються потоковий вивід, виклик функцій, структурований вивід і графічний ввід. Протягом першого тижня після відкриття вона доступна лише підтвердженим власникам ACE T1+ (щонайменше 100 000 ACE) або авторизованим користувачам; конкретний час відкриття визначається підказкою доступу в консолі. Рівні міркування підтримують low, medium, high, xhigh і max, наразі не підтримуються none або minimal. Рекомендується почати з reasoning: {"effort": "low"}. Коли ввід перевищує 272 000 tokens, до всього запиту застосовується ціна за довгий контекст, а вартість визначається поточною ціною в консолі.

Процес подання заявки

Щоб використовувати OpenAI Responses API, спочатку перейдіть до консолі Ace Data Cloud, щоб отримати ваш API Token і зберегти його як резервний. Якщо ви ще не ввійшли або не зареєструвалися, вас буде автоматично перенаправлено на сторінку входу з запрошенням зареєструватися та ввійти, після завершення ви автоматично повернетеся на поточну сторінку. Один API Token може викликати всі сервіси платформи, не потрібно подавати окрему заявку для кожного сервісу. Під час першого подання заявки буде надано безкоштовний ліміт, який можна використати для безкоштовного ознайомлення; коли ліміту недостатньо, ви можете поповнити загальний баланс у консолі.
📘 Повна документація: OpenAI Responses API →

Базове використання

Далі можна заповнити відповідний вміст в інтерфейсі, як показано на зображенні:

Під час першого використання цього інтерфейсу нам потрібно заповнити щонайменше три поля: одне з них — authorization, яке можна безпосередньо вибрати у спадному списку. Інший параметр — model, model — це категорія моделі на офіційному сайті OpenAI ChatGPT, яку ми обираємо для використання; тут ми переважно маємо 20 моделей, деталі можна переглянути серед наданих нами моделей. Останній параметр — input, input — це масив введених нами запитів, він є масивом, що означає можливість одночасно завантажити кілька запитів; кожен запит містить role і content, де role позначає роль того, хто ставить запитання, ми надаємо три ідентичності: user, assistant, system. Інший content — це конкретний вміст нашого запитання. Водночас ви можете помітити, що праворуч генерується відповідний код виклику, ви можете скопіювати код і запустити його безпосередньо, а також можете прямо натиснути кнопку «Try» для тестування. Поширені необов’язкові параметри:
  • max_tokens: обмежує максимальну кількість token в одній відповіді.
  • temperature: випадковість генерації, від 0 до 2, чим більше значення, тим більш розсіяний результат.
  • n: скільки варіантів відповідей генерувати за один раз.
  • response_format: налаштування формату повернення.
  • tools: визначення виклику функцій/інструментів.
  • background: чи запускати асинхронно у фоновому режимі.

Після виклику ми бачимо, що результат повернення такий:
Результат повернення має кілька полів, описаних нижче:
  • id — ID завдання цієї розмови, що генерується, використовується для унікальної ідентифікації цього завдання розмови.
  • model — вибрана модель з офіційного сайту OpenAI ChatGPT.
  • output — інформація про відповідь, надану ChatGPT на запит.
  • usage : статистична інформація про token для цієї сесії запитань і відповідей.
Серед них output містить інформацію про відповідь ChatGPT, його output — це ChatGPT, як можна побачити на зображенні.

Можна побачити, що поле content в output містить конкретний вміст відповіді ChatGPT.

Потокова відповідь

Цей інтерфейс також підтримує потокові відповіді, що дуже корисно для інтеграції з вебсторінками та дозволяє реалізувати на вебсторінці ефект посимвольного відображення. Якщо ви хочете повертати відповіді потоково, можна змінити параметр stream у заголовку запиту на true. Зміна показана на зображенні, однак код виклику потребує відповідних змін для підтримки потокових відповідей.

Після зміни stream на true API повертатиме відповідні JSON-дані рядок за рядком, і на рівні коду нам потрібно внести відповідні зміни, щоб отримувати результати по рядках. Приклад коду виклику Python:
Ефект виводу такий:
Можна побачити, що у відповіді є багато data, а delta у data є найновішим вмістом відповіді, що узгоджується з описаним вище. delta — це доданий вміст відповіді, ви можете інтегрувати його у свою систему відповідно до результату. Потокова відповідь має response.completed або response.incomplete як кінцевий стан; usage у кінцевому стані є остаточним використанням token для цього запиту, а також основою для виставлення рахунку. Якщо клієнт розриває з’єднання до досягнення кінцевого стану, цей запит буде записано як закритий клієнтом (499), і плата не стягуватиметься на основі локально оцінених token; якщо з’єднання нормально завершується, але кінцевий стан і остаточний usage не отримано, цей запит буде записано як неповна відповідь (502), і плата також не стягуватиметься на основі оцінених token. У разі виникнення цих двох ситуацій, будь ласка, повторно надішліть запит. Повернений результат data містить кілька полів, описаних нижче:
  • item_id — ID згенерованого завдання цього діалогу, що використовується для унікальної ідентифікації цього завдання діалогу.
  • type — тип згенерованого завдання Responses цього діалогу.
  • model — вибрана модель OpenAI ChatGPT з офіційного сайту.
  • delta — інформація відповіді, надана ChatGPT на запитання.
JavaScript також підтримується, наприклад, код потокового виклику для Node.js наведено нижче:
Приклад коду Java:
Інші мови можна самостійно адаптувати, принцип однаковий.

Багатораундовий діалог

Якщо ви хочете інтегрувати функціональність багатораундового діалогу, потрібно передати кілька запитань у поле input; конкретний приклад кількох запитань показано на зображенні нижче:

Приклад коду виклику Python:
Передаючи кілька запитань, можна легко реалізувати багатораундовий діалог і отримати таку відповідь:
Можна побачити, що інформація, яку містить output, узгоджується з вмістом базового використання; це містить конкретний вміст відповіді ChatGPT на кілька діалогів, тож таким чином можна відповідати на відповідні запитання на основі вмісту кількох діалогів.

Візуальна модель

gpt-4o — це мультимодальна велика мовна модель, розроблена OpenAI, яка отримала можливості візуального розуміння на основі GPT-4. Ця модель може одночасно обробляти текстові та графічні вхідні дані, реалізуючи міжмодальне розуміння та генерування. Використання текстової обробки моделі gpt-4o відповідає базовому способу використання, описаному вище, нижче буде коротко представлено, як використовувати можливості моделі з обробки зображень. Використання можливостей обробки зображень моделі gpt-4o головним чином здійснюється шляхом додавання поля type на основі початкового вмісту content, за допомогою цього поля можна дізнатися, чи завантажується текст або зображення, і таким чином використовувати можливості обробки зображень моделі gpt-4o. Нижче головним чином описано виклик цієї функції двома способами: за допомогою Curl і Python.
  • Спосіб зі скриптом Curl
  • Спосіб зі скриптом Python
Потім можна отримати наведений нижче результат, інформація про поля в результаті відповідає наведеній вище, конкретно так:
Можна побачити, що зміст відповіді сформовано на основі зображення, тому за допомогою наведених вище двох способів можна легко використовувати можливості текстової обробки та обробки зображень моделі gpt-4.1. Окрім gpt-4.1, є ще одна модель з нижчою вартістю, яка називається gpt-4o-mini. gpt-4o-mini — це найновіше покоління великих мовних моделей, розроблене OpenAI, вона не лише має високу швидкість відповіді, але й коштує дешевше, а також підтримує мультимодальність. Щодо використання функції vision можна звернутися до наведеного вище вмісту про використання моделі gpt-4.1.

Створення моделі для обробки файлів

Приклад запиту:
Приклад результату:
Як видно, ми також обробили вхідний файл, і результат є подібним до наведеного вище.

Обробка помилок

Під час виклику API, якщо виникає помилка, API поверне відповідний код помилки та інформацію. Наприклад:
  • 400 token_mismatched:Неправильний запит, можливо, через відсутні або недійсні параметри.
  • 400 api_not_implemented:Неправильний запит, можливо, через відсутні або недійсні параметри.
  • 401 invalid_token:Неавторизовано, недійсний або відсутній токен авторизації.
  • 429 too_many_requests:Забагато запитів, ви перевищили ліміт частоти запитів.
  • 500 api_error:Внутрішня помилка сервера, на сервері щось пішло не так.

Приклад відповіді з помилкою

Висновок

Завдяки цьому документу ви вже дізналися, як використовувати OpenAI Responses API, щоб легко реалізувати офіційну функцію OpenAI зі створення Responses. Сподіваємося, цей документ допоможе вам краще інтегрувати та використовувати цей API. Якщо у вас виникнуть будь-які запитання, будь ласка, будь-коли звертайтеся до нашої команди технічної підтримки.