Responses 実装ガイド - SambaNova ドキュメント

SambaNova の Responses API (POST /v1/responses) は、OpenAI Responses API 標準と互換性があります。OpenAI Responses API 向けに構築された既存のクライアントや SDK は、コードを変更することなく SambaNova のエンドポイントに接続できます。このエンドポイントは、エージェント型・ツール対応・コーディング指向の連携向けに設計されています。 Responses API は、既存の Chat Completions API を補完するものであり、置き換えるものではありません。

対応モデル

gpt-oss-120b
MiniMax-M2.7
MiniMax-M3
gemma-4-31B-it

今後のリリースで、さらにモデルが追加される予定です。

gpt-oss-120b でツール呼び出しリクエストの品質を高めるには、reasoning_effort を high に設定してください。

仕組み

Responses API は、モデルの出力を単一のアシスタントテキストフィールドではなく、型付き出力アイテム (message、function_call、reasoning) として構造化します。各リクエストは、モデルの動作に応じて、これらのアイテムを 1 つ以上含むレスポンスオブジェクトを返します。

主な特徴

ステートレス: SambaNova は会話の状態を保存しません。マルチターン会話を継続するには、後続の各リクエストの input 配列に、関連する過去の出力アイテムを含めてください。 クライアント実行ツールのみ: ツールが必要な場合、モデルは function_call アイテムを返します。アプリケーション側で関数を実行し、後続のリクエストで結果を返します。組み込みツールおよびサーバー実行ツールは未対応です。 構造化ストリーミング: ストリーミング応答には、event → item → content → delta のイベント階層を持つ型付き Server-Sent Events (SSE) を使用します。 構造化出力: text.format フィールドは、json_schema および json_object 形式タイプに対応しています。 推論対応: 推論対応モデルは、reasoning 出力アイテムとして推論内容を公開します。

利用方法

シンプルな生成

from sambanova import SambaNova
client = SambaNova(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
response = client.responses.create(
    model="gpt-oss-120b",
    input="Explain the difference between supervised and unsupervised learning in two sentences."
)
print(response.output[0].content[0].text)
# or
print(response.output_text)

from openai import OpenAI
client = OpenAI(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
response = client.responses.create(
    model="gpt-oss-120b",
    input="Explain the difference between supervised and unsupervised learning in two sentences."
)
print(response.output[0].content[0].text)
# or
print(response.output_text)

ストリーミング応答

応答の生成に合わせて型付き SSE イベントを受け取るには、stream=True を設定します。

from sambanova import SambaNova
client = SambaNova(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
stream = client.responses.create(
    model="gpt-oss-120b",
    input="Write a short poem about speed.",
    stream=True
)
for event in stream:
    if event.type == "response.output_text.delta":
        print(event.delta, end="", flush=True)

from openai import OpenAI
client = OpenAI(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
stream = client.responses.create(
    model="gpt-oss-120b",
    input="Write a short poem about speed.",
    stream=True
)
for event in stream:
    if event.type == "response.output_text.delta":
        print(event.delta, end="", flush=True)

Function calling

ツールを指定すると、モデルはメッセージの代わりに function_call アイテムを返すことがあります。関数の実行と結果の返却は、アプリケーション側の責務です。 ステップ 1: ツールを定義してリクエストを送信します

from sambanova import SambaNova
client = SambaNova(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
tools = [
    {
        "type": "function",
        "name": "get_weather",
        "description": "Get the current weather for a city.",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "The city name, e.g. San Francisco"
                }
            },
            "required": ["city"]
        }
    }
]
response = client.responses.create(
    model="gpt-oss-120b",
    input=[{"role": "user", "content": "What is the weather in Bogotá?"}],
    tools=tools
)
for item in response.output:
    if item.type == "function_call":
        print(f"Tool: {item.name}, Arguments: {item.arguments}")

from openai import OpenAI
client = OpenAI(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
tools = [
    {
        "type": "function",
        "name": "get_weather",
        "description": "Get the current weather for a city.",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "The city name, e.g. San Francisco"
                }
            },
            "required": ["city"]
        }
    }
]
response = client.responses.create(
    model="gpt-oss-120b",
    input=[{"role": "user", "content": "What is the weather in Bogotá?"}],
    tools=tools
)
# Print the function_call items returned by the model
for item in response.output:
    if item.type == "function_call":
        print(f"Tool: {item.name}, Arguments: {item.arguments}")

ステップ 2: ツールを実行し、結果を返します (ステップ 1 の client、response、tools を使用します)

import json
def get_weather(city: str) -> dict:
    # Replace with a real weather API call
    return {"city": city, "temperature_celsius": 18, "condition": "Cloudy"}
# Find the function_call item in the response
tool_call = next(item for item in response.output if item.type == "function_call")
args = json.loads(tool_call.arguments)
result = get_weather(args["city"])
# Submit the tool result in a follow-up request
follow_up = client.responses.create(
    model="gpt-oss-120b",
    input=[
        {"role": "user", "content": "What is the weather in Bogotá?"},
        tool_call,
        {
            "type": "function_call_output",
            "call_id": tool_call.call_id,
            "output": json.dumps(result)
        }
    ],
    tools=tools
)
print(follow_up.output[0].content[0].text)

import json
def get_weather(city: str) -> dict:
    # Replace with a real weather API call
    return {"city": city, "temperature_celsius": 18, "condition": "Cloudy"}
# Find the function_call item in the response
tool_call = next(item for item in response.output if item.type == "function_call")
args = json.loads(tool_call.arguments)
result = get_weather(args["city"])
# Submit the tool result in a follow-up request
follow_up = client.responses.create(
    model="gpt-oss-120b",
    input=[
        {"role": "user", "content": "What is the weather in Bogotá?"},
        tool_call,
        {
            "type": "function_call_output",
            "call_id": tool_call.call_id,
            "output": json.dumps(result)
        }
    ],
    tools=tools
)
print(follow_up.output[0].content[0].text)

構造化出力

応答を JSON スキーマに制約するには、text.format フィールドを使用します。

import json
from sambanova import SambaNova
client = SambaNova(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
response = client.responses.create(
    model="gpt-oss-120b",
    input="Extract the event details: SambaNova launch on May 1, 2026 at 10am in San Francisco.",
    text={
        "format": {
            "type": "json_schema",
            "name": "event_extraction",
            "schema": {
                "type": "object",
                "properties": {
                    "title": {"type": "string"},
                    "date": {"type": "string"},
                    "time": {"type": "string"},
                    "location": {"type": "string"}
                },
                "required": ["title", "date", "time", "location"],
                "additionalProperties": False
            }
        }
    }
)
print(json.loads(response.output[0].content[0].text))

import json
from openai import OpenAI
client = OpenAI(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
response = client.responses.create(
    model="gpt-oss-120b",
    input="Extract the event details: SambaNova launch on May 1, 2026 at 10am in San Francisco.",
    text={
        "format": {
            "type": "json_schema",
            "name": "event_extraction",
            "schema": {
                "type": "object",
                "properties": {
                    "title": {"type": "string"},
                    "date": {"type": "string"},
                    "time": {"type": "string"},
                    "location": {"type": "string"}
                },
                "required": ["title", "date", "time", "location"],
                "additionalProperties": False
            }
        }
    }
)
print(json.loads(response.output[0].content[0].text))

マルチターン会話

Responses API はステートレスです。複数ターンにわたってコンテキストを維持するには、後続の各リクエストの input 配列に、新しいユーザーメッセージと併せて過去のすべての出力アイテムを含めてください。

from sambanova import SambaNova
client = SambaNova(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
# First turn
response_1 = client.responses.create(
    model="gpt-oss-120b",
    input=[{"role": "user", "content": "What is the capital of Colombia?"}]
)
assistant_message = response_1.output[0]
# Second turn – include prior output items
response_2 = client.responses.create(
    model="gpt-oss-120b",
    input=[
        {"role": "user", "content": "What is the capital of Colombia?"},
        assistant_message,
        {"role": "user", "content": "What is its approximate population?"}
    ]
)
print(response_2.output[0].content[0].text)

from openai import OpenAI
client = OpenAI(
    base_url="your-sambanova-base-url",
    api_key="your-sambanova-api-key"
)
# First turn
response_1 = client.responses.create(
    model="gpt-oss-120b",
    input=[{"role": "user", "content": "What is the capital of Colombia?"}]
)
assistant_message = response_1.output[0]
# Second turn – include prior output items
response_2 = client.responses.create(
    model="gpt-oss-120b",
    input=[
        {"role": "user", "content": "What is the capital of Colombia?"},
        assistant_message,
        {"role": "user", "content": "What is its approximate population?"}
    ]
)
print(response_2.output[0].content[0].text)

制限事項

previous_response_id パラメータは未対応です。SambaNova Responses API はステートレスであるため、過去の出力アイテムを input 配列に含めることで会話履歴を管理してください。
組み込みツールおよびサーバー実行ツールは未対応です。クライアントで実行する関数ツールのみ利用できます。

はじめに

モデル

機能一覧

活用ガイド

リソース

Responses API

対応モデル

仕組み

主な特徴

利用方法

シンプルな生成

ストリーミング応答

Function calling

構造化出力

マルチターン会話

制限事項

​対応モデル

​仕組み

​主な特徴

​利用方法

​シンプルな生成

​ストリーミング応答

​Function calling

​構造化出力

​マルチターン会話

​制限事項

対応モデル

仕組み

主な特徴

利用方法

シンプルな生成

ストリーミング応答

Function calling

構造化出力

マルチターン会話

制限事項