Come chiamare gpt-6-luna tramite l'API hiapi: curl, Python e richieste funzionanti

TL;DR

• Cos'è: il più recente modello testuale economico di OpenAI, progettato per elaborazione in batch e scenari ad alto throughput. Già disponibile su HiAPI: apri la pagina del modello per conversare direttamente, i nuovi utenti ricevono 200 crediti alla registrazione.
• Quanto costa: fatturazione a token, fascia standard input $0.025/M, output $0.125/M, cache hit $0.0025/M; è il modello GPT testuale più economico su HiAPI.
• Come chiamare l'API: il protocollo predefinito è Responses API (POST /v1/responses), supporta anche Chat Completions (POST /v1/chat/completions). Contesto da 1.05M, output massimo 128K.
• Parametri chiave: sei livelli di intensità di ragionamento reasoning.effort (none/low/medium/high/xhigh/max), temperature, top_p, text.format (json_schema).

Del GPT-6 Luna appena lanciato, le due domande più frequenti sono: come si chiama e in cosa differisce da Chat Completions. Le risposte sono tutte in questo articolo.

Cosa può fare GPT-6 Luna?

• Classificazione testuale in batch. Analisi di recensioni di prodotti, categorizzazione di ticket, tagging di contenuti: con un prezzo di input di $0.025/M puoi processare centomila elementi senza preoccupazioni.
• Estrazione di dati strutturati. Estrarre JSON da testo non strutturato, impostando direttamente text.format con json_schema per vincolare l'output.
• Riscrittura e formattazione di contenuti. Riduzione della similarità di articoli, rifinitura multilingue, uniformazione del formato: basta un solo prompt eseguito in batch.
• Risposte automatiche alle FAQ. Q&A di assistenza clienti a bassa complessità: imposta reasoning.effort=none per disattivare il ragionamento, è veloce ed economico.
• Cicli di agent semplici. Tool calling + conversazione multi-turno, adatto a flussi di automazione che non richiedono ragionamento profondo.

Due percorsi per iniziare: prova online o API?

Per valutare prima i risultati scegli la prova online; per integrare nel prodotto scegli l'API. Entrambi i percorsi usano lo stesso modello e lo stesso listino prezzi.

Prova online (circa 1 minuto)

1. Apri la pagina del modello GPT-6 Luna.
2. Registrati o accedi: i nuovi account hanno 200 crediti inclusi.
3. Inserisci direttamente il tuo prompt e regola i parametri nel Playground per vedere i risultati.

Integrazione via API (circa 5 minuti)

1. Crea una API Key (sk-...) nella console HiAPI.
2. Usa POST /v1/responses per Responses API (predefinita) oppure POST /v1/chat/completions per Chat Completions.
3. Il risultato restituito si trova in output.

Prima chiamata: versione curl (Responses API, consigliata)

curl -s https://api.hiapi.ai/v1/responses \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": [
      {"role": "user", "content": "用一句话介绍 HiAPI 是什么，用中文回复。"}
    ]
  }'

Di seguito un esempio di risposta, la risposta si trova in output[0].content[0].text:

{
  "id": "resp_...",
  "model": "gpt-6-luna",
  "output": [
    {
      "type": "message",
      "role": "assistant",
      "content": [
        {
          "type": "output_text",
          "text": "HiAPI è una piattaforma API intermedia che aggrega diversi modelli AI..."
        }
      ]
    }
  ],
  "usage": {
    "input_tokens": 25,
    "output_tokens": 32,
    "total_tokens": 57
  }
}

Questa chiamata consuma 57 token, circa $0.0056 in fascia standard: praticamente nulla.

Prima chiamata: versione Python (Responses API)

import requests

API = "https://api.hiapi.ai/v1/responses"
HEADERS = {
    "Authorization": "Bearer sk-YOUR_KEY",
    "Content-Type": "application/json"
}

payload = {
    "model": "gpt-6-luna",
    "input": [
        {"role": "user", "content": "用一句话介绍 HiAPI 是什么，用中文回复。"}
    ]
}

resp = requests.post(API, headers=HEADERS, json=payload, timeout=60)
data = resp.json()
text = data["output"][0]["content"][0]["text"]
usage = data["usage"]
print(f"回复: {text}")
print(f"消耗: {usage['total_tokens']} tokens (输入 {usage['input_tokens']} + 输出 {usage['output_tokens']})")

Forzare l'output strutturato con json_schema

Questo è l'uso centrale di Luna negli scenari di estrazione in batch. Imposta text.format su json_schema, definisci name e schema, e l'output del modello rispetterà rigorosamente la struttura JSON specificata:

curl -s https://api.hiapi.ai/v1/responses \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": [
      {
        "role": "user",
        "content": "产品评论：颜色好看，但用了两周底就掉了。不推荐。"
      }
    ],
    "text": {
      "format": {
        "type": "json_schema",
        "name": "review_analysis",
        "schema": {
          "type": "object",
          "properties": {
            "sentiment": {"type": "string", "enum": ["positive", "neutral", "negative"]},
            "pros": {"type": "array", "items": {"type": "string"}},
            "cons": {"type": "array", "items": {"type": "string"}},
            "recommend": {"type": "boolean"}
          },
          "required": ["sentiment", "pros", "cons", "recommend"]
        }
      }
    }
  }'

Il modello restituirà un JSON conforme allo schema, senza bisogno di parsing manuale.

Interfaccia alternativa Chat Completions

Se il tuo codice esistente usa già il protocollo Chat Completions, basta cambiare model:

curl -s https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "messages": [
      {"role": "user", "content": "用一句话介绍 HiAPI 是什么，用中文回复。"}
    ]
  }'

Responses API è quella consigliata per impostazione predefinita: il formato di input è l'array input, supporta la configurazione reasoning e l'output strutturato text.format. Chat Completions non supporta max_completion_tokens e max_tokens (Luna in entrambi i protocolli usa solo il formato input).

Parametri chiave

Parametro	Obbligatorio	Descrizione
model	Sì	gpt-6-luna
input	Sì	Array di messaggi, ciascuno con role e content
reasoning.effort	No	Intensità di ragionamento, sei livelli: none/low/medium (predefinito)/high/xhigh/max
temperature	No	Controlla la casualità, regolabile quando reasoning.effort=none
top_p	No	Nucleus sampling, regolabile quando reasoning.effort=none
text.format	No	Controllo del formato di output, supporta json_schema e strict
max_output_tokens	No	Numero massimo di token di output
tools	No	Definizione degli strumenti, per scenari di agent
tool_choice	No	Strategia di selezione degli strumenti

Come usare reasoning.effort:

• none: disattiva il ragionamento, adatto a classificazione, estrazione e Q&A semplici. In questo caso puoi regolare liberamente temperature e top_p.
• low/medium (predefinito): ragionamento da leggero a moderato, adatto a domande generiche e generazione di contenuti.
• high/xhigh/max: ragionamento profondo, per analisi complesse. Attenzione: più alto è il livello, più token di ragionamento vengono consumati.

Per i task in batch imposta none; per le conversazioni quotidiane medium è sufficiente; per analisi complesse alza secondo necessità.

Errori comuni

• 400 model not found → campo model scritto male → verifica che sia gpt-6-luna.
• 400 additional properties not allowed → è stato passato un campo non supportato (come max_tokens di Chat Completions) → rimuovi i campi superflui.
• 401 permission_denied → chiave mancante o errata → controlla Authorization: Bearer sk-....
• 400 json_schema validation failed → definizione dello schema non conforme → controlla l'array required e il type di ogni campo in properties.

Domande frequenti

Meglio Responses API o Chat Completions? Per nuove integrazioni usa Responses API. Supporta input tramite array input, reasoning.effort, text.format json_schema e altre novità. Se hai già codice con Chat Completions e non vuoi modificarlo, funziona anche cambiando solo il model.

Che differenza c'è tra reasoning.effort=none e disattivare il ragionamento? Impostando none il modello non genera token di ragionamento e l'output contiene solo il testo della risposta finale. In questo caso temperature e top_p sono regolabili manualmente. Per classificazione, estrazione e formattazione none è sufficiente: risparmi token ed è più veloce.

Come funziona la cache? Si attiva automaticamente. Le parti ripetute nel system prompt e nella cronologia della conversazione colpiscono la cache e vengono fatturate a soli $0.0025/M. Non serve alcuna configurazione aggiuntiva.

Come si usa Batch per i task in batch? Aggiungi "processing_mode": "batch" nella richiesta: il task entra in coda asincrona e il prezzo è scontato del 50%. Adatto a task che non richiedono risposta in tempo reale.

Cosa cambia rispetto a gpt-5.6-luna? Prezzo dimezzato (input $0.025 vs $0.05), output più economico di 2,4 volte, nuovo protocollo predefinito Responses API, sei livelli di intensità di ragionamento (identici a 6-luna, tutti e sei disponibili), contesto aumentato fino a 1.05M. Dettagli in Confronto GPT-6 Luna vs GPT-5.6 Luna.

Articoli della serie GPT-6 Luna

• Pagina del modello GPT-6 Luna: chat online, 200 crediti in omaggio alla registrazione
• Prezzi API GPT-6 Luna: input $0.025/M, il GPT più economico su HiAPI
• GPT-6 Luna vs GPT-5.6 Luna: prezzo dimezzato, conviene cambiare
• Esempi di prompt per GPT-6 Luna: 5 scenari batch da copiare direttamente

Provalo subito: copia il comando curl qui sopra, sostituisci la tua API Key ed esegui la prima chiamata. Oppure apri la pagina del modello per conversare direttamente online.