跳转到主要内容

简短回答

svg.reasoning.effort 控制的是编写 SVG 文本的那款模型要花多少推理,能填哪几档由 svg.model 决定,不是网关写死的:
  • 主流编写模型(gpt-5.6-terra、gpt-6-luna 等):none / low / medium / high / xhigh / max 六档,填 minimal 会 400。
  • minimal 是 GPT-5 初代(gpt-5 / gpt-5-mini / gpt-5-nano)的档位;从 gpt-5.1 起官方把它换成了 none,之后的型号都不再接受。
  • 省略 reasoning、传 reasoning: null、传 effort: null 都正常出图,走编写模型默认档。
所以看到「minimal 不支持」时,不是参数写错了,而是这款编写模型就不认这一档,换档位或换模型都能解决。
output_format: "svg" 时 svg.model 是必填的,漏了会直接返回 400 SVG generation requires 'svg.model'.。档位问题只在这个对象内部讨论。

字段要嵌套在 svg 里

别写成顶层扁平字段。 把档位写成 "svg_reasoning_effort": "high" 不会报错,也不会生效——网关会直接丢弃这个未知字段,请求按「没传 effort」处理。实测用必然被拒的 minimal 走扁平写法返回 200,放进 svg.reasoning.effort 才返回 400;只看到 200 就以为支持,是最容易踩的坑。

各编写模型支持哪些档位

下表为 2026-11-10 在 api.apiyi.com 实测结果,档位列表以各模型报错里回显的为准(在 /v1/responses 上反查;SVG 路径已对 gpt-5.6-terra、gpt-6-luna、gpt-5-nano、gpt-5、gpt-4.1-mini 逐一验证):
拿不准某款模型支持什么,就故意传一个它大概率不认的值(比如 max 或 minimal)看报错——上游会把该模型接受的档位全部列出来,比查文档快,也比猜准。

报错怎么读

1. 档位不被编写模型接受(minimal 最常见)

param 为空、消息里点名了模型 —— 这是编写模型返回的校验,不是网关拦的。请求没有进入生成阶段,不计费。

2. 值不在枚举里(拼写错误、空串)

param 指向 svg.reasoning.effort、列表是 7 个值 —— 这是网关侧枚举。注意它会把 minimal 也列出来,不代表你的编写模型支持,最终仍以报错 1 的模型列表为准。

3. 编写模型根本不支持推理

用 gpt-4.1-mini 这类非推理模型当编写模型时出现,任何档位都报这个错,只能把 reasoning 整个去掉。

确实想用 minimal 怎么办

把编写模型换成 GPT-5 初代即可,实测能正常出 SVG:
返回 200,svg_usage.reasoning_tokens 为 0(同一提示词走 low 是 320)。
不建议为了省一点编写费把 svg.model 降回 gpt-5 初代。 minimal 省下的是编写模型的思考 token(单价本来就低),而初代模型在矢量代码的结构、路径精度和提示词遵循上明显弱于 gpt-5.6-terra / gpt-6-luna,换来的可能是更多返工。真要压低成本,优先降 quality 和 size,那是参考图那条链路的开销,占比更大。

档位对出图和费用的影响

  • 只影响编写模型,不影响参考图。 图像模型先出参考图(费用记在 usage),文本模型再按档位思考并写 SVG(费用记在 svg_usage),两笔都要算。
  • reasoning_tokens 已包含在 output_tokens 里,不要重复相加;计费按编写模型的输出单价乘 svg_usage.output_tokens。
  • 档位越高,编写费越高。 实测 max 档一次产生 4,816 reasoning tokens、svg_usage.output_tokens 合计 4,987;none 档稳定为 0。
  • 但 reasoning_tokens 不能用来反推档位是否生效。 同一句极简提示词下 low / medium / high / xhigh 的区间重叠严重(medium 甚至出现过 0),只有 none(恒 0)和 max(数千)有明显区分度。简单图形用 low / medium 就够,复杂插画、多图层结构再上 high 以上。

相关文档

GPT Image 2.6 新能力

SVG、GIF、complexity 与标记引导编辑的完整说明和真实结果。

GPT-Image 系列概览

五款模型的规格、定价、端点与常见报错。

输出 token 为什么这么高

分辨率和 quality 如何影响 output_tokens 与单张成本。

模型价格总表

编写模型与图像模型的实时单价,以这里为准。