GPTs - API调用文档

可调用OpenAI官网所有GPTs，查看 GPTs合集

将GPTs的ID，传入模型。模型名称：gpt-4-gizmo-(gizmo_id)

比如这个gpts：https://chat.openai.com/g/g-bo0FiWLY7-researchgpt

就填模型名称：gpt-4-gizmo-g-bo0FiWLY7

如果您使用的是utools的GPT.好友插件，可以将整个GPTs地址复制到插件的模型名称选择处，会自动提取模型名称。

请求参数

Header 参数

Content-Type

string

可选

示例值:

application/json

Authorization

string

令牌KEY

可选

示例值:

Bearer sk-xxxx

Body 参数application/json

model

string

模型名称

必需

messages

array [object {2}]

必需

role

string

角色 system | user

必需

content

string

提问消息

必需

temperature

integer

温度

可选

使用什么采样温度，介于 0 和 2 之间。较高的值（如 0.8）将使输出更加随机，而较低的值（如 0.2）将使输出更加集中和确定。我们通常建议改变这个或top_p但不是两者同时使用。

top_p

integer

可选

一种替代温度采样的方法，称为核采样，其中模型考虑具有 top_p 概率质量的标记的结果。所以 0.1 意味着只考虑构成前 10% 概率质量的标记。我们通常建议改变这个或temperature但不是两者同时使用。

max_tokens

number

最大回复

可选

聊天完成时生成的最大Tokens数量。输入标记和生成标记的总长度受模型上下文长度的限制。

stream

boolean

流式输出

可选

流式输出或非流式输出

number

可选

为每个输入消息生成多少个聊天完成选项。

presence_penalty

integer

可选

-2.0 和 2.0 之间的数字。正值会根据到目前为止是否出现在文本中来惩罚新标记，从而增加模型谈论新主题的可能性。

frequency_penalty

integer

可选

-2.0 和 2.0 之间的数字。正值会根据新标记在文本中的现有频率对其进行惩罚，从而降低模型逐字重复同一行的可能性。

logit_bias

null

可选

修改指定标记出现在完成中的可能性。接受一个 json 对象，该对象将标记（由标记器中的标记 ID 指定）映射到从 -100 到 100 的关联偏差值。从数学上讲，偏差会在采样之前添加到模型生成的 logits 中。确切的效果因模型而异，但 -1 和 1 之间的值应该会减少或增加选择的可能性；像 -100 或 100 这样的值应该导致相关令牌的禁止或独占选择。

user

string

可选

代表您的最终用户的唯一标识符，可以帮助 OpenAI 监控和检测滥用行为。了解更多

示例

{
  "model": "gpt-4-gizmo-g-bo0FiWLY7",
  "messages": [
    {
      "role": "user",
      "content": "量子计算在解决复杂计算问题上的潜力如何？"
    }
  ],
  "max_tokens": 1688,
  "temperature": 0.5,
  "stream": false
}

示例代码

Shell

JavaScript

Java

Swift

PHP

Python

HTTP

Objective-C

Ruby

OCaml

Dart

返回响应

🟢200成功

application/json

Body

string

必需

object

string

必需

created

integer

必需

choices

array [object {3}]

必需

index

integer

可选

message

object

可选

finish_reason

string

可选

usage

object

必需

prompt_tokens

integer

必需

completion_tokens

integer

必需

total_tokens

integer

必需

model

string

必需

示例

{
  "id": "chatcmpl-89DbGj4xWTyI7ddcPHTqDolMi0MGn",
  "object": "chat.completion",
  "created": 1724999207,
  "model": "gpt-4-gizmo",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n```json \n {\n  \"query\": \"potential of quantum computing in solving complex computational problems\"\n}\n```\n量子计算在解决复杂计算问题上展现了巨大的潜力。以下是一些相关研究的结论：\n\n1. **加速复杂问题求解**：量子计算能够以指数级的速度提升某些数学问题的求解效率。例如，Shor算法在大数分解上明显快于任何已知的经典算法，而Grover算法则能在无序数据库搜索中显著提高效率[(Trivedi, 2023)](https://consensus.app/papers/quantum-computing-algorithms-solving-complex-trivedi/c13af446ea845b2aa8bf70895a03d52e/?utm_source=chatgpt)。\n\n2. **优化问题与生物模拟**：量子计算在优化问题上展示了巨大的潜力，尤其在分子生物学和药物发现中，量子模拟可以显著提高计算效率[(Outeiral et al., 2020)](https://consensus.app/papers/prospects-quantum-computing-biology-outeiral/4c3dba971dd3565daab797f13fd7c0ca/?utm_source=chatgpt)。此外，量子算法在生物模拟中的应用前景也令人期待，如蛋白质折叠问题的优化[(Kendon, 2020)](https://consensus.app/papers/quantum-computing-using-evolution-kendon/bec81d2ffa94599aa11d8007f1dbdebd/?utm_source=chatgpt)。\n\n3. **现有量子计算机的优势**：即使在现阶段的噪声环境下，小规模的量子计算机也已经显示出明显的优势。例如，五量子比特的超导量子处理器在处理噪声环境下的学习问题时，已超越经典计算机[(Ristè et al., 2015)](https://consensus.app/papers/demonstration-quantum-advantage-machine-learning-ristè/4d1d210d1b085b49aede9a5b307e153a/?utm_source=chatgpt)。\n\n4. **未来的突破与应用前景**：随着量子计算硬件和算法的不断发展，其在密码学、材料科学和药物发现等领域的应用前景非常广阔[(Saklani et al., 2023)](https://consensus.app/papers/unlocking-potential-quantum-computing-comprehensive-saklani/b0a124b37ac35700b1e0fb435660594b/?utm_source=chatgpt)。\n\n**结论**：量子计算在解决复杂计算问题上的潜力是巨大的，尤其是在优化问题、模拟、生物计算等领域有着广泛的应用前景。"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 30,
    "completion_tokens": 835,
    "total_tokens": 865
  }
}