Gemini 2.5 Flash Preview 09-2025 er septemberudgaven i preview af Googles hybride ræsonnementsmodel. Dens dokumenterede input er tekst, billeder, video og lyd; outputtet er tekst. Modellen kan kombinere spørgsmålet med visuelt eller talt materiale og derefter udarbejde en forklaring, et dokument, kode eller et struktureret svar. Denne præcise daterede udgave er forskellig fra den stabile Gemini 2.5 Flash og fra et løbende opdateret latest-alias. Dens formål er multimodal forståelse og værktøjsassisteret arbejde med et skriftligt resultat.
Google beskriver to specifikke forbedringer i denne udgivelse: bedre værktøjsbrug i agentopgaver og mere økonomisk generering af svar, når ræsonnement er aktiveret. Den første vedrører opgaver, der kræver flere sammenhængende handlinger, såsom at indhente oplysninger, sammenholde dem med anmodningen og vælge næste trin. Den anden vedrører udarbejdelse af nyttige svar med færre genererede tokens, samtidig med at kvaliteten bevares. Til en udviklingsassistent skal du angive den observerede adfærd, relevant kode og kriteriet for en vellykket ændring. Til en researchassistent skal du definere spørgsmålet, det materiale, der skal undersøges, og den dokumentation, der kræves for konklusionen.
Ræsonnement og direkte svar indgår i det hybride design. En ræsonnementsopgave kan analysere afhængigheder, matematiske betingelser eller en plan med flere trin, før det endelige svar udarbejdes. En enkel udtrækning eller kort forklaring kan have et enklere mål for svaret. Angiv, hvilke begrænsninger der er obligatoriske, hvad modellen må antage, og hvad slutresultatet skal indeholde. Producentens modelkort for familien bemærker, at overholdelsen af ræsonnementsbudgetter kan være inkonsekvent, så et ønsket budget dokumenterer ikke en streng øvre grænse for ræsonnement. Denne beskrivelse tillægger ikke septemberudgaven en nyere models ræsonnementsniveauer eller standardindstillinger.
Modeltabellen for netop septemberudgaven angiver op til 1.048.576 inputtokens og 65.536 outputtokens. Dens store inputkapacitet kan rumme instruktioner, eksempler, referencetekst og multimediekontekst i én opgave. Hvis du vil sammenligne krav med en foreslået løsning, skal du mærke de to kilder og angive et fælles sæt kriterier. Hvis du vil drøfte et skærmbillede, skal du identificere den relevante tilstand eller komponent; til en lyd- eller videoopgave skal du angive spørgsmålet eller hændelsen frem for at bede om en beskrivelse uden et bestemt fokus. Resultatet er fortsat tekst: indbygget billedgenerering, stemmegenerering og talt dialog i realtid hører til andre modelprofiler.
Google dokumenterer funktionskald, kodekørsel, søgeforankring, URL-kontekst og filsøgning for netop denne previewudgave. Funktionskald vælger en deklareret funktion og forbereder argumenter; den tilsluttede applikation udfører handlingen og returnerer resultatet. Kodekørsel bruger genereret Python til beregninger eller tekstbehandling. Søgeforankring leverer webmateriale til et kildebaseret svar, mens URL-kontekst arbejder med indholdet af bestemte tilgængelige sider. Filsøgning giver endnu en mulighed for at hente kildemateriale. Giv en agent et tydeligt formål med hvert værktøj, og angiv de forventede oplysninger fra hvert trin, så arbejdsgangen kan fortsætte ud fra det faktisk returnerede resultat.
Understøttelse af struktureret output gør slutresultatet anvendeligt som et sæt definerede felter. Til en sammenligning skal du bede om et kriterium, den tilsvarende kildepassage, den observerede forskel og det spørgsmål, der stadig kræver afklaring. Til en kodeopgave skal du adskille den foreslåede ændring fra forklaringen og de kontroller, der stadig er nødvendige. Googles præcise modelprofil angiver også understøttelse af kontekstcaching og batchbehandling. Gentaget kildemateriale kan holdes ensartet på tværs af beslægtede opgaver; caching dokumenterer ikke i sig selv, at en bestemt anmodning genbrugte cachede tokens. Disse funktionsnavne indebærer ingen nyere skemakombinationer, cachetærskler eller samtidige værktøjstilstande.
Modelkortet for familien beskriver en sparsom mixture-of-experts-transformer med indbygget forståelse af tekst, visuelt materiale og lyd. Træningen kombinerer webtekst, kode, billeder, lyd og video; eftertræningen omfatter parrede multimodale instruktioner og svar, menneskelige præferencer og data om værktøjsbrug. Dataforberedelsen anvender deduplikering samt sikkerheds- og kvalitetsfiltrering. Modelsiden for den præcise daterede udgave angiver januar 2025 som vidensgrænse. Spørgsmål, der kræver nyere oplysninger, bør angive deres kildemateriale eller et passende hentetrin frem for at behandle modellens træningsviden som en løbende informationskilde.
Væsentlige begrænsninger omfatter muligheden for opdigtede fakta og vanskeligheder med årsagsforståelse, kompleks logisk deduktion og kontrafaktisk ræsonnement. Familiekortet bemærker også, at svar undertiden kan have en unødigt belærende tone. For at få et nyttigt resultat skal du kræve, at modellen skelner mellem kildefakta, antagelser og foreslåede handlinger, og derefter gennemgå de dele, der er afgørende for beslutningen. Et fuldstændigt resultat fra en agentopgave kan indeholde fund, et begrundet næste trin, oplysninger hentet fra værktøjer og eventuelle uafklarede spørgsmål. Septemberudgavens fokus på værktøjsbrug er med til at definere denne arbejdsgang, mens de forberedte input og udtrykkelige kriterier for færdiggørelse holder den knyttet til brugerens opgave.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 er septemberudgaven i preview af Googles hybride ræsonnementsmodel. Dens dokumenterede input er tekst, billeder, video og lyd; outputtet er tekst. Modellen kan kombinere spørgsmålet med visuelt eller talt materiale og derefter udarbejde en forklaring, et dokument, kode eller et struktureret svar. Denne præcise daterede udgave er forskellig fra den stabile Gemini 2.5 Flash og fra et løbende opdateret latest-alias. Dens formål er multimodal forståelse og værktøjsassisteret arbejde med et skriftligt resultat.\n\nGoogle beskriver to specifikke forbedringer i denne udgivelse: bedre værktøjsbrug i agentopgaver og mere økonomisk generering af svar, når ræsonnement er aktiveret. Den første vedrører opgaver, der kræver flere sammenhængende handlinger, såsom at indhente oplysninger, sammenholde dem med anmodningen og vælge næste trin. Den anden vedrører udarbejdelse af nyttige svar med færre genererede tokens, samtidig med at kvaliteten bevares. Til en udviklingsassistent skal du angive den observerede adfærd, relevant kode og kriteriet for en vellykket ændring. Til en researchassistent skal du definere spørgsmålet, det materiale, der skal undersøges, og den dokumentation, der kræves for konklusionen.\n\nRæsonnement og direkte svar indgår i det hybride design. En ræsonnementsopgave kan analysere afhængigheder, matematiske betingelser eller en plan med flere trin, før det endelige svar udarbejdes. En enkel udtrækning eller kort forklaring kan have et enklere mål for svaret. Angiv, hvilke begrænsninger der er obligatoriske, hvad modellen må antage, og hvad slutresultatet skal indeholde. Producentens modelkort for familien bemærker, at overholdelsen af ræsonnementsbudgetter kan være inkonsekvent, så et ønsket budget dokumenterer ikke en streng øvre grænse for ræsonnement. Denne beskrivelse tillægger ikke septemberudgaven en nyere models ræsonnementsniveauer eller standardindstillinger.\n\nModeltabellen for netop septemberudgaven angiver op til 1.048.576 inputtokens og 65.536 outputtokens. Dens store inputkapacitet kan rumme instruktioner, eksempler, referencetekst og multimediekontekst i én opgave. Hvis du vil sammenligne krav med en foreslået løsning, skal du mærke de to kilder og angive et fælles sæt kriterier. Hvis du vil drøfte et skærmbillede, skal du identificere den relevante tilstand eller komponent; til en lyd- eller videoopgave skal du angive spørgsmålet eller hændelsen frem for at bede om en beskrivelse uden et bestemt fokus. Resultatet er fortsat tekst: indbygget billedgenerering, stemmegenerering og talt dialog i realtid hører til andre modelprofiler.\n\nGoogle dokumenterer funktionskald, kodekørsel, søgeforankring, URL-kontekst og filsøgning for netop denne previewudgave. Funktionskald vælger en deklareret funktion og forbereder argumenter; den tilsluttede applikation udfører handlingen og returnerer resultatet. Kodekørsel bruger genereret Python til beregninger eller tekstbehandling. Søgeforankring leverer webmateriale til et kildebaseret svar, mens URL-kontekst arbejder med indholdet af bestemte tilgængelige sider. Filsøgning giver endnu en mulighed for at hente kildemateriale. Giv en agent et tydeligt formål med hvert værktøj, og angiv de forventede oplysninger fra hvert trin, så arbejdsgangen kan fortsætte ud fra det faktisk returnerede resultat.\n\nUnderstøttelse af struktureret output gør slutresultatet anvendeligt som et sæt definerede felter. Til en sammenligning skal du bede om et kriterium, den tilsvarende kildepassage, den observerede forskel og det spørgsmål, der stadig kræver afklaring. Til en kodeopgave skal du adskille den foreslåede ændring fra forklaringen og de kontroller, der stadig er nødvendige. Googles præcise modelprofil angiver også understøttelse af kontekstcaching og batchbehandling. Gentaget kildemateriale kan holdes ensartet på tværs af beslægtede opgaver; caching dokumenterer ikke i sig selv, at en bestemt anmodning genbrugte cachede tokens. Disse funktionsnavne indebærer ingen nyere skemakombinationer, cachetærskler eller samtidige værktøjstilstande.\n\nModelkortet for familien beskriver en sparsom mixture-of-experts-transformer med indbygget forståelse af tekst, visuelt materiale og lyd. Træningen kombinerer webtekst, kode, billeder, lyd og video; eftertræningen omfatter parrede multimodale instruktioner og svar, menneskelige præferencer og data om værktøjsbrug. Dataforberedelsen anvender deduplikering samt sikkerheds- og kvalitetsfiltrering. Modelsiden for den præcise daterede udgave angiver januar 2025 som vidensgrænse. Spørgsmål, der kræver nyere oplysninger, bør angive deres kildemateriale eller et passende hentetrin frem for at behandle modellens træningsviden som en løbende informationskilde.\n\nVæsentlige begrænsninger omfatter muligheden for opdigtede fakta og vanskeligheder med årsagsforståelse, kompleks logisk deduktion og kontrafaktisk ræsonnement. Familiekortet bemærker også, at svar undertiden kan have en unødigt belærende tone. For at få et nyttigt resultat skal du kræve, at modellen skelner mellem kildefakta, antagelser og foreslåede handlinger, og derefter gennemgå de dele, der er afgørende for beslutningen. Et fuldstændigt resultat fra en agentopgave kan indeholde fund, et begrundet næste trin, oplysninger hentet fra værktøjer og eventuelle uafklarede spørgsmål. Septemberudgavens fokus på værktøjsbrug er med til at definere denne arbejdsgang, mens de forberedte input og udtrykkelige kriterier for færdiggørelse holder den knyttet til brugerens opgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 er Googles septemberudgave til multimodal analyse og arbejde med værktøjer i flere trin. Den kombinerer forståelse af tekst, billeder, video og lyd med ræsonnement, strukturerede svar og en inputgrænse på 1.048.576 tokens samt specifikke forbedringer af agenters brug af værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 2.5 Flash Preview 09-2025 er septemberudgaven i preview af Googles hybride ræsonnementsmodel. Dens dokumenterede input er tekst, billeder, video og lyd; outputtet er tekst. Modellen kan kombinere spørgsmålet med visuelt eller talt materiale og derefter udarbejde en forklaring, et dokument, kode eller et struktureret svar. Denne præcise daterede udgave er forskellig fra den stabile Gemini 2.5 Flash og fra et løbende opdateret latest-alias. Dens formål er multimodal forståelse og værktøjsassisteret arbejde med et skriftligt resultat.
Google beskriver to specifikke forbedringer i denne udgivelse: bedre værktøjsbrug i agentopgaver og mere økonomisk generering af svar, når ræsonnement er aktiveret. Den første vedrører opgaver, der kræver flere sammenhængende handlinger, såsom at indhente oplysninger, sammenholde dem med anmodningen og vælge næste trin. Den anden vedrører udarbejdelse af nyttige svar med færre genererede tokens, samtidig med at kvaliteten bevares. Til en udviklingsassistent skal du angive den observerede adfærd, relevant kode og kriteriet for en vellykket ændring. Til en researchassistent skal du definere spørgsmålet, det materiale, der skal undersøges, og den dokumentation, der kræves for konklusionen.
Ræsonnement og direkte svar indgår i det hybride design. En ræsonnementsopgave kan analysere afhængigheder, matematiske betingelser eller en plan med flere trin, før det endelige svar udarbejdes. En enkel udtrækning eller kort forklaring kan have et enklere mål for svaret. Angiv, hvilke begrænsninger der er obligatoriske, hvad modellen må antage, og hvad slutresultatet skal indeholde. Producentens modelkort for familien bemærker, at overholdelsen af ræsonnementsbudgetter kan være inkonsekvent, så et ønsket budget dokumenterer ikke en streng øvre grænse for ræsonnement. Denne beskrivelse tillægger ikke septemberudgaven en nyere models ræsonnementsniveauer eller standardindstillinger.
Modeltabellen for netop septemberudgaven angiver op til 1.048.576 inputtokens og 65.536 outputtokens. Dens store inputkapacitet kan rumme instruktioner, eksempler, referencetekst og multimediekontekst i én opgave. Hvis du vil sammenligne krav med en foreslået løsning, skal du mærke de to kilder og angive et fælles sæt kriterier. Hvis du vil drøfte et skærmbillede, skal du identificere den relevante tilstand eller komponent; til en lyd- eller videoopgave skal du angive spørgsmålet eller hændelsen frem for at bede om en beskrivelse uden et bestemt fokus. Resultatet er fortsat tekst: indbygget billedgenerering, stemmegenerering og talt dialog i realtid hører til andre modelprofiler.
Google dokumenterer funktionskald, kodekørsel, søgeforankring, URL-kontekst og filsøgning for netop denne previewudgave. Funktionskald vælger en deklareret funktion og forbereder argumenter; den tilsluttede applikation udfører handlingen og returnerer resultatet. Kodekørsel bruger genereret Python til beregninger eller tekstbehandling. Søgeforankring leverer webmateriale til et kildebaseret svar, mens URL-kontekst arbejder med indholdet af bestemte tilgængelige sider. Filsøgning giver endnu en mulighed for at hente kildemateriale. Giv en agent et tydeligt formål med hvert værktøj, og angiv de forventede oplysninger fra hvert trin, så arbejdsgangen kan fortsætte ud fra det faktisk returnerede resultat.
Understøttelse af struktureret output gør slutresultatet anvendeligt som et sæt definerede felter. Til en sammenligning skal du bede om et kriterium, den tilsvarende kildepassage, den observerede forskel og det spørgsmål, der stadig kræver afklaring. Til en kodeopgave skal du adskille den foreslåede ændring fra forklaringen og de kontroller, der stadig er nødvendige. Googles præcise modelprofil angiver også understøttelse af kontekstcaching og batchbehandling. Gentaget kildemateriale kan holdes ensartet på tværs af beslægtede opgaver; caching dokumenterer ikke i sig selv, at en bestemt anmodning genbrugte cachede tokens. Disse funktionsnavne indebærer ingen nyere skemakombinationer, cachetærskler eller samtidige værktøjstilstande.
Modelkortet for familien beskriver en sparsom mixture-of-experts-transformer med indbygget forståelse af tekst, visuelt materiale og lyd. Træningen kombinerer webtekst, kode, billeder, lyd og video; eftertræningen omfatter parrede multimodale instruktioner og svar, menneskelige præferencer og data om værktøjsbrug. Dataforberedelsen anvender deduplikering samt sikkerheds- og kvalitetsfiltrering. Modelsiden for den præcise daterede udgave angiver januar 2025 som vidensgrænse. Spørgsmål, der kræver nyere oplysninger, bør angive deres kildemateriale eller et passende hentetrin frem for at behandle modellens træningsviden som en løbende informationskilde.
Væsentlige begrænsninger omfatter muligheden for opdigtede fakta og vanskeligheder med årsagsforståelse, kompleks logisk deduktion og kontrafaktisk ræsonnement. Familiekortet bemærker også, at svar undertiden kan have en unødigt belærende tone. For at få et nyttigt resultat skal du kræve, at modellen skelner mellem kildefakta, antagelser og foreslåede handlinger, og derefter gennemgå de dele, der er afgørende for beslutningen. Et fuldstændigt resultat fra en agentopgave kan indeholde fund, et begrundet næste trin, oplysninger hentet fra værktøjer og eventuelle uafklarede spørgsmål. Septemberudgavens fokus på værktøjsbrug er med til at definere denne arbejdsgang, mens de forberedte input og udtrykkelige kriterier for færdiggørelse holder den knyttet til brugerens opgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-2.5-flash-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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 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-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-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-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-preview-09-2025
Brug metodestierne vist ovenfor.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 er Googles septemberudgave til multimodal analyse og arbejde med værktøjer i flere trin. Den kombinerer forståelse af tekst, billeder, video og lyd med ræsonnement, strukturerede svar og en inputgrænse på 1.048.576 tokens samt specifikke forbedringer af agenters brug af værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 2.5 Flash Preview 09-2025 er septemberudgaven i preview af Googles hybride ræsonnementsmodel. Dens dokumenterede input er tekst, billeder, video og lyd; outputtet er tekst. Modellen kan kombinere spørgsmålet med visuelt eller talt materiale og derefter udarbejde en forklaring, et dokument, kode eller et struktureret svar. Denne præcise daterede udgave er forskellig fra den stabile Gemini 2.5 Flash og fra et løbende opdateret latest-alias. Dens formål er multimodal forståelse og værktøjsassisteret arbejde med et skriftligt resultat.
Google beskriver to specifikke forbedringer i denne udgivelse: bedre værktøjsbrug i agentopgaver og mere økonomisk generering af svar, når ræsonnement er aktiveret. Den første vedrører opgaver, der kræver flere sammenhængende handlinger, såsom at indhente oplysninger, sammenholde dem med anmodningen og vælge næste trin. Den anden vedrører udarbejdelse af nyttige svar med færre genererede tokens, samtidig med at kvaliteten bevares. Til en udviklingsassistent skal du angive den observerede adfærd, relevant kode og kriteriet for en vellykket ændring. Til en researchassistent skal du definere spørgsmålet, det materiale, der skal undersøges, og den dokumentation, der kræves for konklusionen.
Ræsonnement og direkte svar indgår i det hybride design. En ræsonnementsopgave kan analysere afhængigheder, matematiske betingelser eller en plan med flere trin, før det endelige svar udarbejdes. En enkel udtrækning eller kort forklaring kan have et enklere mål for svaret. Angiv, hvilke begrænsninger der er obligatoriske, hvad modellen må antage, og hvad slutresultatet skal indeholde. Producentens modelkort for familien bemærker, at overholdelsen af ræsonnementsbudgetter kan være inkonsekvent, så et ønsket budget dokumenterer ikke en streng øvre grænse for ræsonnement. Denne beskrivelse tillægger ikke septemberudgaven en nyere models ræsonnementsniveauer eller standardindstillinger.
Modeltabellen for netop septemberudgaven angiver op til 1.048.576 inputtokens og 65.536 outputtokens. Dens store inputkapacitet kan rumme instruktioner, eksempler, referencetekst og multimediekontekst i én opgave. Hvis du vil sammenligne krav med en foreslået løsning, skal du mærke de to kilder og angive et fælles sæt kriterier. Hvis du vil drøfte et skærmbillede, skal du identificere den relevante tilstand eller komponent; til en lyd- eller videoopgave skal du angive spørgsmålet eller hændelsen frem for at bede om en beskrivelse uden et bestemt fokus. Resultatet er fortsat tekst: indbygget billedgenerering, stemmegenerering og talt dialog i realtid hører til andre modelprofiler.
Google dokumenterer funktionskald, kodekørsel, søgeforankring, URL-kontekst og filsøgning for netop denne previewudgave. Funktionskald vælger en deklareret funktion og forbereder argumenter; den tilsluttede applikation udfører handlingen og returnerer resultatet. Kodekørsel bruger genereret Python til beregninger eller tekstbehandling. Søgeforankring leverer webmateriale til et kildebaseret svar, mens URL-kontekst arbejder med indholdet af bestemte tilgængelige sider. Filsøgning giver endnu en mulighed for at hente kildemateriale. Giv en agent et tydeligt formål med hvert værktøj, og angiv de forventede oplysninger fra hvert trin, så arbejdsgangen kan fortsætte ud fra det faktisk returnerede resultat.
Understøttelse af struktureret output gør slutresultatet anvendeligt som et sæt definerede felter. Til en sammenligning skal du bede om et kriterium, den tilsvarende kildepassage, den observerede forskel og det spørgsmål, der stadig kræver afklaring. Til en kodeopgave skal du adskille den foreslåede ændring fra forklaringen og de kontroller, der stadig er nødvendige. Googles præcise modelprofil angiver også understøttelse af kontekstcaching og batchbehandling. Gentaget kildemateriale kan holdes ensartet på tværs af beslægtede opgaver; caching dokumenterer ikke i sig selv, at en bestemt anmodning genbrugte cachede tokens. Disse funktionsnavne indebærer ingen nyere skemakombinationer, cachetærskler eller samtidige værktøjstilstande.
Modelkortet for familien beskriver en sparsom mixture-of-experts-transformer med indbygget forståelse af tekst, visuelt materiale og lyd. Træningen kombinerer webtekst, kode, billeder, lyd og video; eftertræningen omfatter parrede multimodale instruktioner og svar, menneskelige præferencer og data om værktøjsbrug. Dataforberedelsen anvender deduplikering samt sikkerheds- og kvalitetsfiltrering. Modelsiden for den præcise daterede udgave angiver januar 2025 som vidensgrænse. Spørgsmål, der kræver nyere oplysninger, bør angive deres kildemateriale eller et passende hentetrin frem for at behandle modellens træningsviden som en løbende informationskilde.
Væsentlige begrænsninger omfatter muligheden for opdigtede fakta og vanskeligheder med årsagsforståelse, kompleks logisk deduktion og kontrafaktisk ræsonnement. Familiekortet bemærker også, at svar undertiden kan have en unødigt belærende tone. For at få et nyttigt resultat skal du kræve, at modellen skelner mellem kildefakta, antagelser og foreslåede handlinger, og derefter gennemgå de dele, der er afgørende for beslutningen. Et fuldstændigt resultat fra en agentopgave kan indeholde fund, et begrundet næste trin, oplysninger hentet fra værktøjer og eventuelle uafklarede spørgsmål. Septemberudgavens fokus på værktøjsbrug er med til at definere denne arbejdsgang, mens de forberedte input og udtrykkelige kriterier for færdiggørelse holder den knyttet til brugerens opgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-2.5-flash-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 $0.0006 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-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-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-preview-09-2025
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.