OpenAI: GPT-6 Astra Pro (batch)

GPT-6 Astra Pro är en textgenereringsmodell från OpenAI, listad i api14-katalogen som OpenAI: GPT-6 Astra Pro (batch) under modell-id openai/gpt-6-astra-pro:batch. Det är samma underliggande modell som GPT-6 Astra, serverad med reasoning.mode satt till pro, en konfiguration som syftar till svar av högre kvalitet på komplexa uppgifter. OpenAI publicerade modellen den 4 september 2026.

Modellen accepterar text, bilder och filer som indata och returnerar text. Dess kontextfönster är 1 050 000 tokens, och den kan producera upp till 128 000 tokens i ett enda svar. Det stora indatafönstret och den generösa utdatabudgeten är de två siffror som formar de flesta beslut om den: du kan skicka långa dokument, bifogade filer och bilder tillsammans i en enda begäran, och ändå ha utrymme för ett omfattande genererat svar snarare än en kort sammanfattning. Utdatat är endast text, så allt du behöver få tillbaka måste uttryckas som text, inklusive strukturerad data.

Dessa förmågor pekar mot en ganska specifik uppsättning arbetsuppgifter. Granskningsarbete med lång kontext passar bra, till exempel att läsa igenom en stor dokumentmängd, en teknisk specifikation eller ett paket med källfiler och svara på frågor som beror på detaljer utspridda genom materialet. Blandad indata hjälper när en uppgift kombinerar skärmbilder, skannade sidor eller diagram med skriftligt material. Stödet för tools och tool_choice gör den användbar som resonemangssteget i en agentloop, och response_format plus structured_outputs låter dig begränsa svar till ett schema som din kod kan tolka direkt. För arbete som behöver ett konsekvent samplingsseed finns seed tillgängligt.

För att anropa den, använd api14:s OpenAI-kompatibla API och skicka openai/gpt-6-astra-pro:batch som model. De stödda begärandeparametrarna är max_tokens, reasoning, reasoning_effort, include_reasoning, verbosity, response_format, structured_outputs, tools, tool_choice och seed. max_tokens styr längden på det genererade svaret, reasoning och reasoning_effort styr hur mycket internt resonemang modellen utför, include_reasoning avgör om det resonemanget visas för dig, och verbosity påverkar hur utförligt det skrivna svaret är. Tools och tool_choice driver funktionsanrop, medan response_format och structured_outputs hanterar schemabegränsade svar.

Två begränsningar är värda att väga in. Utdatamodaliteten är endast text, så om din pipeline behöver ljud, bilder eller andra genererade medier är den här modellen inte rätt val. Och eftersom den körs i pro-läge för svar av högre kvalitet på komplexa uppgifter kan enklare förfrågningar bättre hanteras av GPT-6 Astra, som delar samma underliggande modell utan den inställningen.