Gemini 2.5 Flash-Lite Preview 09-2025 er Googles septemberudgave til hyppige opgaver, der kræver et kortfattet og præcist målrettet tekstresultat. Producenten samler opdateringen om tre temaer: bedre efterlevelse af komplekse instruktioner og systemprompter, mindre ordrigdom samt forbedret oversættelse og multimodal forståelse. Det daterede navn adskiller netop denne previewudgave fra Flash-Lite-previewudgaven fra juni, den stabile model og et løbende opdateret latest-alias.
Bedre efterlevelse af instruktioner er nyttig, når en opgave har flere regler, der skal gælde samtidig. Angiv kildematerialet, målgruppen og det krævede format, og adskil derefter obligatorisk indhold fra valgfrie forklaringer. En opgave med behandling af supporthenvendelser kan kræve en kategori, kundens præcise spørgsmål og et næste trin, der udelukkende bygger på en medfølgende reference. En dokumentopgave kan angive, hvilke termer der skal bevares, hvilke fakta der skal fremgå, og hvordan manglende værdier skal gengives. Disse eksempler omsætter en detaljeret instruktion til et resultat med krav, hvis opfyldelse kan konstateres.
Mindre ordrigdom er en angivet egenskab ved denne udgivelse. Det er særligt relevant, når outputtet bliver en kort feltværdi, et kort svar eller næste input i en større arbejdsgang. Bed om de nødvendige oplysninger frem for en generel drøftelse: beslutningen, dens kilde og det uafklarede spørgsmål. Til en sammenfatning skal du opregne de fakta og frister, der skal bevares ved forkortelsen, og angive antallet af afsnit eller deres formål. Kortfattethed er ikke det samme som at udelade vigtige betingelser; en praktisk outputskabelon gør det krævede indhold tydeligt.
Google rapporterer forbedret oversættelseskvalitet, billedforståelse og lydtransskription i denne septemberopdatering. Til oversættelse skal du angive målgruppen og en ordliste samt skelne mellem navne, der skal forblive uændrede, og formuleringer, der skal lokaliseres. Til et billede skal du markere den komponent eller passage, der skal forklares, og beskrive, hvordan svaret skal bruges. Til lydtransskription skal du bede om en skriftlig gengivelse med de sprog- og formateringsregler, der er nødvendige for næste trin. En multimediekilde kan også sammenfattes eller sammenholdes med et tekstligt krav, når spørgsmålet udpeger det relevante indhold.
Kortet for den præcise daterede udgave angiver tekst, billeder, video, lyd og PDF som input og tekst som output. Grænserne er 1.048.576 inputtokens og 65.536 outputtokens, og den dokumenterede vidensgrænse er januar 2025. Den store inputkapacitet kan kombinere materialer, instruktioner og eksempler; giv hver kilde en etiket, og angiv, hvilken dokumentation svaret skal bruge. Dette er Flash-Lite-udgaven med tekstoutput: genereret tale, genererede billeder og en stemmegrænseflade i realtid indgår ikke i dens angivne outputprofil.
Producenten dokumenterer ræsonnement, strukturerede output, funktionskald, kodekørsel, søgeforankring, URL-kontekst og filsøgning. Ræsonnement kan bruges til en opgave med indbyrdes afhængige betingelser; et struktureret svar kan levere felter til udtrækning eller klassifikation. Et funktionskald indeholder et foreslået funktionsnavn og argumenter, mens applikationen udfører det og returnerer resultatet. Googles værktøj til kodekørsel bruger Python; søge- og dokumentværktøjer leverer eksternt materiale til et velunderbygget skriftligt svar. Den præcise profil omfatter også understøttelse af caching og batchbehandling. Dette er dokumenterede modelegenskaber, ikke en påstand om, at en bestemt applikation har aktiveret alle værktøjer eller kombineret dem i én anmodning.
Familiekortet beskriver en sparsom mixture-of-experts-transformer med indbygget multimodal forståelse. Fortræningen omfatter webtekst, programmeringssprog, billeder, lyd og video. Eftertræningen bruger kvalitetssikrede par af instruktioner og svar, oplysninger om menneskelige præferencer og data om værktøjsbrug med deduplikering samt sikkerheds- og kvalitetsfiltrering under forberedelsen. Samme kort angiver muligheden for opdigtede fakta, vanskeligheder med kausalt og kontrafaktisk ræsonnement, begrænsninger ved kompleks logisk deduktion og inkonsekvent overholdelse af ræsonnementsbudgetter. Det nævner også en tendens til, at nogle svar lyder overdrevent belærende. Dette er væsentlige kontrolpunkter for en model til kortfattet behandling.
Forbered repræsentative almindelige, tvetydige og ufuldstændige input til en gentagen opgave. Til oversættelse skal du sammenligne terminologi, betydning og det ønskede format, der kun indeholder outputtet. Til transskription eller dokumentudtrækning skal du sammenholde de returnerede detaljer med det indsendte materiale og identificere, hvad der ikke kunne fastslås. Til et kort svar skal du kontrollere, om alle obligatoriske fakta blev bevaret. Slutresultatet kan være en oversat passage, en kompakt sammenfatning, udtrukne felter eller en kategori og næste handling. Denne forberedelse udnytter septemberudgavens særlige fokus på præcis efterlevelse af instruktioner, kompakthed og multimediehåndtering og holder samtidig resultatet knyttet til den oprindelige dokumentation.
", "aboutText": "Gemini 2.5 Flash-Lite Preview 09-2025 er Googles septemberudgave til hyppige opgaver, der kræver et kortfattet og præcist målrettet tekstresultat. Producenten samler opdateringen om tre temaer: bedre efterlevelse af komplekse instruktioner og systemprompter, mindre ordrigdom samt forbedret oversættelse og multimodal forståelse. Det daterede navn adskiller netop denne previewudgave fra Flash-Lite-previewudgaven fra juni, den stabile model og et løbende opdateret latest-alias.\n\nBedre efterlevelse af instruktioner er nyttig, når en opgave har flere regler, der skal gælde samtidig. Angiv kildematerialet, målgruppen og det krævede format, og adskil derefter obligatorisk indhold fra valgfrie forklaringer. En opgave med behandling af supporthenvendelser kan kræve en kategori, kundens præcise spørgsmål og et næste trin, der udelukkende bygger på en medfølgende reference. En dokumentopgave kan angive, hvilke termer der skal bevares, hvilke fakta der skal fremgå, og hvordan manglende værdier skal gengives. Disse eksempler omsætter en detaljeret instruktion til et resultat med krav, hvis opfyldelse kan konstateres.\n\nMindre ordrigdom er en angivet egenskab ved denne udgivelse. Det er særligt relevant, når outputtet bliver en kort feltværdi, et kort svar eller næste input i en større arbejdsgang. Bed om de nødvendige oplysninger frem for en generel drøftelse: beslutningen, dens kilde og det uafklarede spørgsmål. Til en sammenfatning skal du opregne de fakta og frister, der skal bevares ved forkortelsen, og angive antallet af afsnit eller deres formål. Kortfattethed er ikke det samme som at udelade vigtige betingelser; en praktisk outputskabelon gør det krævede indhold tydeligt.\n\nGoogle rapporterer forbedret oversættelseskvalitet, billedforståelse og lydtransskription i denne septemberopdatering. Til oversættelse skal du angive målgruppen og en ordliste samt skelne mellem navne, der skal forblive uændrede, og formuleringer, der skal lokaliseres. Til et billede skal du markere den komponent eller passage, der skal forklares, og beskrive, hvordan svaret skal bruges. Til lydtransskription skal du bede om en skriftlig gengivelse med de sprog- og formateringsregler, der er nødvendige for næste trin. En multimediekilde kan også sammenfattes eller sammenholdes med et tekstligt krav, når spørgsmålet udpeger det relevante indhold.\n\nKortet for den præcise daterede udgave angiver tekst, billeder, video, lyd og PDF som input og tekst som output. Grænserne er 1.048.576 inputtokens og 65.536 outputtokens, og den dokumenterede vidensgrænse er januar 2025. Den store inputkapacitet kan kombinere materialer, instruktioner og eksempler; giv hver kilde en etiket, og angiv, hvilken dokumentation svaret skal bruge. Dette er Flash-Lite-udgaven med tekstoutput: genereret tale, genererede billeder og en stemmegrænseflade i realtid indgår ikke i dens angivne outputprofil.\n\nProducenten dokumenterer ræsonnement, strukturerede output, funktionskald, kodekørsel, søgeforankring, URL-kontekst og filsøgning. Ræsonnement kan bruges til en opgave med indbyrdes afhængige betingelser; et struktureret svar kan levere felter til udtrækning eller klassifikation. Et funktionskald indeholder et foreslået funktionsnavn og argumenter, mens applikationen udfører det og returnerer resultatet. Googles værktøj til kodekørsel bruger Python; søge- og dokumentværktøjer leverer eksternt materiale til et velunderbygget skriftligt svar. Den præcise profil omfatter også understøttelse af caching og batchbehandling. Dette er dokumenterede modelegenskaber, ikke en påstand om, at en bestemt applikation har aktiveret alle værktøjer eller kombineret dem i én anmodning.\n\nFamiliekortet beskriver en sparsom mixture-of-experts-transformer med indbygget multimodal forståelse. Fortræningen omfatter webtekst, programmeringssprog, billeder, lyd og video. Eftertræningen bruger kvalitetssikrede par af instruktioner og svar, oplysninger om menneskelige præferencer og data om værktøjsbrug med deduplikering samt sikkerheds- og kvalitetsfiltrering under forberedelsen. Samme kort angiver muligheden for opdigtede fakta, vanskeligheder med kausalt og kontrafaktisk ræsonnement, begrænsninger ved kompleks logisk deduktion og inkonsekvent overholdelse af ræsonnementsbudgetter. Det nævner også en tendens til, at nogle svar lyder overdrevent belærende. Dette er væsentlige kontrolpunkter for en model til kortfattet behandling.\n\nForbered repræsentative almindelige, tvetydige og ufuldstændige input til en gentagen opgave. Til oversættelse skal du sammenligne terminologi, betydning og det ønskede format, der kun indeholder outputtet. Til transskription eller dokumentudtrækning skal du sammenholde de returnerede detaljer med det indsendte materiale og identificere, hvad der ikke kunne fastslås. Til et kort svar skal du kontrollere, om alle obligatoriske fakta blev bevaret. Slutresultatet kan være en oversat passage, en kompakt sammenfatning, udtrukne felter eller en kategori og næste handling. Denne forberedelse udnytter septemberudgavens særlige fokus på præcis efterlevelse af instruktioner, kompakthed og multimediehåndtering og holder samtidig resultatet knyttet til den oprindelige dokumentation.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Translate a constrained support notice\n\nTranslate into French for a customer: “Your Atlas Hub replacement is reserved. We will confirm dispatch after the address check.” Keep Atlas Hub unchanged, preserve the difference between a reservation and dispatch confirmation, and return only the translation. Do not add a date, tracking number or guarantee.One French translation with the product name unchanged and both stages kept distinct.Check that the translation preserves the pending address check and does not announce dispatch.gemini-2.5-flash-lite-preview-09-2025Gemini 2.5 Flash-Lite Preview 09-2025 fokuserer på at følge instruktioner, kortfattet tekst, oversættelse og multimedieforståelse. Googles septemberudgave accepterer tekst, billeder, video, lyd og PDF med strukturerede svar og dokumenterede værktøjer til behandling af store mængder.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 2.5 Flash-Lite Preview 09-2025 er Googles septemberudgave til hyppige opgaver, der kræver et kortfattet og præcist målrettet tekstresultat. Producenten samler opdateringen om tre temaer: bedre efterlevelse af komplekse instruktioner og systemprompter, mindre ordrigdom samt forbedret oversættelse og multimodal forståelse. Det daterede navn adskiller netop denne previewudgave fra Flash-Lite-previewudgaven fra juni, den stabile model og et løbende opdateret latest-alias.
Bedre efterlevelse af instruktioner er nyttig, når en opgave har flere regler, der skal gælde samtidig. Angiv kildematerialet, målgruppen og det krævede format, og adskil derefter obligatorisk indhold fra valgfrie forklaringer. En opgave med behandling af supporthenvendelser kan kræve en kategori, kundens præcise spørgsmål og et næste trin, der udelukkende bygger på en medfølgende reference. En dokumentopgave kan angive, hvilke termer der skal bevares, hvilke fakta der skal fremgå, og hvordan manglende værdier skal gengives. Disse eksempler omsætter en detaljeret instruktion til et resultat med krav, hvis opfyldelse kan konstateres.
Mindre ordrigdom er en angivet egenskab ved denne udgivelse. Det er særligt relevant, når outputtet bliver en kort feltværdi, et kort svar eller næste input i en større arbejdsgang. Bed om de nødvendige oplysninger frem for en generel drøftelse: beslutningen, dens kilde og det uafklarede spørgsmål. Til en sammenfatning skal du opregne de fakta og frister, der skal bevares ved forkortelsen, og angive antallet af afsnit eller deres formål. Kortfattethed er ikke det samme som at udelade vigtige betingelser; en praktisk outputskabelon gør det krævede indhold tydeligt.
Google rapporterer forbedret oversættelseskvalitet, billedforståelse og lydtransskription i denne septemberopdatering. Til oversættelse skal du angive målgruppen og en ordliste samt skelne mellem navne, der skal forblive uændrede, og formuleringer, der skal lokaliseres. Til et billede skal du markere den komponent eller passage, der skal forklares, og beskrive, hvordan svaret skal bruges. Til lydtransskription skal du bede om en skriftlig gengivelse med de sprog- og formateringsregler, der er nødvendige for næste trin. En multimediekilde kan også sammenfattes eller sammenholdes med et tekstligt krav, når spørgsmålet udpeger det relevante indhold.
Kortet for den præcise daterede udgave angiver tekst, billeder, video, lyd og PDF som input og tekst som output. Grænserne er 1.048.576 inputtokens og 65.536 outputtokens, og den dokumenterede vidensgrænse er januar 2025. Den store inputkapacitet kan kombinere materialer, instruktioner og eksempler; giv hver kilde en etiket, og angiv, hvilken dokumentation svaret skal bruge. Dette er Flash-Lite-udgaven med tekstoutput: genereret tale, genererede billeder og en stemmegrænseflade i realtid indgår ikke i dens angivne outputprofil.
Producenten dokumenterer ræsonnement, strukturerede output, funktionskald, kodekørsel, søgeforankring, URL-kontekst og filsøgning. Ræsonnement kan bruges til en opgave med indbyrdes afhængige betingelser; et struktureret svar kan levere felter til udtrækning eller klassifikation. Et funktionskald indeholder et foreslået funktionsnavn og argumenter, mens applikationen udfører det og returnerer resultatet. Googles værktøj til kodekørsel bruger Python; søge- og dokumentværktøjer leverer eksternt materiale til et velunderbygget skriftligt svar. Den præcise profil omfatter også understøttelse af caching og batchbehandling. Dette er dokumenterede modelegenskaber, ikke en påstand om, at en bestemt applikation har aktiveret alle værktøjer eller kombineret dem i én anmodning.
Familiekortet beskriver en sparsom mixture-of-experts-transformer med indbygget multimodal forståelse. Fortræningen omfatter webtekst, programmeringssprog, billeder, lyd og video. Eftertræningen bruger kvalitetssikrede par af instruktioner og svar, oplysninger om menneskelige præferencer og data om værktøjsbrug med deduplikering samt sikkerheds- og kvalitetsfiltrering under forberedelsen. Samme kort angiver muligheden for opdigtede fakta, vanskeligheder med kausalt og kontrafaktisk ræsonnement, begrænsninger ved kompleks logisk deduktion og inkonsekvent overholdelse af ræsonnementsbudgetter. Det nævner også en tendens til, at nogle svar lyder overdrevent belærende. Dette er væsentlige kontrolpunkter for en model til kortfattet behandling.
Forbered repræsentative almindelige, tvetydige og ufuldstændige input til en gentagen opgave. Til oversættelse skal du sammenligne terminologi, betydning og det ønskede format, der kun indeholder outputtet. Til transskription eller dokumentudtrækning skal du sammenholde de returnerede detaljer med det indsendte materiale og identificere, hvad der ikke kunne fastslås. Til et kort svar skal du kontrollere, om alle obligatoriske fakta blev bevaret. Slutresultatet kan være en oversat passage, en kompakt sammenfatning, udtrukne felter eller en kategori og næste handling. Denne forberedelse udnytter septemberudgavens særlige fokus på præcis efterlevelse af instruktioner, kompakthed og multimediehåndtering og holder samtidig resultatet knyttet til den oprindelige dokumentation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-2.5-flash-lite-preview-09-2025 | 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-09-2025", "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-09-2025',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-09-2025',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-09-2025
Brug metodestierne vist ovenfor.
gemini-2.5-flash-lite-preview-09-2025Gemini 2.5 Flash-Lite Preview 09-2025 fokuserer på at følge instruktioner, kortfattet tekst, oversættelse og multimedieforståelse. Googles septemberudgave accepterer tekst, billeder, video, lyd og PDF med strukturerede svar og dokumenterede værktøjer til behandling af store mængder.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 2.5 Flash-Lite Preview 09-2025 er Googles septemberudgave til hyppige opgaver, der kræver et kortfattet og præcist målrettet tekstresultat. Producenten samler opdateringen om tre temaer: bedre efterlevelse af komplekse instruktioner og systemprompter, mindre ordrigdom samt forbedret oversættelse og multimodal forståelse. Det daterede navn adskiller netop denne previewudgave fra Flash-Lite-previewudgaven fra juni, den stabile model og et løbende opdateret latest-alias.
Bedre efterlevelse af instruktioner er nyttig, når en opgave har flere regler, der skal gælde samtidig. Angiv kildematerialet, målgruppen og det krævede format, og adskil derefter obligatorisk indhold fra valgfrie forklaringer. En opgave med behandling af supporthenvendelser kan kræve en kategori, kundens præcise spørgsmål og et næste trin, der udelukkende bygger på en medfølgende reference. En dokumentopgave kan angive, hvilke termer der skal bevares, hvilke fakta der skal fremgå, og hvordan manglende værdier skal gengives. Disse eksempler omsætter en detaljeret instruktion til et resultat med krav, hvis opfyldelse kan konstateres.
Mindre ordrigdom er en angivet egenskab ved denne udgivelse. Det er særligt relevant, når outputtet bliver en kort feltværdi, et kort svar eller næste input i en større arbejdsgang. Bed om de nødvendige oplysninger frem for en generel drøftelse: beslutningen, dens kilde og det uafklarede spørgsmål. Til en sammenfatning skal du opregne de fakta og frister, der skal bevares ved forkortelsen, og angive antallet af afsnit eller deres formål. Kortfattethed er ikke det samme som at udelade vigtige betingelser; en praktisk outputskabelon gør det krævede indhold tydeligt.
Google rapporterer forbedret oversættelseskvalitet, billedforståelse og lydtransskription i denne septemberopdatering. Til oversættelse skal du angive målgruppen og en ordliste samt skelne mellem navne, der skal forblive uændrede, og formuleringer, der skal lokaliseres. Til et billede skal du markere den komponent eller passage, der skal forklares, og beskrive, hvordan svaret skal bruges. Til lydtransskription skal du bede om en skriftlig gengivelse med de sprog- og formateringsregler, der er nødvendige for næste trin. En multimediekilde kan også sammenfattes eller sammenholdes med et tekstligt krav, når spørgsmålet udpeger det relevante indhold.
Kortet for den præcise daterede udgave angiver tekst, billeder, video, lyd og PDF som input og tekst som output. Grænserne er 1.048.576 inputtokens og 65.536 outputtokens, og den dokumenterede vidensgrænse er januar 2025. Den store inputkapacitet kan kombinere materialer, instruktioner og eksempler; giv hver kilde en etiket, og angiv, hvilken dokumentation svaret skal bruge. Dette er Flash-Lite-udgaven med tekstoutput: genereret tale, genererede billeder og en stemmegrænseflade i realtid indgår ikke i dens angivne outputprofil.
Producenten dokumenterer ræsonnement, strukturerede output, funktionskald, kodekørsel, søgeforankring, URL-kontekst og filsøgning. Ræsonnement kan bruges til en opgave med indbyrdes afhængige betingelser; et struktureret svar kan levere felter til udtrækning eller klassifikation. Et funktionskald indeholder et foreslået funktionsnavn og argumenter, mens applikationen udfører det og returnerer resultatet. Googles værktøj til kodekørsel bruger Python; søge- og dokumentværktøjer leverer eksternt materiale til et velunderbygget skriftligt svar. Den præcise profil omfatter også understøttelse af caching og batchbehandling. Dette er dokumenterede modelegenskaber, ikke en påstand om, at en bestemt applikation har aktiveret alle værktøjer eller kombineret dem i én anmodning.
Familiekortet beskriver en sparsom mixture-of-experts-transformer med indbygget multimodal forståelse. Fortræningen omfatter webtekst, programmeringssprog, billeder, lyd og video. Eftertræningen bruger kvalitetssikrede par af instruktioner og svar, oplysninger om menneskelige præferencer og data om værktøjsbrug med deduplikering samt sikkerheds- og kvalitetsfiltrering under forberedelsen. Samme kort angiver muligheden for opdigtede fakta, vanskeligheder med kausalt og kontrafaktisk ræsonnement, begrænsninger ved kompleks logisk deduktion og inkonsekvent overholdelse af ræsonnementsbudgetter. Det nævner også en tendens til, at nogle svar lyder overdrevent belærende. Dette er væsentlige kontrolpunkter for en model til kortfattet behandling.
Forbered repræsentative almindelige, tvetydige og ufuldstændige input til en gentagen opgave. Til oversættelse skal du sammenligne terminologi, betydning og det ønskede format, der kun indeholder outputtet. Til transskription eller dokumentudtrækning skal du sammenholde de returnerede detaljer med det indsendte materiale og identificere, hvad der ikke kunne fastslås. Til et kort svar skal du kontrollere, om alle obligatoriske fakta blev bevaret. Slutresultatet kan være en oversat passage, en kompakt sammenfatning, udtrukne felter eller en kategori og næste handling. Denne forberedelse udnytter septemberudgavens særlige fokus på præcis efterlevelse af instruktioner, kompakthed og multimediehåndtering og holder samtidig resultatet knyttet til den oprindelige dokumentation.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-2.5-flash-lite-preview-09-2025 | 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 $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-2.5-flash-lite-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-09-2025', '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-09-2025', '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-09-2025
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Translate a constrained support notice\n\nTranslate into French for a customer: “Your Atlas Hub replacement is reserved. We will confirm dispatch after the address check.” Keep Atlas Hub unchanged, preserve the difference between a reservation and dispatch confirmation, and return only the translation. Do not add a date, tracking number or guarantee.One French translation with the product name unchanged and both stages kept distinct.Check that the translation preserves the pending address check and does not announce dispatch.