Gemini 2.5 Flash-Lite Preview 06-17 er Googles juniudgave i preview af Flash-Lite, udviklet til hyppige opgaver, hvor lav svartid er vigtig, såsom klassifikation af beskeder og sammenfatning af materiale i stor skala. Den tilhører Gemini 2.5-familien med ræsonnement og bevarer samtidig en mulighed for direkte svar til enkle opgaver. Den daterede Preview-betegnelse adskiller denne udgivelse fra den stabile Flash-Lite og den senere septemberpreviewudgave, hvis forbedringer af instruktionsefterlevelse og multimodalitet tilhører deres egen særskilte udgave.
Junilanceringen placerer klassifikation og sammenfatning i centrum for den tilsigtede anvendelse. Et nyttigt input til klassifikation indeholder beskeden, de tilladte etiketter og eksempler på grænserne mellem dem; outputtet kan være en etiket, en kort begrundelse og de oplysninger, der kræves til næste behandlingstrin. En sammenfatningsopgave kan angive beslutninger, handlingspunkter, udtrykkeligt nævnte frister og uafklarede spørgsmål, der skal bevares. Dette er praktiske anvendelser af det erklærede formål: de giver en gentagen handling et tydeligt input og et kompakt resultat frem for at bede om en frit formuleret afhandling.
Ræsonnement er tilgængeligt, men slået fra som standard i denne juniudgave i preview af Flash-Lite. Google beskriver et justerbart ræsonnementsbudget, der lader opgaven bruge yderligere ræsonnement, når dens betingelser kræver det. Bevar den direkte fremgangsmåde til enkel kategorisering eller forkortelse; brug en opgave med ræsonnement til overlappende kategorier, undtagelser eller et spørgsmål, der kræver flere indbyrdes afhængige konklusioner. Angiv, hvilke betingelser der er obligatoriske, og hvad der udgør et korrekt svar. Ræsonnement er en egenskab til opgavebehandling; en længere forklaring er ikke i sig selv dokumentation for, at konklusionen er korrekt.
Googles tekniske rapport nævner udtrykkeligt denne junimodel og dokumenterer understøttelse af multimodale input og en kontekstlængde på en million tokens. Resultatet er tekst. Konteksten giver plads til kildemateriale, instruktioner og eksempler inden for samme opgave. Giv hvert dokument eller afsnit en tydelig rolle, og angiv derefter, hvad modellen skal udtrække eller sammenligne. Til en dokumentassistent skal du adskille spørgsmålet fra kildeteksten og bede om et resultat, der er knyttet til de relevante passager. Til et udtrækningstrin skal du definere felterne, og hvordan oplysninger, der ikke findes i materialet, skal gengives. Dette er en kontekstegenskab, ikke et løfte om, at uvedkommende indhold bliver nyttigt alene ved at blive inkluderet.
Juniannonceringen angiver indbyggede værktøjer til søgeforankring, kodekørsel og URL-kontekst samt funktionskald. Søgeforankring føjer weboplysninger til et svar; URL-kontekst bruger indholdet af indsendte sider til opgaver såsom sammenligning af dokumenter eller udtrækning af detaljer. Googles værktøj til kodekørsel genererer og kører Python til beregninger eller tekstbehandling og bruger kørselsresultatet i svaret. Funktionskald har en anden rolle: modellen vælger en deklareret funktion og dens argumenter, mens den tilsluttede applikation udfører den og returnerer resultatet. Definer funktionens formål og tilladte parametre, så en værktøjsassisteret opgave har en udtrykkelig næste handling.
Til en tilbagevendende arbejdsgang skal du forberede et lille sæt repræsentative input, før samme instruktion anvendes på en større samling. Medtag et almindeligt tilfælde, et tvetydigt tilfælde og et tilfælde med manglende oplysninger. Et eksempel fra kundesupport kan bede om et emne, kundens faktiske spørgsmål og et svar, der udelukkende bygger på en medfølgende referencepassage. Et korrespondanceeksempel kan bede om en opgaveliste med en handling, den person, der tildeler den, og en frist, men kun når fristen er angivet. Hold disse ønskede felter adskilt fra forklarende tekst, så det resulterende tekstoutput kan kontrolleres mod det oprindelige element.
Producentens modelkort for Flash-Lite-familien angiver muligheden for opdigtede fakta og vanskeligheder med årsagsforståelse, kompleks logisk deduktion og kontrafaktisk ræsonnement. Det bemærker også, at overholdelsen af et ræsonnementsbudget kan være inkonsekvent. Behandl disse som konkrete kontrolpunkter: sammenhold udtrukne fakta med kilden, kontroller indbyrdes afhængige beregninger, og skeln mellem et observeret udsagn og en udledt forklaring. Det nyttige slutresultat er en kompakt klassifikation, sammenfatning, udtrækning eller besvarelse, hvis krævede fakta og manglende oplysninger kan gennemgås. Denne juniudgave er et særskilt valg til tekstbehandling; senere previewspecifikationer omdefinerer ikke dens dokumenterede identitet.
", "aboutText": "Gemini 2.5 Flash-Lite Preview 06-17 er Googles juniudgave i preview af Flash-Lite, udviklet til hyppige opgaver, hvor lav svartid er vigtig, såsom klassifikation af beskeder og sammenfatning af materiale i stor skala. Den tilhører Gemini 2.5-familien med ræsonnement og bevarer samtidig en mulighed for direkte svar til enkle opgaver. Den daterede Preview-betegnelse adskiller denne udgivelse fra den stabile Flash-Lite og den senere septemberpreviewudgave, hvis forbedringer af instruktionsefterlevelse og multimodalitet tilhører deres egen særskilte udgave.\n\nJunilanceringen placerer klassifikation og sammenfatning i centrum for den tilsigtede anvendelse. Et nyttigt input til klassifikation indeholder beskeden, de tilladte etiketter og eksempler på grænserne mellem dem; outputtet kan være en etiket, en kort begrundelse og de oplysninger, der kræves til næste behandlingstrin. En sammenfatningsopgave kan angive beslutninger, handlingspunkter, udtrykkeligt nævnte frister og uafklarede spørgsmål, der skal bevares. Dette er praktiske anvendelser af det erklærede formål: de giver en gentagen handling et tydeligt input og et kompakt resultat frem for at bede om en frit formuleret afhandling.\n\nRæsonnement er tilgængeligt, men slået fra som standard i denne juniudgave i preview af Flash-Lite. Google beskriver et justerbart ræsonnementsbudget, der lader opgaven bruge yderligere ræsonnement, når dens betingelser kræver det. Bevar den direkte fremgangsmåde til enkel kategorisering eller forkortelse; brug en opgave med ræsonnement til overlappende kategorier, undtagelser eller et spørgsmål, der kræver flere indbyrdes afhængige konklusioner. Angiv, hvilke betingelser der er obligatoriske, og hvad der udgør et korrekt svar. Ræsonnement er en egenskab til opgavebehandling; en længere forklaring er ikke i sig selv dokumentation for, at konklusionen er korrekt.\n\nGoogles tekniske rapport nævner udtrykkeligt denne junimodel og dokumenterer understøttelse af multimodale input og en kontekstlængde på en million tokens. Resultatet er tekst. Konteksten giver plads til kildemateriale, instruktioner og eksempler inden for samme opgave. Giv hvert dokument eller afsnit en tydelig rolle, og angiv derefter, hvad modellen skal udtrække eller sammenligne. Til en dokumentassistent skal du adskille spørgsmålet fra kildeteksten og bede om et resultat, der er knyttet til de relevante passager. Til et udtrækningstrin skal du definere felterne, og hvordan oplysninger, der ikke findes i materialet, skal gengives. Dette er en kontekstegenskab, ikke et løfte om, at uvedkommende indhold bliver nyttigt alene ved at blive inkluderet.\n\nJuniannonceringen angiver indbyggede værktøjer til søgeforankring, kodekørsel og URL-kontekst samt funktionskald. Søgeforankring føjer weboplysninger til et svar; URL-kontekst bruger indholdet af indsendte sider til opgaver såsom sammenligning af dokumenter eller udtrækning af detaljer. Googles værktøj til kodekørsel genererer og kører Python til beregninger eller tekstbehandling og bruger kørselsresultatet i svaret. Funktionskald har en anden rolle: modellen vælger en deklareret funktion og dens argumenter, mens den tilsluttede applikation udfører den og returnerer resultatet. Definer funktionens formål og tilladte parametre, så en værktøjsassisteret opgave har en udtrykkelig næste handling.\n\nTil en tilbagevendende arbejdsgang skal du forberede et lille sæt repræsentative input, før samme instruktion anvendes på en større samling. Medtag et almindeligt tilfælde, et tvetydigt tilfælde og et tilfælde med manglende oplysninger. Et eksempel fra kundesupport kan bede om et emne, kundens faktiske spørgsmål og et svar, der udelukkende bygger på en medfølgende referencepassage. Et korrespondanceeksempel kan bede om en opgaveliste med en handling, den person, der tildeler den, og en frist, men kun når fristen er angivet. Hold disse ønskede felter adskilt fra forklarende tekst, så det resulterende tekstoutput kan kontrolleres mod det oprindelige element.\n\nProducentens modelkort for Flash-Lite-familien angiver muligheden for opdigtede fakta og vanskeligheder med årsagsforståelse, kompleks logisk deduktion og kontrafaktisk ræsonnement. Det bemærker også, at overholdelsen af et ræsonnementsbudget kan være inkonsekvent. Behandl disse som konkrete kontrolpunkter: sammenhold udtrukne fakta med kilden, kontroller indbyrdes afhængige beregninger, og skeln mellem et observeret udsagn og en udledt forklaring. Det nyttige slutresultat er en kompakt klassifikation, sammenfatning, udtrækning eller besvarelse, hvis krævede fakta og manglende oplysninger kan gennemgås. Denne juniudgave er et særskilt valg til tekstbehandling; senere previewspecifikationer omdefinerer ikke dens dokumenterede identitet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract actions from a meeting note\n\nExtract only explicit action items from this note: 'Mira will send the revised price sheet by Friday. Jonas suggested checking packaging later, but nobody accepted that task. Noor will confirm the delivery address; no deadline was set.' Return a table with action, owner and deadline. Use 'not stated' for an absent deadline and exclude unassigned suggestions.A compact action table containing explicit commitments and source-grounded deadline values.The unassigned packaging suggestion is excluded, and Noor's deadline is not invented.gemini-2.5-flash-lite-preview-06-17Gemini 2.5 Flash-Lite Preview 06-17 er Googles juniudgave til klassifikation og sammenfatning med høj gennemstrømning samt gentagelig tekstbehandling. Den kombinerer en kontekst på en million tokens, valgfrit ræsonnement og dokumenterede værktøjer til søgning, kode, URL-kontekst og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 2.5 Flash-Lite Preview 06-17 er Googles juniudgave i preview af Flash-Lite, udviklet til hyppige opgaver, hvor lav svartid er vigtig, såsom klassifikation af beskeder og sammenfatning af materiale i stor skala. Den tilhører Gemini 2.5-familien med ræsonnement og bevarer samtidig en mulighed for direkte svar til enkle opgaver. Den daterede Preview-betegnelse adskiller denne udgivelse fra den stabile Flash-Lite og den senere septemberpreviewudgave, hvis forbedringer af instruktionsefterlevelse og multimodalitet tilhører deres egen særskilte udgave.
Junilanceringen placerer klassifikation og sammenfatning i centrum for den tilsigtede anvendelse. Et nyttigt input til klassifikation indeholder beskeden, de tilladte etiketter og eksempler på grænserne mellem dem; outputtet kan være en etiket, en kort begrundelse og de oplysninger, der kræves til næste behandlingstrin. En sammenfatningsopgave kan angive beslutninger, handlingspunkter, udtrykkeligt nævnte frister og uafklarede spørgsmål, der skal bevares. Dette er praktiske anvendelser af det erklærede formål: de giver en gentagen handling et tydeligt input og et kompakt resultat frem for at bede om en frit formuleret afhandling.
Ræsonnement er tilgængeligt, men slået fra som standard i denne juniudgave i preview af Flash-Lite. Google beskriver et justerbart ræsonnementsbudget, der lader opgaven bruge yderligere ræsonnement, når dens betingelser kræver det. Bevar den direkte fremgangsmåde til enkel kategorisering eller forkortelse; brug en opgave med ræsonnement til overlappende kategorier, undtagelser eller et spørgsmål, der kræver flere indbyrdes afhængige konklusioner. Angiv, hvilke betingelser der er obligatoriske, og hvad der udgør et korrekt svar. Ræsonnement er en egenskab til opgavebehandling; en længere forklaring er ikke i sig selv dokumentation for, at konklusionen er korrekt.
Googles tekniske rapport nævner udtrykkeligt denne junimodel og dokumenterer understøttelse af multimodale input og en kontekstlængde på en million tokens. Resultatet er tekst. Konteksten giver plads til kildemateriale, instruktioner og eksempler inden for samme opgave. Giv hvert dokument eller afsnit en tydelig rolle, og angiv derefter, hvad modellen skal udtrække eller sammenligne. Til en dokumentassistent skal du adskille spørgsmålet fra kildeteksten og bede om et resultat, der er knyttet til de relevante passager. Til et udtrækningstrin skal du definere felterne, og hvordan oplysninger, der ikke findes i materialet, skal gengives. Dette er en kontekstegenskab, ikke et løfte om, at uvedkommende indhold bliver nyttigt alene ved at blive inkluderet.
Juniannonceringen angiver indbyggede værktøjer til søgeforankring, kodekørsel og URL-kontekst samt funktionskald. Søgeforankring føjer weboplysninger til et svar; URL-kontekst bruger indholdet af indsendte sider til opgaver såsom sammenligning af dokumenter eller udtrækning af detaljer. Googles værktøj til kodekørsel genererer og kører Python til beregninger eller tekstbehandling og bruger kørselsresultatet i svaret. Funktionskald har en anden rolle: modellen vælger en deklareret funktion og dens argumenter, mens den tilsluttede applikation udfører den og returnerer resultatet. Definer funktionens formål og tilladte parametre, så en værktøjsassisteret opgave har en udtrykkelig næste handling.
Til en tilbagevendende arbejdsgang skal du forberede et lille sæt repræsentative input, før samme instruktion anvendes på en større samling. Medtag et almindeligt tilfælde, et tvetydigt tilfælde og et tilfælde med manglende oplysninger. Et eksempel fra kundesupport kan bede om et emne, kundens faktiske spørgsmål og et svar, der udelukkende bygger på en medfølgende referencepassage. Et korrespondanceeksempel kan bede om en opgaveliste med en handling, den person, der tildeler den, og en frist, men kun når fristen er angivet. Hold disse ønskede felter adskilt fra forklarende tekst, så det resulterende tekstoutput kan kontrolleres mod det oprindelige element.
Producentens modelkort for Flash-Lite-familien angiver muligheden for opdigtede fakta og vanskeligheder med årsagsforståelse, kompleks logisk deduktion og kontrafaktisk ræsonnement. Det bemærker også, at overholdelsen af et ræsonnementsbudget kan være inkonsekvent. Behandl disse som konkrete kontrolpunkter: sammenhold udtrukne fakta med kilden, kontroller indbyrdes afhængige beregninger, og skeln mellem et observeret udsagn og en udledt forklaring. Det nyttige slutresultat er en kompakt klassifikation, sammenfatning, udtrækning eller besvarelse, hvis krævede fakta og manglende oplysninger kan gennemgås. Denne juniudgave er et særskilt valg til tekstbehandling; senere previewspecifikationer omdefinerer ikke dens dokumenterede identitet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-2.5-flash-lite-preview-06-17 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-lite-preview-06-17", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-lite-preview-06-17',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-lite-preview-06-17',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gemini-2.5-flash-lite-preview-06-17
Brug metodestierne vist ovenfor.
gemini-2.5-flash-lite-preview-06-17Gemini 2.5 Flash-Lite Preview 06-17 er Googles juniudgave til klassifikation og sammenfatning med høj gennemstrømning samt gentagelig tekstbehandling. Den kombinerer en kontekst på en million tokens, valgfrit ræsonnement og dokumenterede værktøjer til søgning, kode, URL-kontekst og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 2.5 Flash-Lite Preview 06-17 er Googles juniudgave i preview af Flash-Lite, udviklet til hyppige opgaver, hvor lav svartid er vigtig, såsom klassifikation af beskeder og sammenfatning af materiale i stor skala. Den tilhører Gemini 2.5-familien med ræsonnement og bevarer samtidig en mulighed for direkte svar til enkle opgaver. Den daterede Preview-betegnelse adskiller denne udgivelse fra den stabile Flash-Lite og den senere septemberpreviewudgave, hvis forbedringer af instruktionsefterlevelse og multimodalitet tilhører deres egen særskilte udgave.
Junilanceringen placerer klassifikation og sammenfatning i centrum for den tilsigtede anvendelse. Et nyttigt input til klassifikation indeholder beskeden, de tilladte etiketter og eksempler på grænserne mellem dem; outputtet kan være en etiket, en kort begrundelse og de oplysninger, der kræves til næste behandlingstrin. En sammenfatningsopgave kan angive beslutninger, handlingspunkter, udtrykkeligt nævnte frister og uafklarede spørgsmål, der skal bevares. Dette er praktiske anvendelser af det erklærede formål: de giver en gentagen handling et tydeligt input og et kompakt resultat frem for at bede om en frit formuleret afhandling.
Ræsonnement er tilgængeligt, men slået fra som standard i denne juniudgave i preview af Flash-Lite. Google beskriver et justerbart ræsonnementsbudget, der lader opgaven bruge yderligere ræsonnement, når dens betingelser kræver det. Bevar den direkte fremgangsmåde til enkel kategorisering eller forkortelse; brug en opgave med ræsonnement til overlappende kategorier, undtagelser eller et spørgsmål, der kræver flere indbyrdes afhængige konklusioner. Angiv, hvilke betingelser der er obligatoriske, og hvad der udgør et korrekt svar. Ræsonnement er en egenskab til opgavebehandling; en længere forklaring er ikke i sig selv dokumentation for, at konklusionen er korrekt.
Googles tekniske rapport nævner udtrykkeligt denne junimodel og dokumenterer understøttelse af multimodale input og en kontekstlængde på en million tokens. Resultatet er tekst. Konteksten giver plads til kildemateriale, instruktioner og eksempler inden for samme opgave. Giv hvert dokument eller afsnit en tydelig rolle, og angiv derefter, hvad modellen skal udtrække eller sammenligne. Til en dokumentassistent skal du adskille spørgsmålet fra kildeteksten og bede om et resultat, der er knyttet til de relevante passager. Til et udtrækningstrin skal du definere felterne, og hvordan oplysninger, der ikke findes i materialet, skal gengives. Dette er en kontekstegenskab, ikke et løfte om, at uvedkommende indhold bliver nyttigt alene ved at blive inkluderet.
Juniannonceringen angiver indbyggede værktøjer til søgeforankring, kodekørsel og URL-kontekst samt funktionskald. Søgeforankring føjer weboplysninger til et svar; URL-kontekst bruger indholdet af indsendte sider til opgaver såsom sammenligning af dokumenter eller udtrækning af detaljer. Googles værktøj til kodekørsel genererer og kører Python til beregninger eller tekstbehandling og bruger kørselsresultatet i svaret. Funktionskald har en anden rolle: modellen vælger en deklareret funktion og dens argumenter, mens den tilsluttede applikation udfører den og returnerer resultatet. Definer funktionens formål og tilladte parametre, så en værktøjsassisteret opgave har en udtrykkelig næste handling.
Til en tilbagevendende arbejdsgang skal du forberede et lille sæt repræsentative input, før samme instruktion anvendes på en større samling. Medtag et almindeligt tilfælde, et tvetydigt tilfælde og et tilfælde med manglende oplysninger. Et eksempel fra kundesupport kan bede om et emne, kundens faktiske spørgsmål og et svar, der udelukkende bygger på en medfølgende referencepassage. Et korrespondanceeksempel kan bede om en opgaveliste med en handling, den person, der tildeler den, og en frist, men kun når fristen er angivet. Hold disse ønskede felter adskilt fra forklarende tekst, så det resulterende tekstoutput kan kontrolleres mod det oprindelige element.
Producentens modelkort for Flash-Lite-familien angiver muligheden for opdigtede fakta og vanskeligheder med årsagsforståelse, kompleks logisk deduktion og kontrafaktisk ræsonnement. Det bemærker også, at overholdelsen af et ræsonnementsbudget kan være inkonsekvent. Behandl disse som konkrete kontrolpunkter: sammenhold udtrukne fakta med kilden, kontroller indbyrdes afhængige beregninger, og skeln mellem et observeret udsagn og en udledt forklaring. Det nyttige slutresultat er en kompakt klassifikation, sammenfatning, udtrækning eller besvarelse, hvis krævede fakta og manglende oplysninger kan gennemgås. Denne juniudgave er et særskilt valg til tekstbehandling; senere previewspecifikationer omdefinerer ikke dens dokumenterede identitet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-2.5-flash-lite-preview-06-17 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-2.5-flash-lite-preview-06-17",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-06-17', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-lite-preview-06-17', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra gemini-2.5-flash-lite-preview-06-17
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract actions from a meeting note\n\nExtract only explicit action items from this note: 'Mira will send the revised price sheet by Friday. Jonas suggested checking packaging later, but nobody accepted that task. Noor will confirm the delivery address; no deadline was set.' Return a table with action, owner and deadline. Use 'not stated' for an absent deadline and exclude unassigned suggestions.A compact action table containing explicit commitments and source-grounded deadline values.The unassigned packaging suggestion is excluded, and Noor's deadline is not invented.