Erreur timeout : que faire quand gpt-5-pro échoue

Un timeout signifie que le client a abandonné avant l'arrivée de la réponse. Les requêtes LLM en streaming y sont les plus exposées, car le modèle réfléchit avant le premier token et cette phase ne produit aucun octet.

Un timeout n’est pas un code de statut HTTP, mais une limite d’attente côté client. La requête a généralement atteint la passerelle et été transmise à l’upstream, mais le modèle n’a pas produit de résultat dans le temps imparti. Contexte long, sortie longue et appels sans streaming sont les trois déclencheurs les plus courants.

gpt-5-pro est fourni par OpenAI. Tout sur cette page — causes, correctifs et données mesurées — est établi à partir du comportement réel de ce modèle au niveau de la passerelle.

Sur cette passerelle, le déclencheur le plus courant est : Le délai d'attente du client est trop court. La première action recommandée : Portez le délai du client à 300 secondes ou plus.

Causes fréquentes

  • Le délai d'attente du client est trop court
  • Un prompt ou un contexte long augmente la latence du premier token
  • Le modèle traite une longue tâche de raisonnement
  • Gigue réseau

Comment corriger

  • Portez le délai du client à 300 secondes ou plus
  • Activez le streaming pour ne pas attendre toute la réponse
  • Raccourcissez le contexte ou utilisez un modèle plus rapide
  • Réduisez max_tokens

Nouvelle tentative avec backoff exponentiel

Le code ci-dessous réessaie lorsque gpt-5-pro renvoie timeout : jusqu’à 5 tentatives, avec une attente croissante et un jitter aléatoire pour éviter que les appels concurrents ne réessaient simultanément. Lisez l’URL de base et la clé API depuis les variables d’environnement, ne les écrivez jamais en dur.

import os, time, random
import requests

BASE  = os.getenv("OPENAI_BASE_URL")   # e.g. https://<your-gateway>/v1
KEY   = os.getenv("OPENAI_API_KEY")
MODEL = 'gpt-5-pro'


def chat(messages, retries=5):
    """Retry with exponential backoff + jitter."""
    for i in range(retries):
        try:
            r = requests.post(
                BASE + "/chat/completions",
                headers={"Authorization": "Bearer " + KEY},
                json={"model": MODEL, "messages": messages, "stream": True},
                timeout=60,
            )
            if r.status_code == 429 or r.status_code >= 500:
                time.sleep(min(2 ** i + random.uniform(0, 1), 30))
                continue
            r.raise_for_status()
            return r.json()
        except requests.exceptions.Timeout:
            time.sleep(min(2 ** i + random.uniform(0, 1), 30))
    raise RuntimeError("gave up after " + str(retries) + " retries")


print(chat([{"role": "user", "content": "hello"}]))

Données clés de ce modèle

Point de terminaison APIhttps://api.airai.cc/v1
Compatible OpenAIOpenAI-compatible
FournisseurOpenAI
Contexte400K
CapacitésReasoning, Tools, Files, Vision
Formats d’APIopenai, openai-response, openai-response-compact, anthropic, gemini, openai-alpha-search
Formule de facturationp * 15 + c * 120

Questions fréquentes

Passer au streaming réduit-il timeout ?

Les paramètres doivent changer ; réessayer seul ne suffira pas. C’est un problème de configuration côté client ; rien ne change côté serveur. Les balises de capacité sont Reasoning, Tools, Files, Vision, et les plafonds de paramètres en découlent. La fenêtre de contexte 400K fixe l’entrée maximale par requête ; au-delà, c’est rejeté immédiatement. Échouez rapidement sur les erreurs de paramètres au lieu d’y dépenser des relances. Tronquez ou résumez les entrées longues : cela réduit nettement timeout.

Comment utiliser l’en-tête Retry-After de la réponse ?

Il n’est généralement pas nécessaire de modifier le code, seulement le rythme des appels. Réessayer est la première étape la plus efficace. Avec la facturation p * 15 + c * 120, les requêtes échouées ne sont pas comptées dans l’usage. Fixez la limite de relances à 3–5 et ajoutez du jitter. Utilisez un backoff exponentiel pour les erreurs relançables et renvoyez l’erreur immédiatement pour les autres.

Quelle doit être la durée du timeout ?

Ici les vraies variables sont la concurrence et les délais d’attente, pas le modèle. Ce modèle dispose d’une fenêtre de contexte de 400K et vient de OpenAI. Un contexte de 400K signifie que les longues entrées allongent nettement la latence du premier token. Lissez les pics avec du traitement par lots ou une file : plus stable que d’augmenter la concurrence à la volée.

Avec plusieurs nœuds upstream, la passerelle bascule-t-elle seule sur timeout ?

Cette erreur ne dépend pas de la capacité du modèle, elle est au niveau de la passerelle. C’est généralement passager et se rétablit tout seul. Les balises de capacité de ce modèle sont Reasoning, Tools, Files, Vision. Si l’erreur persiste plusieurs minutes, contactez le support de la plateforme pour confirmer l’état en amont. Déterminez d’abord si c’est au niveau du compte ou du modèle ; les deux demandent un traitement totalement différent.

Autres erreurs sur ce modèle

Autres modèles avec la même erreur

Retour à la page du modèle

Données mises à jour: 2026-10-10 12:10

Support techniqueAssistance en ligne
Haut de page