创建聊天补全

请求参数

Authorization

在 Header 添加参数

Authorization

，其值为在 Bearer 之后拼接 Token

示例：

Authorization: Bearer ********************

Header 参数

Content-Type

string

必需

示例值:

application/json

Accept

string

必需

示例值:

application/json

Authorization

string

可选

示例值:

Bearer {{YOUR_API_KEY}}

Body 参数application/json

model

string

必需

要使用的模型的 ID。有关哪些模型可与聊天 API 一起使用的详细信息,请参阅模型端点兼容性表。

messages

array [object {2}]

必需

至今为止对话所包含的消息列表。Python 代码示例。

role

string

可选

content

string

可选

temperature

integer

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。

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。

n

integer

可选

默认为 1
为每个输入消息生成多少个聊天补全选择。

stream

boolean

可选

默认为 false 如果设置,则像在 ChatGPT 中一样会发送部分消息增量。标记将以仅数据的服务器发送事件的形式发送,这些事件在可用时,并在 data: [DONE] 消息终止流。Python 代码示例。

stop

string

可选

默认为 null 最多 4 个序列,API 将停止进一步生成标记。

max_tokens

integer

可选

默认为 inf
在聊天补全中生成的最大标记数。

输入标记和生成标记的总长度受模型的上下文长度限制。计算标记的 Python 代码示例。

presence_penalty

number

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。查看有关频率和存在惩罚的更多信息。

frequency_penalty

number

可选

默认为 0 -2.0 到 2.0 之间的数字。正值根据文本目前的存在频率惩罚新标记,降低模型重复相同行的可能性。有关频率和存在惩罚的更多信息。

logit_bias

null

可选

修改指定标记出现在补全中的可能性。

接受一个 JSON 对象,该对象将标记(由标记器指定的标记 ID)映射到相关的偏差值(-100 到 100)。从数学上讲,偏差在对模型进行采样之前添加到模型生成的 logit 中。确切效果因模型而异,但-1 和 1 之间的值应减少或增加相关标记的选择可能性;如-100 或 100 这样的值应导致相关标记的禁用或独占选择。

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。

response_format

object

可选

指定模型必须输出的格式的对象。将 { "type": "json_object" } 启用 JSON 模式,这可以确保模型生成的消息是有效的 JSON。重要提示:使用 JSON 模式时,还必须通过系统或用户消息指示模型生成 JSON。如果不这样做,模型可能会生成无休止的空白流,直到生成达到令牌限制,从而导致延迟增加和请求“卡住”的外观。另请注意,如果 finish_reason="length",则消息内容可能会被部分切断,这表示生成超过了 max_tokens 或对话超过了最大上下文长度。显示属性

seen

integer

可选

此功能处于测试阶段。如果指定,我们的系统将尽最大努力确定性地进行采样,以便使用相同的种子和参数进行重复请求应返回相同的结果。不能保证确定性,您应该参考 system_fingerprint 响应参数来监控后端的更改。

tools

array[string]

必需

模型可以调用的一组工具列表。目前,只支持作为工具的函数。使用此功能来提供模型可以为之生成 JSON 输入的函数列表。

tool_choice

object

必需

控制模型调用哪个函数(如果有的话)。none 表示模型不会调用函数,而是生成消息。auto 表示模型可以在生成消息和调用函数之间进行选择。通过 {"type": "function", "function": {"name": "my_function"}} 强制模型调用该函数。如果没有函数存在,默认为 none。如果有函数存在,默认为 auto。显示可能的类型

示例

{
  "model": "gpt-4o",
  "messages": [
    {
      "role": "user",
      "content": "现有AB两套抽奖系统，系统中均包含黑白两种球，黑球中均有大奖小奖两种奖励，抽中黑球的概率均为1.6%。其中A系统在打开黑球后为大奖的概率是50%，B系统在打开黑球后为大奖的概率是55%。A系统在连续69次未抽出黑球时，第70次必定可以抽出一个黑球。A系统在抽中黑球后若获得是小奖，则下一次获得黑球时打开必定是大奖；若获得的是大奖则对下一次抽中黑球时的奖励没有影响。B系统在连续89次未抽出包含大奖的黑球时，第90次必定可以抽出一个包含大奖的黑球。请问两套系统抽到大奖的期望各是多少？用中文非常详细回答，详细描述解题过程，用多种解题方案，思考其中逻辑再举一反三，并用日语出一道类似题目并解答"
    }
  ],
  "stream": false
}

示例代码

Shell

JavaScript

Java

Swift

Go

PHP

Python

HTTP

C

C#

Objective-C

Ruby

OCaml

Dart

R

curl --location -g --request POST '/v1/chat/completions' \
--header 'Accept: application/json' \
--header 'Authorization: Bearer ' \
--header 'Content-Type: application/json' \
--data-raw '{
  "model": "gpt-4o",
  "messages": [
    {
      "role": "user",
      "content": "现有AB两套抽奖系统，系统中均包含黑白两种球，黑球中均有大奖小奖两种奖励，抽中黑球的概率均为1.6%。其中A系统在打开黑球后为大奖的概率是50%，B系统在打开黑球后为大奖的概率是55%。A系统在连续69次未抽出黑球时，第70次必定可以抽出一个黑球。A系统在抽中黑球后若获得是小奖，则下一次获得黑球时打开必定是大奖；若获得的是大奖则对下一次抽中黑球时的奖励没有影响。B系统在连续89次未抽出包含大奖的黑球时，第90次必定可以抽出一个包含大奖的黑球。请问两套系统抽到大奖的期望各是多少？用中文非常详细回答，详细描述解题过程，用多种解题方案，思考其中逻辑再举一反三，并用日语出一道类似题目并解答"
    }
  ],
  "stream": false
}'

返回响应

🟢200OK

application/json

Body

id

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

示例

{
  "id": "chatcmpl-123",
  "object": "chat.completion",
  "created": 1677652288,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\nHello there, how may I assist you today?"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 12,
    "total_tokens": 21
  }
}